[发明专利]一种基于类别置信度的一维距离像多分类器融合识别法

权利要求书

1.一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于，步骤如下：

第1步：对包含C种类别的训练样本集和测试样本y，提取其归一化幅度特征并进行平移对齐操作，得到平移对齐后的训练样本幅度特征集和测试样本幅度特征h_y；

第2步：根据K-最近邻准则，利用欧式距离测度得到测试样本y最近邻的K个训练样本x₁，x₂，...，x_K；

第3步：对K个最近邻训练样本，由多种分类器分别对其进行识别得到基于各分类器的邻域样本类别可靠性；

第4步：由各分类器下的邻域样本类别可靠性计算各分类器类别评估矩阵R^m，m＝1，2，…，M；

第5步：由分类器类别评估矩阵分别计算各分类器评估精度G^m，m＝1，2，…，M，对精度较差的分类器进行剔除，最终筛选出M₁个分类器进行目标类别置信度赋值；

第6步：计算目标各类别置信度W_c，c＝1，2，…，C，其最大值W_max所对应的类别即为测试样本最终判定类别归属；

第3步中，由分类器对邻域样本进行分类，得到在一分类器下各邻域样本的条件类别概率k＝1，2，…，K，其代表邻域中第k个样本其真实类别为ω_i，c(x_k)＝ω_i却被该分类器分到类别ω_j中的条件概率，在没有任何先验知识的前提下，假设P(c(x_k)＝ω_i)服从均匀分布，且设则从而得到在该分类器下各邻域样本的加权类别可靠性：

α_k代表距离权重，

τ为距离影响因子，d_k定义为：

其中代表所有邻域样本与测试样本y的最小距离。

2.根据权利要求1所述的一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于第2步中，对于测试样本y和任意训练样本其幅度特征h_y和的欧式距离为：

其中，分别表示幅度特征向量h_y和的第j个元素；将所有训练样本和测试样本的欧氏距离按大小排列，取其最小的K个训练样本为其最近邻域x₁，x₂，...，x_K，其幅度谱特征为h₁，h₂，...，h_K。

3.根据权利要求1所述的一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于第4步中，由所得到的各分类器下邻域样本类别可靠性求得其对应的测试样本类别评估矩阵R^m，m＝1，2，…，M，对于任一分类器其测试样本评估矩阵为：

其中R_ji代表矩阵中第j行i列的元素值；假设概率密度P(c(y)＝ω_l)，l＝1，2，…，C为均匀分布，则R_ji为：

由此得到各分类器类别评估矩阵R¹，R²，...，R^M。

4.根据权利要求1所述的一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于第5步中，由类别评估矩阵计算各分类器的类别评估精度G^m，m＝1，2，…，M：

i＝1，2，…，C为各分类器评估矩阵中的对角元素；求得各分类器评估精度，得到分类器评估精度最大值G_max，设立阈值ε，对与最大精度分类器评估精度相差大于ε的阈值进行剔除，最终选出M₁个符合要求的分类器进行类别置信度赋值。

5.根据权利要求1所述的一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于第6步中，由第m₁个分类器对测试样本y的分类结果知其类别概率分别为则该测试样本第c个类别的置信度为：

代表在分类器m₁下测试样本分为c类的概率；为各分类器评估矩阵中的对角元素；由此得到测试样本各类别的最终类别置信度，则类别置信度最大值所对应的类别标号即为测试样本最终类别归属。