和红顺,韩德强,杨艺

(1.西安交通大学电子与信息工程学院,710049,西安;2.中国电子科技集团公司航天信息应用技术重点实验室,050004,石家庄;3.西安交通大学机械结构强度与振动国家重点实验室,710049,西安)

复杂环境或场景下,单一分类器的分类效果往往不够理想[1]。多分类器系统[2]是应对复杂环境下模式分类问题的有效方法,已被广泛应用于图像识别[3]、语音识别[3]、医疗诊断[4]等领域。

学者们基于多分类器系统的多个层面开展了研究。在成员分类器生成层面,已有研究方法主要有选用不同训练样本获得成员分类器[5]及基于不同的分类算法生成成员分类器[6]等。由多个相同的分类器构成的多分类器系统,其性能并不会优于单一成员分类器[7]。如果多个成员分类器所提供的信息是互补的、有差异的,则融合分类性能一定会优于单一最优分类器,采用具有一定互补性[8]的不同成员分类器是多分类器系统提升融合分类性能的关键。一些学者分析了如何生成和选择具备互补性的成员分类器[9-10]。在多分类器融合规则方面,对成员分类器的不同输出形式采用不同的融合方式,如投票法[11]、Bayes法[12]以及DS证据理论法[13]等。

成员分类器的生成是多分类器系统设计的基础。神经网络是一类常用的分类器,其中BP神经网络是一种简单有效的分类算法。然而,在分类训练过程中,训练样本中往往存在很难准确判断类别归属的数据,即这些样本在分类时存在不确定性。证据理论是一种表示和处理不确定性的有效的工具。……