具有合适拒识机制的高正确识别率分类器设计

针对目前一些正确识别率高的SVM(Support Vector Machines)分类器、超球SVM分类器、深度学习分类器在一些典型样本集上应用时仍然有2％左右的错误识别率和增量学习功能不强的问题,本文提出了一种具有合适拒识机制的高正确识别率分类器设计方案和相应的增量学习算法,较好地解决了上述问题.主要工作包括:同类特征集合的紧密包裹集构造算法;基于同类特征集合和紧密包裹集的同类特征区域紧密包裹面的求解算法;设置所有紧密包裹面之外的公共区域为分类器的拒识区域的方法;当增加新类别、增减训练样本时,以上算法的增量学习算法.用uci数据集做对比实验表明,在拒识率小于1.3％的情况下,本文方法设计的分类器正确识别率大于99.13％.