《模式识别原理与应用》课件第10章.ppt

当测度具有可加性时,Sugeno模糊积分与Lebesgue积分不一致,于是Murofushi和Sugeno又提出了所谓的Choquet模糊积分。定义10.8h在X集上关于测度g的Choquet模糊积分定义为(10-115)其中:Ai={x1,x2,…,xi};h(x1)≥h(x2)≥…≥h(xn);h(xn+1)=0。10.6.3模糊积分在信息融合中的应用设x为一个待分类模式,S={ω1,ω2,…,ωM}为类别的集合,X={x1,x2,…,xn}为n个信息源(分类器)的集合。1.模糊密度函数的确定模糊密度函数gi=g({xi})(i=1,2,…,n)表示信源信息的重要程度或分类器xi的分类能力。gi可以由专家设定或通过训练集估计给出,例如,分类器xi的识别率。下面给出一种gi的取值方法。假设分类器xi的识别率为pi,wi∈［0,1］为主观权值,其中,pi越大,wi越大。gi可以由下式计算给出:(i=1,2,…,n)(10-116)2.模糊积分的计算定义置信度函数h(k):X→［0,1］,h(k)(xi)表示分类器xi提供输入模式x属于类ωk的置信度,即分类器xi认为输入模式x属于类ωk的隶属程度,k=1,2,…,M,i=1,2,…,n。h(k)在X集上关于测度g的Sugeno模糊积分或Choquet模糊积分为(k=1,2,…,M)(10-117)或(k=1,2,…,M)(10-118)其中，g(Ai)是根据模糊密度{gi}ni=1计算得到的gλ-模糊测度,可以由如下的迭代公式得到:(10-119)(i=2,3,…,n)(10-120)一方面,h(k)(xi)表示分类器xi提供输入模式x属于类ωk的置信度,现假定用中分类器来评价输入模式x,那么,最安全(保守)的决策中,模式x属于类ωk的置信度可以表示为(10-121)另一方面,gi=g({xi})表示分类器xi的重要程度或分类能力,那么g(E)表示分类器子集合E的重要程度或分类能力。此时,表示输入模式x属于类ωk的可能性与分类器子集合E的分类能力g(E)的一致性程度。因此,Sugeno模糊积分(10-122)就是输入模式x属于类ωk的可能性与分类器子集合的分类能力的最大一致性程度,从而,可以用来表示模式x属于类ωk的融合置信度。3.决策规则选择C(k)(k=1,2,…,M)中最大值C(k0),此时,ωk0为输出类别。10.7基于决策模板的多分类器融合基于决策模板的多分类器融合也称为决策模板法,是一种简单、直接、稳健的融合方法。它派生于模糊模板,利用模糊相似度进行决策。设{ω1,ω2,…,ωc}是c个类的标号,x=(x1,x2,…,xn)T∈Rn是一个描述某一物体的n维列向量,x的任一个分量代表一个特征的值。一个分类器可以表示一个形如下式的映射:(10-123)即D(x)是一个c维向量,其第i个分量表示对假设“x来自类ωi”的支持程度。在多分类器融合系统中,一组分类器的输出被集成起来产生最终的决策结果。这种组合可以被看做是L个分类器输出的综合:(10-124)设为分类器Di对输入x的输出。其中di,j(x)∈［0,1］表示Di支持假设“x属于类ωj”的程度。设D1,…,DL为L个分类器,分类器的输出可以以一个决策轮廓来表示,如下式所示:(10-125)其中,第i行表示分类器Di的输出,第j列表示分类器D1,…,DL对假设“x属于类ωj”的支持程度。设训练集为Z={z1,…,zN}。zj∈Rn。类ωi的决策模板DTi(Z)是一个L×c的矩阵,其中第(k,s)位置处的元素dti(k,s)(Z)计算如下:(10-126)其中,Ind(zj,ωi)是一个指示变量,如果zj被标识为类ωi,则其值为1,否则,其值为0。dti(k,s)(Z)表示分类器Dk把来自类ωi的训练样本划分到类ωs中的平均支持程度。类ωi的决策模板DTi(Z)是训练集中所有来自类ωi的样本的决策轮廓的平均。为了简单起见,我们用DTi来表示DTi(Z)。当识别x∈Rn所属类别时,将DP(x)与DTi(i=1,…,c)相匹配,产生软标识:(10-127)其中,S可以被理解为一