多分类器融合模式识别方法研究

本文对多分类器融合模式识别的设计方法进行了研究。在多分类器融合模式识别系统的分类器集的设计上，本文分别提出了基于最小关联度和基于遗传算法的两种方法。前者以具有最小加权误识率的分类器集作为最优分类器集，后者则是通过遗传算法寻找最优特征子集来构成最优分类器集。实验结果表明了两种方法都能提高系统的识别性能。特别地，当样本具有不利于识别的共有特征时，后者仍然具有较好的识别效果。本文还对多分类器神经网络融合函数的设计进行了改进，神经网络融合器不仅输入各个分类器的输出，它也输入样本的原始特征。两组实验结果证明了该方法可以提高神经网络融合器的识别正确相率。在多分类器选择模式识别上，本文提出了基于聚类算法来动态选择分类器的方法。实验结果表明，在每个分类器都是样本某一类别方面的专家时，这种方法较各个分类器和某些融合方法具有更好的识别性能。