多类问题中的特征提取

对多类问题中的“基于平均马氏距离特征提取”、“基于马氏距离特征提取”、和“基于最小错误概率上界特征提取”方法进行了分析和比较。证实了“基于最小错误概率上界特征提取”是目前可以用迭代算法完成的最好的特征提取, 而“基于马氏距离特征提取”在错误概率上界上升很小的代价下,简化了计算量,也是一种可行的方法。文中使用实际科研项目“小字集手写体特征提取”中的数据进行实验,当特征数从4下降到2时,基于平均马氏距离特征提取的错误概率上界要比其它两种方法高10%左右。

Bayes分类误差逼近算法

本文提出在正态分布条件下面向不同分布多类问题的Bayes分类误差逼近算法.本算法是基于上界逼近的迭代算法.Bayes错误概率上界的描述通过对最小错误概率的积分域进行分割,对不同积分域采用统计不等式及Taylor展开等方法实现.构造的迭代算法搜索最佳的逼近参数,减小错误概率上界的近似误差,使得上界充分逼近真实的错误概率.该算法由三重迭代组成.通过分层搜索得到错误概率上界最小的参数组.通过分析和实例表明这一迭代算法使得上界型Bayes分类误差成为简便、实用的分析手段.