李欢，王士同

(江南大学 数字媒体学院，江苏 无锡 214000)

传统模式识别主要针对测试模式为单观测样本的情况。然而，随着人工智能技术的飞速发展，数据采集工作变得越来越容易，人们常常可以获取某特定模式在不同时刻或不同条件下的多个观测样本。例如，日常生活中，可以用摄像头获取一个物体或一个人在不同时刻、不同光照条件下的图像数据，也可以借用多个摄像头从不同的角度获取图像数据。此外，即使是相同的观测数据，若用不同的方法进行数据转换，得到的特征值也不一样，这些就构成了同一模式的多观测样本。多观测样本相对于单观测样本能提供更多关于测试模式的信息，从而提高分类精度[1]。由此可以预见，多观测样本分类问题将得到国内外研究学者的广泛关注。

目前，多观测样本的分类方法主要有2类：一类是基于参数模型的方法。例如，文献[2]提出了基于概率密度的KLD(KL-divergence)，该方法把所有样本集看作是独立的，并且服从高斯分布，然后通过计算测试样本集和各个训练样本集间的KL散度来确定多观测样本的类别。但是此方法仅仅对那些服从单高斯分布的样本集比较适用，难以精确地描述数据呈非线性分布的情况。针对这一情况，O.Arandjelovic 等[3]提出了半参数混合高斯模型，并将其应用在KL散度的计算中，从而解决了非线性分布的多观测样本分类问题。然而，此方法的计算复杂度相对较大。F.Cardinaux 等[4]通过嵌入局部特征来扩展GMM(Gaussian mixture model)，在保证低复杂度的同时进一步提高了分类性能。……