基于樹(shù)結(jié)構(gòu)模型的多類(lèi)識(shí)別算法研究.pdf

1、當(dāng)今很多領(lǐng)域都涉及多類(lèi)模式的識(shí)別問(wèn)題，多類(lèi)模式的識(shí)別具有廣泛的應(yīng)用性，同時(shí)也是一個(gè)難點(diǎn)。本文意在提出一種比較通用的多類(lèi)識(shí)別算法。視頻中的運(yùn)動(dòng)物體識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)重要的研究方向，細(xì)胞分裂的狀態(tài)(階段)識(shí)別在醫(yī)學(xué)生物等領(lǐng)域有著非常重要的意義。從解決這兩個(gè)典型的多類(lèi)識(shí)別問(wèn)題入手，在總結(jié)和分析了國(guó)內(nèi)外相關(guān)研究工作的基礎(chǔ)上，本文改進(jìn)決策樹(shù)算法，通過(guò)SVM算法和AdaBoost算法學(xué)習(xí)分類(lèi)器，提出一種基于特征(分類(lèi)器)選擇策略構(gòu)建樹(shù)結(jié)構(gòu)模型

2、的分類(lèi)方法。 我們?cè)跊Q策樹(shù)算法中融入SVM算法和AdaBoost算法，通過(guò)這兩種算法學(xué)習(xí)分類(lèi)器，目的是提高單個(gè)分類(lèi)器的性能。對(duì)于運(yùn)動(dòng)物體識(shí)別，將特征分為兩大類(lèi)：數(shù)值特征和描述性特征。低維數(shù)值特征通過(guò)AdaBoost算法訓(xùn)練分類(lèi)器，高維描述性特征采用SVM算法訓(xùn)練分類(lèi)器。對(duì)于細(xì)胞狀態(tài)識(shí)別，提取細(xì)胞各個(gè)階段特征通過(guò)SVM算法訓(xùn)練分類(lèi)器，分別得到一組分類(lèi)器集合。 樹(shù)結(jié)構(gòu)模型的構(gòu)建在于樹(shù)結(jié)點(diǎn)處樣本分割方法的選擇，本文提出通過(guò)特征

3、選擇策略構(gòu)建樹(shù)結(jié)構(gòu)模型。我們引入先驗(yàn)知識(shí)，在當(dāng)前節(jié)點(diǎn)通過(guò)將樣本分布情況和分類(lèi)器性能綜合考慮測(cè)試所有分類(lèi)器的重要性指標(biāo)，特征選擇策略是基于所有分類(lèi)器的重要性排序選擇一個(gè)最佳的分類(lèi)器。本文是依次對(duì)當(dāng)前節(jié)點(diǎn)通過(guò)特征選擇對(duì)樣本進(jìn)行分割來(lái)逐步擴(kuò)展樹(shù)結(jié)構(gòu)。樹(shù)結(jié)點(diǎn)的分類(lèi)器都近似看作二類(lèi)分類(lèi)器，本文就是用構(gòu)建的樹(shù)結(jié)構(gòu)模型通過(guò)多層分解的策略將多類(lèi)分類(lèi)問(wèn)題轉(zhuǎn)化為多個(gè)二類(lèi)分類(lèi)問(wèn)題。 本文中樹(shù)結(jié)構(gòu)模型是基于特征選擇構(gòu)建，與手動(dòng)設(shè)計(jì)的模型相比樹(shù)結(jié)構(gòu)模型具