原空间中的核SOM分类器

被引：13

作者：

潘志松

陈松灿

张道强

机构：

[1] 南京航空航天大学信息科学与技术学院

[2] 南京航空航天大学信息科学与技术学院江苏南京

[3] 江苏南京中国科学院自动化研究所模式识别国家重点实验室

[4] 北京

[5] 江苏南京

来源：

电子学报 | 2004年 / 02期

关键词：

SOM; 核方法; 分类;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

自组织特征映射 (SOM)是Kohonen提出的一种人工神经网络模型 ,其整个学习过程是在输入样本空间内进行 ,并以欧氏距离为度量 .这将导致当输入样本分布结构呈高度非线性时 ,其分类能力下降 .核方法通过核函数实现了一个从低维输入空间到高维特征空间的映射 ,从而使输入空间中复杂的样本结构在特征空间中变得简单 .Donald等人通过核映射将低维输入空间中的非线性问题变换至高维特征空间中 ,从而使SOM聚类形成于映射后的高维特征空间中 .但其缺点是失去了对原输入空间聚类中心及结果的直观刻画 ;本文采用核方法的目的是为原输入空间诱导出一类异于欧氏距离的新的距离度量 ,并使原SOM成为特例 .而核的多样性进一步可诱导出原空间中不同的度量 ,导致各种对应SOM分类器的生成 .最后 ,本文侧重通过几种经典的核函数在Benchmark上的试验 ,对该分类器的性能及可靠性进行了验证

引用

页码：227 / 231

页数：5