基于核方法的纠错输出编码多类分类算法改进-控制理论与控制工程专业论文.docxVIP

摘要分类问题是众多研究领域中的一个基本问题，如图像识别、语音识别、医疗诊断、 摘要 分类问题是众多研究领域中的一个基本问题，如图像识别、语音识别、医疗诊断、 系统辨识和控制、自然语言处理、蛋白质结构和功能预测、金融风险分析等等。诸多领 域的强大需求为分类问题的算法和应用的研究带来了机遇和动力。同时，近来的统计学 习理论为此提供了强大的理论支持，不断出现各种分类问题的解决思路。而随着二类分 类(binary classclassification)的技术逐渐成熟，最近研究人员逐渐将目光转向应用需 求更加广泛的多类分类问题(multi class classification)。与二类分类问题相比，多类 分类问题存在一定的难点：模型表示困难，理论支撑少，分类器训练复杂度大等。 近年来，多类分类算法中一种比较流行的思想是把多类分类问题分解成若干个二类 分类分类问题来求解，纠错输出编码(ECOC，Error-correcting Output Coding)是一 个典型的代表。本文通过调研各种分类算法以及对ECoC的仔细分析，基于统计学习理 论中的大间隔(1argemargin)思想提出两种了ECOC的改进策略，目标是提高ECOC框 架的预测能力，提高其预测精度。本文的贡献在于： (1)基于结构风险和正则化，修改ECOC的损失函数，把局部独立损失修改为全局 损失，提出了基于一致训练的E