CN103810482A - 一种多信息融合分类及识别方法 - Google Patents

一种多信息融合分类及识别方法 Download PDF

Info

Publication number
CN103810482A
CN103810482A CN201410088934.5A CN201410088934A CN103810482A CN 103810482 A CN103810482 A CN 103810482A CN 201410088934 A CN201410088934 A CN 201410088934A CN 103810482 A CN103810482 A CN 103810482A
Authority
CN
China
Prior art keywords
mrow
msub
parameter
objects
alpha
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410088934.5A
Other languages
English (en)
Inventor
孙继平
洪亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN201410088934.5A priority Critical patent/CN103810482A/zh
Publication of CN103810482A publication Critical patent/CN103810482A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及模式识别、信息融合领域，特别是涉及一种多信息融合分类及识别方法。本发明提供了一种多信息融合分类及识别方法，将来自不同数据源的数据信息融合处理，构造融合分类器，实现将个别对象归入某一对象类的分类工作。本发明利用“相似距离”实现了多特征对象间相似性的度量；利用“对内形状差异系数”实现了多特征对象“二选一”的识别方法；利用“组合平均差异系数”实现了多特征对象“多选一”的识别方法。

Description

一种多信息融合分类及识别方法
技术领域
本发明涉及模式识别、信息融合领域，特别是涉及一种多信息融合分类及识别方法。
背景技术
分类是数据挖掘、机器学习和模式识别中一个重要的研究领域。解决分类问题的方法很多，单一的分类方法主要包括：
(1)决策树
决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。
(2)人工神经网络
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在这种模型中，大量的节点之间相互联接构成网络，即“神经网络”，以达到处理信息的目的。神经网络通常需要进行训练，训练的过程就是网络进行学习的过程。训练改变了网络节点的连接权的值使其具有分类的功能，经过训练的网络就可用于对象的识别。
(3)支持向量机
支持向量机是Vapnik根据统计学习理论提出的一种新的学习方法，它的最大特点是根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习机的泛化能力，较好地解决了非线性、高维数、局部极小点等问题。对于分类问题，支持向量机算法根据区域中的样本计算该区域的决策曲面，由此确定该区域中未知样本的类别。
(4)VSM法
VSM法即向量空间模型法，其基本思想是将文档表示为加权的特征向量：D＝D(T1，W1；T2，W2；…；Tn，Wn)，然后通过计算文本相似度的方法来确定待分样本的类别。当文本被表示为空间向量模型的时候，文本的相似度就可以借助特征向量之间的内积来表示。
(5)贝叶斯分类算法
贝叶斯(Bayes)分类算法是一类利用概率统计知识进行分类的算法，这些算法主要利用Bayes定理来预测一个未知类别的样本属于各个类别的可能性，选择其中可能性最大的一个类别作为该样本的最终类别。
(6)k-近邻
k-近邻算法是一种基于实例的分类方法。该方法就是找出与未知样本x距离最近的k个训练样本，看这k个样本中多数属于哪一类，就把x归为那一类。
决策树算法将目标属性划分为有次序的层次结构，这种“非并行处理”使其在很多时候缺少灵活性。当前的神经网络仍普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。支持向量机算法通常只能解决“二选一”的分类问题。VSM法相对其他分类方法而言，更适合于专业文献的分类。贝叶斯分类算法分类准确性通常不高，因为贝叶斯定理的成立本身需要一个很强的条件独立性假设前提，而此假设在实际情况中经常不成立。k-近邻方法是一种懒惰学习方法，它存放样本，直到需要分类时才进行分类，如果样本集比较复杂，可能会导致很大的计算开销，因此无法应用到实时性很强的场合。
综上，目前已有的分类算法很多，各自都有分类效果较好的针对领域，但也都有各自的局限。目前对分类问题并没有统一而有效的方法和理论。发展新的、有独特特点的分类方法有助于分类理论的完善和发展。
发明内容
本发明提供了一种多信息融合分类及识别方法，将来自不同数据源的数据信息融合处理，构造融合分类器，实现将个别对象归入某一对象类的分类工作。
为实现上述目的，本发明所采用的技术方案是：
一种多信息融合分类及识别方法，其特征在于，该方法为一种基于多源信息的个别对象间相似性度量方法，步骤如下：
(1)设待分类或识别对象的可观测的特征参数为θ1，...，θn，对各所述的特征参数分别做归一化处理，处理后的特征参数为
Figure BSA0000101842340000021
归一化的方法包括：
①若θk的取值范围为[min，max]，
②若θk的取值范围为(-∞，+∞)，
Figure BSA0000101842340000023
③若θk的取值范围为[min，+∞)，
Figure BSA0000101842340000024
④若θk的取值范围为(-∞，max]，
Figure BSA0000101842340000025
min、max为常数，θk为第k个初始参数，为
Figure BSA0000101842340000027
经归一化处理后的参数；
(2)设任意两个待识别对象Si和Sj的特征参数向量分别为：
Figure BSA0000101842340000028
和1～n为特征参数的序号，i、j为对象的序号，Si和Sj的相似程度用它们在特征参数空间中对应的特征点的距离D来度量，这种距离称为相似距离，它的计算方法包括：
①加权平均距离： D M ( S i , S j ) = Σ k = 1 n a k | θ ^ ki - θ ^ kj | Σ k = 1 n a k ;
②加权欧氏距离： D E ( S i , S j ) = Σ k = 1 n b k ( θ ^ ki - θ ^ kj ) 2 Σ k=1 n b k ;
ak、bk为第k个特征参数在相似比较时的权重，可根据实际比较时的侧重点灵活选择，若没有特殊要求，各权重值可都取为1；
(3)设Si和Sj为任意两个对象，二者的相似距离为D，将D作为二者相似性的度量，给定取值范围[0，h)为吻合域，当D＜h时，判断Si和Sj为同一或同类对象，h的值根据对象的特点及图像质量指定，h的取值范围为0.05～0.2；给定取值范围(p，1]为分离域，当D＞p时，判断Si和Sj为非同一或同类对象，p的值根据对象的特点及图像质量指定，p的取值范围为0.4～0.95。
进一步地，该方法为一种基于多源信息的个别对象相对于一个对象类的识别方法，步骤如下：
(1)若对象类具有样本库，
Figure BSA0000101842340000033
中所有对象都可观测归一化特征参数
Figure BSA0000101842340000034
对样本库进行随机抽样，样本容量m大于30，观测每个样本在如前所述n个归一化特征参数上的取值，对每个归一化特征参数进行置信度为1-α的区间估计，区间估计的方法为：第k个归一化特征参数的置信度为1-α的置信区间为
Figure BSA0000101842340000036
其中，为第j个样本在归一化特征参数
Figure BSA0000101842340000038
上的取值，
Figure BSA0000101842340000039
为所有样本在
Figure BSA00001018423400000310
上取值的均值，
Figure BSA00001018423400000311
为
Figure BSA00001018423400000312
的观测值的样本方差，α的3个取值为0.1、0.05、0.01，对应的标准正态分布的上侧α/2分位数zα/2的3个取值为z0.05＝1.645、z0.025＝1.96、z0.005＝2.575；按上述方法逐一确定
Figure BSA00001018423400000313
中每个归一化特征参数的置信区间；
(2)指定目标识别区域为
Figure BSA00001018423400000314
若Si为待识别对象，i为对象序号，Si的特征参数向量为
Figure BSA00001018423400000315
若
Figure BSA00001018423400000316
则判断所述待识别对象Si属于所述的对象类
Figure BSA00001018423400000317
进一步地，该方法为一种基于单源信息的个别对象“二选一”识别方法，包括如下步骤：
(1)设
Figure BSA00001018423400000318
为归一化特征参数，根据在上取值的情况定义两个对象类
Figure BSA00001018423400000320
(2)对所述的和进行随机抽样，对所述的两个对象类的抽样的样本容量均大于30，根据抽样得到的样本数据，根据权利要求2步骤(1)所述的方法对
Figure BSA00001018423400000323
和
Figure BSA00001018423400000324
在归一化特征参数
Figure BSA00001018423400000325
上的取值情况进行区间估计，对象类在所述的归一化特征参数
Figure BSA00001018423400000327
上的置信度为1-α1的置信区间为E1，对象类在所述的归一化特征参数
Figure BSA00001018423400000329
上的置信度为1-α2的置信区间为E2，α1的3个取值为0.1、0.05、0.01，α2的3个取值为0.1、0.05、0.01；
(3)设且E1与E2没有交集，对任意一个具有特征参数
Figure BSA0000101842340000041
的对象S进行以下识别操作：
①若
Figure BSA0000101842340000042
则判断
②若
Figure BSA0000101842340000044
则判断
Figure BSA0000101842340000045
③若
Figure BSA0000101842340000046
则无法做出判断。
(4)评价对象识别操作的准确率：若
Figure BSA0000101842340000047
对S进行识别操作，其结果的准确率大于min{(1-2α1)，(1-2α2)}，若参数
Figure BSA0000101842340000048
在
Figure BSA0000101842340000049
和
Figure BSA00001018423400000410
上都呈对称分布，E1和E2也都为对称置信区间，以上识别结果的准确率大于min{(1-α1)，(1-α2)}，min{(1-2α1)，(1-2α2)}为(1-2α1)与(1-2α2)中的较小值。
进一步地，该方法为一种基于多源信息的个别对象“二选一”识别方法，步骤如下：
(1)设对象类
Figure BSA00001018423400000411
都具有归一化特征参数
Figure BSA00001018423400000412
对所述的对象类分别进行随机抽样，样本容量均大于30，计算
Figure BSA00001018423400000414
的样本的归一化特征参数均值
Figure BSA00001018423400000415
计算的样本的归一化特征参数均值若对象S1的特征参数向量为
Figure BSA00001018423400000418
称S1为的标准对象；若对象S2的特征参数向量为
Figure BSA00001018423400000420
称S1为的标准对象；
(2)设第一对象类第二对象类
Figure BSA00001018423400000423
具有归一化特征参数
Figure BSA00001018423400000424
k为参数序号，对
Figure BSA00001018423400000425
分别进行随机抽样，样本容量均大于30，根据抽样得到的样本数据，根据权利要求2步骤(1)所述的方法分别对对象类在所述的归一化特征参数
Figure BSA00001018423400000427
上的取值情况进行区间估计：设第一对象类的归一化特征参数的置信度为1-α的置信区间为E1k＝(e1Lk，e1Rk)，第二对象类
Figure BSA00001018423400000430
的归一化特征参数的置信度为1-α的置信区间为E2k＝(e2Lk，e2Rk)；
(3)设在
Figure BSA00001018423400000432
和
Figure BSA00001018423400000433
所在的特征参数空间中定义了如权利要求1所述的相似距离
Figure BSA00001018423400000434
确定相似距离公式中各权数的方法为：
为确定第k个归一化特征参数在相似比较时的权数ak，根据权利要求4步骤(2)所述的方法求取分别对应于
Figure BSA00001018423400000435
和
Figure BSA00001018423400000436
的两个置信区间E1k＝(e1Lk，e1Rk)和E2k＝(e2Lk，e2Rk)，若E2k∩E2k＝Φ，Φ表示空集，则确定ak＝1-α；若E2k∩E2k≠Φ，则确定
a k = ( 1 - α ) × [ max { e 1 Rk , e 2 Rk } - min { e 1 Lk , e 2 Lk } - min { e 1 Rk , e 2 Rk } + max { e 1 Lk , e 2 Lk } ] max { e 1 Rk , e 2 Rk } - min { e 1 Lk , e 2 Lk } ;
(4)重复步骤(2)～(3)，计算出所述相似距离公式中所有待定权数，，此时的相似距离公式称为对象类对
Figure BSA00001018423400000438
的对内形状差异系数计算公式，记作D12(Si，Sj)，简记为D12；
(5)分别用所述的对内形状差异系数计算公式计算待识别对象S与
Figure BSA0000101842340000051
的标准对象S1、S2的相似距离D12(S，S1)、D12(S，S2)，若D12(S，S1)＝min{D12(S，S1)，D12(S，S2)}，则判断
Figure BSA0000101842340000052
若D12(S，S2)＝min{D12(S，S1)，D12(S，S2)}，则判断
Figure BSA0000101842340000053
min{}表示求最小值的运算。
进一步地，该方法为一种基于多源信息的个别对象“多选一”识别方法，步骤如下：
(1)若S为待识别的对象，
Figure BSA0000101842340000054
为所述待识别对象可能属于的对象类的集合，.Dij为对象类对
Figure BSA0000101842340000055
的对内形状差异系数计算公式，显然Dji＝Dij，Sk为
Figure BSA0000101842340000056
的标准对象；
(2)计算S与每个对象类的标准对象Sk的组合平均差异系数
Figure BSA0000101842340000057
其中dkl＝Dkl(S，Sk)；
(3)若
Figure BSA0000101842340000058
判断即判断与最小“组合平均差异系数”对应的对象类为S属于的对象类。
本发明达到的有益效果：利用“相似距离”实现了多特征对象间相似性的度量；利用“对内形状差异系数”实现了多特征对象“二选一”的识别方法；利用“组合平均差异系数”实现了多特征对象“多选一”的识别方法。
具体实施方式
下面对本发明做进一步详细说明。
本发明的一种多信息融合分类及识别方法具体内容如下：
一种多信息融合分类及识别方法，其特征在于，该方法为一种基于多源信息的个别对象间相似性度量方法，步骤如下：
(1)设待分类或识别对象的可观测的特征参数为θ1，...，θn，对各所述的特征参数分别做归一化处理，处理后的特征参数为
Figure BSA00001018423400000510
归一化的方法包括：
①若θk的取值范围为[min，max]，
Figure BSA00001018423400000511
②若θk的取值范围为(-∞，+∞)，
③若θk的取值范围为[min，+∞)，
④若θk的取值范围为(-∞，max]，
Figure BSA00001018423400000514
min、max为常数，θk为第k个初始参数，
Figure BSA00001018423400000515
为θk经归一化处理后的参数；
(2)设任意两个待识别对象Si和Sj的特征参数向量分别为：
Figure BSA00001018423400000516
和
Figure BSA0000101842340000061
1～n为特征参数的序号，i、j为对象的序号，Si和Sj的相似程度用它们在特征参数空间中对应的特征点的距离D来度量，这种距离称为相似距离，它的计算方法包括：
①加权平均距离： D M ( S i , S j ) = Σ k = 1 n a k | θ ^ ki - θ ^ kj | Σ k = 1 n a k ;
②加权欧氏距离： D E ( S i , S j ) = Σ k = 1 n b k ( θ ^ ki - θ ^ kj ) 2 Σ k=1 n b k ;
ak、bk为第k个特征参数在相似比较时的权重，可根据实际比较时的侧重点灵活选择，若没有特殊要求，各权重值可都取为1；
(3)设Si和Sj为任意两个对象，二者的相似距离为D，将D作为二者相似性的度量，给定取值范围[0，h)为吻合域，当D＜h时，判断Si和Sj为同一或同类对象，h的值根据对象的特点及图像质量指定，h的取值范围为0.05～0.2；给定取值范围(p，1]为分离域，当D＞p时，判断Si和Sj为非同一或同类对象，p的值根据对象的特点及图像质量指定，p的取值范围为0.4～0.95。
进一步地，该方法为一种基于多源信息的个别对象相对于一个对象类的识别方法，步骤如下：
(1)若对象类
Figure BSA0000101842340000064
具有样本库，
Figure BSA0000101842340000065
中所有对象都可观测归一化特征参数
Figure BSA0000101842340000066
对样本库进行随机抽样，样本容量m大于30，观测每个样本在如前所述n个归一化特征参数上的取值，对每个归一化特征参数进行置信度为1-α的区间估计，区间估计的方法为：第k个归一化特征参数的置信度为1-α的置信区间为
Figure BSA0000101842340000068
其中，
Figure BSA0000101842340000069
为第j个样本在归一化特征参数
Figure BSA00001018423400000610
上的取值，
Figure BSA00001018423400000611
为所有样本在上取值的均值，
Figure BSA00001018423400000613
为
Figure BSA00001018423400000614
的观测值的样本方差，α的3个取值为0.1、0.05、0.01，对应的标准正态分布的上侧α/2分位数zα/2的3个取值为z00.5＝1.645、z0.025＝1.96、z0.005＝2.575；按上述方法逐一确定
Figure BSA00001018423400000615
中每个归一化特征参数的置信区间；
(2)指定目标识别区域为
Figure BSA00001018423400000616
若Si为待识别对象，i为对象序号，Si的特征参数向量为
Figure BSA00001018423400000617
若
Figure BSA00001018423400000618
则判断所述待识别对象Si属于所述的对象类
Figure BSA00001018423400000619
进一步地，该方法为一种基于单源信息的个别对象“二选一”识别方法，包括如下步骤：
(1)设
Figure BSA0000101842340000071
为归一化特征参数，根据在
Figure BSA0000101842340000072
上取值的情况定义两个对象类
Figure BSA0000101842340000073
(2)对所述的
Figure BSA0000101842340000074
和
Figure BSA0000101842340000075
进行随机抽样，对所述的两个对象类的抽样的样本容量均大于30，根据抽样得到的样本数据，根据权利要求2步骤(1)所述的方法对
Figure BSA0000101842340000076
和
Figure BSA0000101842340000077
在归一化特征参数
Figure BSA0000101842340000078
上的取值情况进行区间估计，对象类
Figure BSA0000101842340000079
在所述的归一化特征参数上的置信度为1-α1的置信区间为E1，对象类
Figure BSA00001018423400000711
在所述的归一化特征参数
Figure BSA00001018423400000712
上的置信度为1-α2的置信区间为E2，α1的3个取值为0.1、0.05、0.01，α2的3个取值为0.1、0.05、0.01；
(3)设且E1与E2没有交集，对任意一个具有特征参数
Figure BSA00001018423400000713
的对象S进行以下识别操作：
①若
Figure BSA00001018423400000714
则判断
Figure BSA00001018423400000715
②若
Figure BSA00001018423400000716
则判断
③若
Figure BSA00001018423400000718
则无法做出判断。
(4)评价对象识别操作的准确率：若
Figure BSA00001018423400000719
对S进行识别操作，其结果的准确率大于min{(1-2α1)，(1-2α2)}，若参数
Figure BSA00001018423400000720
在
Figure BSA00001018423400000721
和
Figure BSA00001018423400000722
上都呈对称分布，E1和E2也都为对称置信区间，以上识别结果的准确率大于min{(1-α1)，(1-α2)}，min{(1-2α1)，(1-2α2)}为(1-2α1)与(1-2α2)中的较小值。
进一步地，该方法为一种基于多源信息的个别对象“二选一”识别方法，步骤如下：
(1)设对象类
Figure BSA00001018423400000723
都具有归一化特征参数
Figure BSA00001018423400000724
对所述的对象类
Figure BSA00001018423400000725
分别进行随机抽样，样本容量均大于30，计算
Figure BSA00001018423400000726
的样本的归一化特征参数均值计算
Figure BSA00001018423400000728
的样本的归一化特征参数均值若对象S1的特征参数向量为
Figure BSA00001018423400000730
称S1为
Figure BSA00001018423400000731
的标准对象；若对象S2的特征参数向量为称S1为
Figure BSA00001018423400000733
的标准对象；
(2)设第一对象类
Figure BSA00001018423400000734
第二对象类
Figure BSA00001018423400000735
具有归一化特征参数k为参数序号，对
Figure BSA00001018423400000737
分别进行随机抽样，样本容量均大于30，根据抽样得到的样本数据，根据权利要求2步骤(1)所述的方法分别对对象类在所述的归一化特征参数
Figure BSA00001018423400000739
上的取值情况进行区间估计：设第一对象类
Figure BSA00001018423400000740
的归一化特征参数
Figure BSA00001018423400000741
的置信度为1-α的置信区间为E1k＝(e1Lk，e1Rk)，第二对象类
Figure BSA00001018423400000742
的归一化特征参数
Figure BSA00001018423400000743
的置信度为1-α的置信区间为E2k＝(e2Lk，e2Rk)；
(3)设在
Figure BSA00001018423400000744
和
Figure BSA00001018423400000745
所在的特征参数空间中定义了如权利要求1所述的相似距离
Figure BSA00001018423400000746
确定相似距离公式中各权数的方法为：
为确定第k个归一化特征参数在相似比较时的权数ak，根据权利要求4步骤(2)所述的方法求取分别对应于
Figure BSA0000101842340000081
和的两个置信区间E1k＝(e1Lk，e1Rk)和E2k＝(e2Lk，e2Rk)，若E2k∩E2k＝Φ，Φ表示空集，则确定ak＝1-α；若E2k∩E2k≠Φ，则确定
a k = ( 1 - α ) × [ max { e 1 Rk , e 2 Rk } - min { e 1 Lk , e 2 Lk } - min { e 1 Rk , e 2 Rk } + max { e 1 Lk , e 2 Lk } ] max { e 1 Rk , e 2 Rk } - min { e 1 Lk , e 2 Lk }
(4)重复步骤(2)～(3)，计算出所述相似距离公式中所有待定权数，，此时的相似距离公式称为对象类对
Figure BSA0000101842340000084
的对内形状差异系数计算公式，记作D12(Si，Sj)，简记为D12；
(5)分别用所述的对内形状差异系数计算公式计算待识别对象S与的标准对象S1、s2的相似距离D12(S，S1)、D12(S，S2)，若D12(S，S1)＝min{D12(S，S1)，D12(S，S2)}，则判断
Figure BSA0000101842340000086
若D12(S，S2)＝min{D12(S，S1)，D12(S，S2)}，则判断
Figure BSA0000101842340000087
min{}表示求最小值的运算。
进一步地，该方法为一种基于多源信息的个别对象“多选一”识别方法，步骤如下：
(1)若S为待识别的对象，
Figure BSA0000101842340000088
为所述待识别对象可能属于的对象类的集合，Dij为对象类对
Figure BSA0000101842340000089
的对内形状差异系数计算公式，显然Dji＝Dij，Sk为
Figure BSA00001018423400000810
的标准对象；
(2)计算S与每个对象类的标准对象Sk的组合平均差异系数
Figure BSA00001018423400000811
其中dkl＝Dkl(S，Sk)；
(3)若
Figure BSA00001018423400000812
判断
Figure BSA00001018423400000813
即判断与最小“组合平均差异系数”对应的对象类为S属于的对象类。

Claims (5)

1.一种多信息融合分类及识别方法，其特征在于，一种基于多源信息的个别对象间相似性度量方法，其步骤为： 
(1)设待分类或识别对象的可观测的特征参数为θ1，...，θn，对其分别做归一化处理，处理后的特征参数为
Figure FSA0000101842330000011
归一化的方法包括： 
①若θk的取值范围为[min，max]，
Figure FSA0000101842330000012
②若θk的取值范围为(-∞，+∞)，
Figure FSA0000101842330000013
③若θk的取值范围为[min，+∞)，
④若θk的取值范围为(-∞，max]，
Figure FSA0000101842330000015
(2)设任意两个对象Si和Sj的特征参数向量分别为：和
Figure FSA0000101842330000017
Si和Sj的相似程度用它们在特征参数空间中对应的特征点的距离D来度量，这种距离称为相似距离，它的计算方法包括： 
①加权平均距离：
Figure FSA0000101842330000018
②加权欧式距离：
ak、bk为第k个特征参数在相似比较时的权重，可根据实际比较时的侧重点灵活选择，若没有特殊要求，各权重值可都取为1。 
(3)设Si和Sj为任意两个对象，二者的相似距离为D，将D作为二者相似性的度量，给定取值范围[0，h)为吻合域，当D＜h时，判断Si和Sj为同一或同类对象，h的值根据对象的特点及图像质量指定，h的取值范围为0.05～0.2；给定取值范围(p，1]为分离域，当D＞p时，判断Si和Sj为非同一或同类对象，p的值根据对象的特点及图像质量指定，p的取值范围为0.4～0.95。 
2.一种多信息融合分类及识别方法，其特征在于，一种基于多源信息的个别对象相对于一个对象类的识别方法，其步骤为： 
(1)若某对象类
Figure FSA00001018423300000114
有大容量样本库，对样本库进行随机大样本抽样，样本容量m大于30，若
Figure FSA00001018423300000110
为对象归一化特征参数中的某一个，利用样本中的对象的参数
Figure FSA00001018423300000111
的取值对对象类在参数 
Figure FSA00001018423300000112
上的取值进行区间估计，置信度取为1-α，置信区间为
Figure FSA00001018423300000113
Figure FSA0000101842330000021
为第j个样本在参数
Figure FSA0000101842330000022
上的取值，
Figure FSA0000101842330000023
为的样本方差，α的3个常用取值为0.1、0.05、0.01，相应的z0.05＝1.645、z0.025＝1.96、z0.005＝2.575；逐一确定每个特征参数的置信区间； 
(2)指定目标识别区域为V＝{(θ1，...，θn)|θk∈Dk，k＝1，...，n}，若Si为待识别对象，Si的特征参数向量为
Figure FSA0000101842330000025
若
Figure FSA0000101842330000026
判断对象Si属于对象类
Figure FSA0000101842330000027
。
3.一种多信息融合分类及识别方法，其特征在于，一种基于单源信息的个别对象“二选一”识别方法，其内容为： 
设为某归一化对象特征参数，根据在
Figure FSA0000101842330000029
上取值的情况可定义两个对象类
Figure FSA00001018423300000210
对
Figure FSA00001018423300000211
和
Figure FSA00001018423300000212
进行随机的大样本抽样，样本容量均大于30，根据样本数据对并
Figure FSA00001018423300000213
和
Figure FSA00001018423300000214
在参数
Figure FSA00001018423300000215
上的取值情况进行区间估计。设对象类
Figure FSA00001018423300000216
在参数
Figure FSA00001018423300000217
上的置信度为1-α1的置信区间为E1，对象类
Figure FSA00001018423300000236
在参数
Figure FSA00001018423300000218
上的置信度为1-α2的置信区间为E2，且E1与E2没有交集，对任意一个具有参数
Figure FSA00001018423300000219
的对象S可进行以下识别操作： 
(1)若
Figure FSA00001018423300000220
判断
Figure FSA00001018423300000221
(2)若判断
Figure FSA00001018423300000223
(3)若
Figure FSA00001018423300000224
无法做出判断。 
若
Figure FSA00001018423300000225
对S进行识别操作，其结果的准确率大于min{(1-2α1)，(1-2α2)}，min{(1-2α1)，(1-2α2)}为(1-2α1)与(1-2α2)中的较小值；若参数
Figure FSA00001018423300000226
在
Figure FSA00001018423300000227
和
Figure FSA00001018423300000228
上都呈对称分布，E1和E2也都为对称置信区间，以上识别结果的准确率大于min{(1-α1)，(1-α2)}。 
4.一种多信息融合分类及识别方法，其特征在于，一种基于多源信息的个别对象“二选一”识别方法，其步骤为： 
(1)设对象类
Figure FSA00001018423300000229
都具有归一化特征参数为
Figure FSA00001018423300000230
对二者进行大样本随机抽样，分别计算二者样本的特征参数均值
Figure FSA00001018423300000231
若对象S1的特征参数向量为 
Figure FSA00001018423300000232
称S1为
Figure FSA00001018423300000233
的标准对象；若对象S2的特征参数向量为
Figure FSA00001018423300000234
称S1为
Figure FSA00001018423300000235
的标准对象； 
(2)指定一种相似距离公式D(Si，Sj)，ak为第k个特征参数在相似比较时的权重； 
(3)设对象类
Figure FSA0000101842330000031
具有归一化特征参数对二者进行大样本随机抽样，根据样本数据对参数
Figure FSA0000101842330000033
进行区间估计：设对象类
Figure FSA0000101842330000034
的参数
Figure FSA0000101842330000035
的置信度为1-α的置信区间为E1k＝(e1Lk，e1Rk)，对象类
Figure FSA0000101842330000036
的参数
Figure FSA0000101842330000037
的置信度为1-α的置信区间为E2k＝(e2Lk，e2Rk)。 
(4)若E2i∩E2i＝Φ，Φ表示空集，设相似距离公式中与
Figure FSA0000101842330000038
对应的权数ak＝1-α；若E2i∩E2i≠Φ，设 
Figure FSA0000101842330000039
(5)重复步骤(3)～(4)，计算出相似距离公式中所有待定参数。 
用上述步骤(3)～(5)待定出相似距离公式中所有参数，此时的相似距离公式称为对象类对 
Figure FSA00001018423300000310
的对内形状差异系数计算公式，记作D12(Si，Sj)，简记为D12。 
(6)若S为待识别对象，分别用对内形状差异系数计算公式计算其与
Figure FSA00001018423300000311
的标准对象S1、S2的形状差异系数D12(S，S1)、D12(S，S2)，若 
D12(S，Si)＝min{D12(S，S1)，D12(S，S2)}，判断
Figure FSA00001018423300000312
min{}表示求最小值的运算。 
5.一种多信息融合分类及识别方法，其特征在于，一种基于多源信息的个别对象“多选一”识别方法，其步骤为： 
(1)若S为待识别的对象，
Figure FSA00001018423300000313
为其可能属于的对象类的集合，Dij为对象类对 
Figure FSA00001018423300000314
的对内形状差异系数计算公式，显然Dji＝Dij，Sk为
Figure FSA00001018423300000315
的标准对象。 
(2)计算S与每个对象类的标准对象Sk的组合平均差异系数
Figure FSA00001018423300000316
其中dkl＝Dkl(S，Sk)。 
(3)若
Figure FSA00001018423300000317
判断
Figure FSA00001018423300000318
即判断与最小“组合平均差异系数”对应的对象类为S属于的对象类。 
CN201410088934.5A 2014-03-12 2014-03-12 一种多信息融合分类及识别方法 Pending CN103810482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410088934.5A CN103810482A (zh) 2014-03-12 2014-03-12 一种多信息融合分类及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410088934.5A CN103810482A (zh) 2014-03-12 2014-03-12 一种多信息融合分类及识别方法

Publications (1)

Publication Number Publication Date
CN103810482A true CN103810482A (zh) 2014-05-21

Family

ID=50707224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410088934.5A Pending CN103810482A (zh) 2014-03-12 2014-03-12 一种多信息融合分类及识别方法

Country Status (1)

Country Link
CN (1) CN103810482A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102833A (zh) * 2014-07-10 2014-10-15 西安交通大学 基于密集区间发现的税务指标归一化与融合计算方法
WO2017117799A1 (zh) * 2016-01-08 2017-07-13 富士通株式会社 分类结果的融合装置及方法
CN109478228A (zh) * 2016-09-30 2019-03-15 富士通株式会社 分类结果的融合方法、装置及电子设备
CN110161408A (zh) * 2019-05-31 2019-08-23 江铃汽车股份有限公司 积放链电机状态识别方法及系统
CN111666274A (zh) * 2020-06-05 2020-09-15 北京妙医佳健康科技集团有限公司 数据融合方法、装置、电子设备及计算机可读存储介质
CN113155453A (zh) * 2021-01-08 2021-07-23 沈阳大学 一种多特征融合评估预测轴承性能寿命方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102833A (zh) * 2014-07-10 2014-10-15 西安交通大学 基于密集区间发现的税务指标归一化与融合计算方法
WO2017117799A1 (zh) * 2016-01-08 2017-07-13 富士通株式会社 分类结果的融合装置及方法
CN109478228A (zh) * 2016-09-30 2019-03-15 富士通株式会社 分类结果的融合方法、装置及电子设备
CN110161408A (zh) * 2019-05-31 2019-08-23 江铃汽车股份有限公司 积放链电机状态识别方法及系统
CN111666274A (zh) * 2020-06-05 2020-09-15 北京妙医佳健康科技集团有限公司 数据融合方法、装置、电子设备及计算机可读存储介质
CN111666274B (zh) * 2020-06-05 2023-08-25 北京妙医佳健康科技集团有限公司 数据融合方法、装置、电子设备及计算机可读存储介质
CN113155453A (zh) * 2021-01-08 2021-07-23 沈阳大学 一种多特征融合评估预测轴承性能寿命方法
CN113155453B (zh) * 2021-01-08 2023-11-07 沈阳大学 一种多特征融合评估预测轴承性能寿命方法

Similar Documents

Publication Publication Date Title
CN109801256B (zh) 一种基于感兴趣区域和全局特征的图像美学质量评估方法
CN107515895B (zh) 一种基于目标检测的视觉目标检索方法与系统
CN106682696B (zh) 基于在线示例分类器精化的多示例检测网络及其训练方法
CN111126482B (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
WO2019140767A1 (zh) 安检识别系统及其控制方法
CN103810482A (zh) 一种多信息融合分类及识别方法
CN112507901B (zh) 一种基于伪标签自纠正的无监督行人重识别方法
CN109934269B (zh) 一种电磁信号的开集识别方法和装置
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
CN105205501B (zh) 一种多分类器联合的弱标注图像对象检测方法
WO2019015246A1 (zh) 图像特征获取
CN111160401B (zh) 一种基于均值漂移和XGBoost的异常用电判别方法
US20100202681A1 (en) Detecting device of special shot object and learning device and method thereof
CN110942091B (zh) 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN106250925B (zh) 一种基于改进的典型相关分析的零样本视频分类方法
CN104679860B (zh) 一种不平衡数据的分类方法
CN111950525B (zh) 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法
CN103136540B (zh) 一种基于隐结构推理的行为识别方法
CN112188532A (zh) 网络异常检测模型的训练方法、网络检测方法及装置
Manziuk et al. Definition of information core for documents classification
CN103631753A (zh) 递减子空间集成学习算法
Chu et al. Co-training based on semi-supervised ensemble classification approach for multi-label data stream
CN104966075A (zh) 一种基于二维判别特征的人脸识别方法与系统
CN104537383A (zh) 一种基于粒子群的海量组织机构数据分类方法及系统
KR101590896B1 (ko) 일반화 성능을 갖는 심화학습 장치 및 방법, 그 방법을 수행하기 위한 기록 매체 및 장치

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140521

WD01 Invention patent application deemed withdrawn after publication