基于高斯分布监督学习样本的Fisher核构造方法.pdfVIP

2015年 第24卷 第 1O期 hrtp：／／www．C—S—a．org．ell 计 算 机 系 统 应 用 基于高斯分布监督学习样本的Fisher核构造方法① 黄可望 ，方万胜 ，朱嘉钢 (无锡职业技术学院 物联网技术学院，无锡 214121) (公安部交通管理科学研究所 RFID应用组，无锡214151) (江南大学 物联网工程学院，无锡 214122) 摘 要：结合实际应用背景，针对各类样本服从高斯分布的监督学习情形，提出了构造 Fisher核的新方法．由于 利用了样本中的类别信息，该方法用极大似然估计代替EM算法估计GMM参数，有效降低了Fisher核构造的时 间复杂度．结合核 Fisher分类法，上述方法在标准人脸库上的仿真实验结果显示，用所提方法所构造的Fisher核 不仅时间复杂度低，且识别率也优于传统的高斯核与多项式核．本文的研究有利于将 Fisher核的应用从语音识 别领域拓展到图像识别等领域． 关键词：Fisher核；混合高斯分布；核Fisher分类；极大似然估计 FisherKernelConstructionM ethodBasedonGaussianDistribution HUANG Ke·Wang ．F NGWan-Sheng2ZHU Jia-Gang 7 (SchooloftheInternetofThingsTechnology,WuxiInstituteofTechnology,Wuxi214121，China) (I IDapplicationgroup，TrafficManagementResearchInstituteoftheMinistryofPublicSecurity,Wuxi214151，China) (SchooloftheIntemetofThingsEngineering，JiangnnaUniversity,Wuxi214122，China) Abstract：Basedontheactualapplicationbackgroundnadhtesupervisedlearningsituationinwhichsamplesofeach classcomplywiht Gaussian distribution．weproposeanew methodforFisherkernelconstruction．W im thehelpof classificationinformationinthesample，thismethodusemaximum likelihoodestimationratherhtanEM algorithm to estimatehteGMM parameters，whichcan effectively reducethetimecomplexity ofrFisherkernelconstruction．A simulationexperimentonstandardfacedatabaseshowsthathteabove—mentionedmehtodcombinedwithFisherkernel classificationcan notonlyreducehtetimecomplexity offisherkernelconstruction．butalsoexceedhtetraditional Gaussiankernelna dpolynomialkernelintermsofrecognitionrate．Thesutdyofhtismehtodwillbenefithteapplication ofFisherkernelfrom speechrecognitiontoimagerecong ition． Keywords：Fisherkernel；Gaussianmixtureclassification；kerne1Fisherclassification；maximum likelihoodestimation 引言 要根据某些规则选择相关的核参数． 图像识别领域已经发展了很多算法，应用最普遍 核函数的研究主要包括核的构造及其参数选择， 的还是基于统计特性的模式识别方法．其中核 Fisher 而核参数的选择往往更具复杂性 很多学者在SVM中 判