[发明专利]一种多信息融合分类及识别方法

说明书

技术领域

本发明涉及模式识别、信息融合领域，特别是涉及一种多信息融合分类及识别方法。

背景技术

分类是数据挖掘、机器学习和模式识别中一个重要的研究领域。解决分类问题的方法很多，单一的分类方法主要包括：

(1)决策树

决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。

(2)人工神经网络

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在这种模型中，大量的节点之间相互联接构成网络，即“神经网络”，以达到处理信息的目的。神经网络通常需要进行训练，训练的过程就是网络进行学习的过程。训练改变了网络节点的连接权的值使其具有分类的功能，经过训练的网络就可用于对象的识别。

(3)支持向量机

支持向量机是Vapnik根据统计学习理论提出的一种新的学习方法，它的最大特点是根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习机的泛化能力，较好地解决了非线性、高维数、局部极小点等问题。对于分类问题，支持向量机算法根据区域中的样本计算该区域的决策曲面，由此确定该区域中未知样本的类别。

(4)VSM法

VSM法即向量空间模型法，其基本思想是将文档表示为加权的特征向量：D＝D(T1，W1；T2，W2；…；Tn，Wn)，然后通过计算文本相似度的方法来确定待分样本的类别。当文本被表示为空间向量模型的时候，文本的相似度就可以借助特征向量之间的内积来表示。

(5)贝叶斯分类算法

贝叶斯(Bayes)分类算法是一类利用概率统计知识进行分类的算法，这些算法主要利用Bayes定理来预测一个未知类别的样本属于各个类别的可能性，选择其中可能性最大的一个类别作为该样本的最终类别。

(6)k-近邻

k-近邻算法是一种基于实例的分类方法。该方法就是找出与未知样本x距离最近的k个训练样本，看这k个样本中多数属于哪一类，就把x归为那一类。

决策树算法将目标属性划分为有次序的层次结构，这种“非并行处理”使其在很多时候缺少灵活性。当前的神经网络仍普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。支持向量机算法通常只能解决“二选一”的分类问题。VSM法相对其他分类方法而言，更适合于专业文献的分类。贝叶斯分类算法分类准确性通常不高，因为贝叶斯定理的成立本身需要一个很强的条件独立性假设前提，而此假设在实际情况中经常不成立。k-近邻方法是一种懒惰学习方法，它存放样本，直到需要分类时才进行分类，如果样本集比较复杂，可能会导致很大的计算开销，因此无法应用到实时性很强的场合。

综上，目前已有的分类算法很多，各自都有分类效果较好的针对领域，但也都有各自的局限。目前对分类问题并没有统一而有效的方法和理论。发展新的、有独特特点的分类方法有助于分类理论的完善和发展。

发明内容

本发明提供了一种多信息融合分类及识别方法，将来自不同数据源的数据信息融合处理，构造融合分类器，实现将个别对象归入某一对象类的分类工作。

为实现上述目的，本发明所采用的技术方案是：

一种多信息融合分类及识别方法，其特征在于，该方法为一种基于多源信息的个别对象间相似性度量方法，步骤如下：

(1)设待分类或识别对象的可观测的特征参数为θ₁，...，θ_n，对各所述的特征参数分别做归一化处理，处理后的特征参数为归一化的方法包括：

①若θ_k的取值范围为[min，max]，

②若θ_k的取值范围为(-∞，+∞)，

③若θ_k的取值范围为[min，+∞)，

④若θk的取值范围为(-∞，max]，

min、max为常数，θ_k为第k个初始参数，为经归一化处理后的参数；