局部核分類器及其在脈象分類中的應(yīng)用.pdf

1、局部學(xué)習(xí)方法理論上具有較小的泛化誤差，近年來在機器學(xué)習(xí)領(lǐng)域受到了一定關(guān)注。與全局學(xué)習(xí)方法相比，局部學(xué)習(xí)方法更加注重樣本的局部分布，并且通過合理的選擇局部參數(shù)達(dá)到比較好的分類效果。本文重點研究一種最新的支持向量機方法，即局部核分類器（FaLK-SVM）方法。它是一種有效的局部核學(xué)習(xí)方法。在訓(xùn)練階段，它采用覆蓋樹算法尋找k’-近鄰，用貪心算法進行中心集合覆蓋，并進而訓(xùn)練以這些中心k-近鄰為局部問題的模型；在預(yù)測階段，對于給定的一個未知樣本點

2、，用覆蓋樹檢索它的最近鄰，并用最近鄰的局部模型來預(yù)測未知樣本的類別。然而，如何選擇適當(dāng)?shù)囊粋€局部分類器仍然比較困難，并且因為采用貪心算法進行k’-近鄰中心集合覆蓋，因此，離未知樣本點最近的那個訓(xùn)練樣本點有可能在多個的局部模型內(nèi)。為此，我們基于局部核分類器方法，提出了使用多個局部模型聯(lián)合預(yù)測某一未知樣本點的自適應(yīng)加權(quán)融合方法（FaLK-SVMa），該方法用該訓(xùn)練樣本點所在的所有的局部模型聯(lián)合預(yù)測未知樣本點，使得該分類方法更加穩(wěn)定。另外我們

3、還提出了兩種權(quán)重計算策略，使得離未知樣本點最近的訓(xùn)練樣本點所在的每個局部模型對最終的預(yù)測結(jié)果都有一個貢獻分量。這些都使得預(yù)測結(jié)果更加合理，而且更加穩(wěn)定。
　　我們把改進后的局部核分類器方法，即自適應(yīng)加權(quán)融合方法應(yīng)用在兩類問題和多類問題的UCI數(shù)據(jù)集上，其中，兩類問題包括14個較小數(shù)據(jù)集和3個大的數(shù)據(jù)集；多類問題包括3個多類數(shù)據(jù)集。從實驗結(jié)果可以看出，這種加權(quán)融合方法整體上不僅性能上預(yù)測精度較局部核分類器方法更高，而且訓(xùn)練階段的時間

4、復(fù)雜度還沒有任何的增長。因此，可以看到我們提出的這種融合方法的優(yōu)勢所在。
　　我們進一步將上述我們提出的自適應(yīng)加權(quán)融合方法應(yīng)用到脈象分類研究中，研究了基于局部核分類器的中醫(yī)脈形分類問題。我們對從二一一醫(yī)院采集的脈象樣本進行預(yù)處理和提取單周期脈形特征，然后我們把這種自適應(yīng)加權(quán)融合方法應(yīng)用在整理后的中醫(yī)脈形數(shù)據(jù)的兩類脈象分類問題和多類脈象分類問題上，做了大量實驗對比了幾種方法，并深入的分析了相關(guān)的局部參數(shù)對這幾種分類方法產(chǎn)生的影響。實