高維仿生信息幾何學(xué)研究及其在模式識(shí)別中的應(yīng)用.pdf

1、模式識(shí)別成為國內(nèi)外人工智能研究的熱點(diǎn)問題之一。由于樣本的高維數(shù)據(jù)集呈現(xiàn)低維幾何流形分布的特性，使得傳統(tǒng)模式識(shí)別方法在很多問題上遇到了瓶頸。如何認(rèn)識(shí)和利用高維數(shù)據(jù)的內(nèi)部幾何分布特性，探索人類對事物認(rèn)識(shí)的方式是解決模式識(shí)別問題的新方向。高維仿生信息幾何學(xué)正是從幾何學(xué)的角度來認(rèn)識(shí)和分析數(shù)據(jù)分布，試圖通過模擬人類形象思維來解決模式識(shí)別中的實(shí)際問題。
　　 我們從高維仿生信息幾何學(xué)在模式識(shí)別的應(yīng)用中發(fā)現(xiàn)以下問題:首先，如何對高維數(shù)據(jù)集進(jìn)行

2、合理的覆蓋，也就是怎樣提取高維數(shù)據(jù)集的“核”來構(gòu)造覆蓋區(qū)域;其次，在樣本數(shù)量比較大的情況下，怎樣提高識(shí)別效率？怎樣構(gòu)造半監(jiān)督分類器？等等。
　　 針對以上一些問題，本文試圖將高維仿生信息學(xué)理論和流形學(xué)習(xí)、機(jī)器學(xué)習(xí)等方法結(jié)合起來找到答案，本文研究工作主要包括以下幾方面:
　　 研究了傳統(tǒng)仿生模式識(shí)別的超香腸神經(jīng)元模型和網(wǎng)絡(luò)學(xué)習(xí)算法，針對其不足提出了多自由度神經(jīng)元模型和網(wǎng)絡(luò)學(xué)習(xí)算法，通過人臉識(shí)別實(shí)驗(yàn)比較了兩種神經(jīng)元模型的優(yōu)劣

3、，與SVM算法的比較證明了仿生模式識(shí)別的覆蓋型神經(jīng)元識(shí)別算法在“小樣本”數(shù)據(jù)庫的識(shí)別問題上更具優(yōu)勢。
　　 針對鄰近樣本點(diǎn)誤識(shí)問題，提出了核鄰近點(diǎn)Fisher判別分析，這一算法的目的在于使最近的異類數(shù)據(jù)點(diǎn)和最遠(yuǎn)的同類樣本點(diǎn)在投影子空間的距離盡量擴(kuò)大，從而減少誤識(shí)率，并通過人臉識(shí)別實(shí)驗(yàn)驗(yàn)證了算法的有效性。
　　 針對傳統(tǒng)的仿生模式識(shí)別算法的不足之處，結(jié)合流形學(xué)習(xí)的理論提出了基于流形距離的仿生識(shí)別算法（主要包括基于局部PCA

4、主流形的求取和切距離的求取兩部分），并通過實(shí)驗(yàn)證明了基于流形距離的仿生識(shí)別算法比傳統(tǒng)仿生模式識(shí)別算法更適合“大樣本”數(shù)據(jù)庫的識(shí)別問題。傳統(tǒng)仿生模式識(shí)別方法是通過單純形神經(jīng)元覆蓋來逼近樣本的分布流形，而基于流形距離的仿生識(shí)別算法是通過將數(shù)據(jù)集投影“主流形”上來尋找樣本的分布流形，是解決同一個(gè)問題的兩種方法。因?yàn)槎夹枰A(yù)知樣本的類別，它們都屬于有監(jiān)督的模式識(shí)別方法。
　　 另外我們還研究一種無監(jiān)督的聚類算法?；诟呔S仿生信息幾何學(xué)的