高维复杂模式特征提取与识别研究控制理论与控制工程专业论文.docxVIP

献中提到的各种算法不同的是，我们选取主元的原则是使得Fisher准则函数取得较大 献中提到的各种算法不同的是，我们选取主元的原则是使得Fisher准则函数取得较大 值，即可分性最好，而不是使得投影后样本在投影空间里的方差最小。其次，我们根据 训练样本在模式空间的几何分布情况，对Fisher准则函数的定义做了修改，重新定义了 Fisher准则的类内散度矩阵S。，使之更准确地反映类内样本间的分布关系，提高了准 则模型的精确性。最后，我们选用Fisher准则函数的推广形式来获得最优判别矢量集， 因为总体散度矩阵S在投影空间里是可逆的，即使类内散度矩阵S。在低维的投影空间 里是奇异的，也不影响最优判别矢量的求解，从而简化了最优判别矢量集的求解。另外， 最重要的是，本文的方法在求解最优判别向量集的全过程只需要在一个低维的变换空间 内进行，这一点与以往的一些算法有着本质的不同。 令 在神经网络覆盖学习算法思想的基础上，本文提出了一种新的基于最大密度“球领域” 覆盖的三层前向神经网络学习算法。该算法首先把训练样本向上投影到一个超球面上， 然后在超球面上寻找可以对训练样本集进行正确分类的最优“球领域”覆盖来实现对样 本空间的划分，并根据由训练集得到的“球领域”覆盖来判断待识别样本的类别，从而 把神经网络的最优设计问题转换为某种最优覆盖的问题，有效克服了传统神经网络训练 时间长、学习复杂等不足。对训练样本有100％正确识别率，而且能实现对多类别、大 规模的模式分类。 夺 在传统的RBF神经网络的基础上，从RBF神经元的几何意义的角度出发，提出了一种 新的用于模式分类的C．RBF神经网络结构，并给出了确定该网络结构核函数个数及其 中心和宽度的学习算法。该算法具有能够根据样本分布情况，自动决定隐层节点数以及 核函数的中心与宽度的能力，整个神经网络的结构及其参数是在学习过程中逐渐形成 的。同时，由于引入了竞争层，省掉了传统RBF神经元输出层的线性连接权的计算， 从而简化了网络的学习过程，大大缩短了训练时间，且不存在收敛问题。 关键词：模式识别，特征提取，线性判别分析，最优判别矢量，高斯混合模型，覆盖算法， BP网络，RBF网络 Research Research on Feature Extraction and Recognition of High—Dimensional Complex Patterns ABSTRACT A long with the speedy development and the wide appI ication of computers and computer networks，the technOlogies Of pattem recOgnition used mOre widely．At the same time，the problems of recognition desired becoming more and more complex．In order to describe objects more precise and more complete，people always inclined to collect much more data and thus the dimension of the pattem becomes much highe r．0n the other hand，because of the diversification and the modemization of instrumentS in measurjng the objects，the relatiVjty between the components of the pattem is becoming more complex the dimension increaSes， which makes the consumption of cIaSs讯cation costly and make the pattem not tO be class讯ed directIy．So it is especially impOrtant to 6nd suitabIe method to extract and select the features of pattem in deal with the problem of high—dimensional complex pattem recognition．As ◆ for image recognition，it is the key that features of the image extracted effectiVel y，w