电子学报 ›› 2021, Vol. 49 ›› Issue (8): 1569-1576.DOI: 10.12263/DZXB.20190518

• 学术论文 • 上一篇    下一篇

具有合适拒识机制的高正确识别率分类器设计

杨国为1,2, 万鸣华2,3, 赖志辉3, 张凡龙2, 黄伟强4   

  1. 1.青岛大学电子信息学院,山东 青岛 266071
    2.南京审计大学信息工程学院,江苏 南京 211815
    3.深圳大学计算机与软件学院,广东 深圳 518060
    4.香港理工大学,香港九龙 999077
  • 收稿日期:2019-05-13 修回日期:2020-11-19 出版日期:2021-08-25 发布日期:2021-08-25
  • 作者简介:杨国为 男,1964年2月生,江西樟树人.教授、博士生导师、中国人工智能学会理事、中国电子学会高级会员. 1985年、1988年和2004年分别在江西师范大学、北京科技大学获理学学士、硕士和工学博士学位.现为青岛大学信号与信息处理研究所所长,主要从事模式识别、智能信息处理、智能控制等方面的研究工作. E-mail:ygw_ustb@163.com
    万鸣华 男,1978年3月生,江西南昌人.校聘教授、硕士生导师、中国计算机学会高级会员. 2003年、2007年和2011年分别在南昌航空大学、南京理工大学获工学学士、工学硕士和工学博士学位.现为南京审计大学软件工程系教师,主要从事模式识别、机器学习和特征提取等方面的研究工作. E-mail:wmh36@nau.edu.cn
    赖志辉 男,1979年6月生.博士、教授、博士生导师. 2002年在华南师范大学获学士学位,2007年在暨南大学获硕士学位,2011年在南京理工大学获博士学位. 2015年入选深圳市海外高层次人才“孔雀计划”,现任国际SCI期刊International Journal of Machine Learning and Cybernetics的编委.主要从事图像处理与模式识别、深度学习与大数据哈希学习等方面的研究工作.
    张凡龙 男,1985年9月生,山东泰安人. 2007年、2010年在聊城大学获理学学士、硕士学位,2015年在南京理工大学获工学博士学位.现为南京审计大学信息工程学院副教授、硕士生导师,主要从事图像处理、压缩感知和特征提取等方面的研究工作.
  • 基金资助:
    国家重点研发计划(2017YFC080-4000);国家自然科学基金面上项目(6177227);江苏省自然科学基金(BK20171494);江苏省高校自然科学重点项目(18KJA520005)

High Correct Recognition Rate Classifier Design with Appropriate Rejection Mechanism

Guo-wei YANG1,2, Ming-hua WAN2,3, Zhi-hui LAI3, Fan-long ZHANG2, Wai-keung WONG4   

  1. 1.School of Electronic Information,Qingdao University,Qingdao,Shandong 266071,China
    2.School of Information Engineering,Nanjing Audit University,Nanjing,Jiangsu 211815,China
    3.School of Computer Science and Software Engineering,Shenzhen University,Shenzhen,Guangdong 518060,China
    4.Hong Kong Polytechnic University,Kowloon,Hong Kong 999077,China
  • Received:2019-05-13 Revised:2020-11-19 Online:2021-08-25 Published:2021-08-25

摘要:

针对目前一些正确识别率高的SVM(Support Vector Machines)分类器、超球SVM分类器、深度学习分类器在一些典型样本集上应用时仍然有2%左右的错误识别率和增量学习功能不强的问题,本文提出了一种具有合适拒识机制的高正确识别率分类器设计方案和相应的增量学习算法,较好地解决了上述问题.主要工作包括:同类特征集合的紧密包裹集构造算法;基于同类特征集合和紧密包裹集的同类特征区域紧密包裹面的求解算法;设置所有紧密包裹面之外的公共区域为分类器的拒识区域的方法;当增加新类别、增减训练样本时,以上算法的增量学习算法.用uci数据集做对比实验表明,在拒识率小于1.3%的情况下,本文方法设计的分类器正确识别率大于99.13%.

关键词: 分类器, 模式识别, 支持向量机, 增量学习, 分类面, 包裹学习

Abstract:

At present, some SVM(Support Vector Machines) classifiers, hypersphere SVM classifier and deep learning classifier with high correct recognition rate still have about 2% false recognition rate and weak incremental learning function. In this paper, a high correct recognition rate classifier designed with appropriate rejection mechanism and incremental learning algorithm is proposed to solve the above problems. The main work include: the construction algorithm of compact packing set of homogeneous feature set; the algorithm for solving the compact packing surface of homogeneous feature region based on homogeneous feature set and compact packing set; the method of setting all the public areas outside the compact packing surface as the rejection area of the classifier; when adding new categories, increasing or decreasing training samples, the above algorithms are incremental learning algorithms. A comparison experiment with uci data sets shows that the correct recognition rate of the classifier is greater than 99.13%, when the rejection rate is less than 1.3%.

Key words: classifier, pattern recognition, support vector machine, incremental learning, classification surface, wrapping learning

中图分类号: