基于决策树混合滤波‑封装的多特征融合方法技术

本发明专利技术涉及信息融合的特征融合领域，为提出一种新的基于决策树的混合滤波‑封装(Filter‑Wrapper)特征融合方法，提高精度的同时还降低计算复杂度。为此，本发明专利技术采用的技术方案是，基于决策树混合滤波‑封装的多特征融合方法，步骤如下：1)构建决策树；2)基于提出的最大可分类标准得分MCC(Maximal Classifi able Criterion)进行最大值局部最优特征选择；3)根据MCC评分进行特征向量的排序；4)全局最优特征选择。本发明专利技术主要应用于信息融合的特征融合场合。

Method of multi feature fusion hybrid filter package based on decision tree

The present invention relates to the characteristics of information fusion for the field, the paper presents a new hybrid filter package based on decision tree (Filter Wrapper) feature fusion method, improve the accuracy and reduce the computational complexity. Therefore, the technical proposal of the invention is, step method, multi feature fusion hybrid filter package based on decision tree is as follows: 1) the construction of decision tree; 2) the maximum classification score based on MCC (Maximal Classifi able Criterion) for maximum selection of local optimal features; 3) according to MCC the scores of feature ranking; 4) to select the global optimal characteristics. The characteristics of the invention is mainly applied to information fusion.

【技术实现步骤摘要】
基于决策树混合滤波-封装的多特征融合方法
本专利技术涉及信息融合的特征融合领域，尤其涉及一种利用决策树(DecisionTree,简称DT)的混合滤波-封装(Filter-Wrapper)方法用于多特征融合，具体讲,涉及基于决策树混合滤波-封装的多特征融合识别方法。该方法可以被广泛用于基于多特征的模式识别应用，比如人脸识别。
技术介绍
信息融合在图像/视频检索或模式识别系统方面有着很大的应用前景。多模态融合策略主要包括特征融合、匹配分数融合、和决策融合三种方式。与匹配分数融合和决策融合相比，特征融合在特征提取与模式识别方面具有明显的优势。从相同的图像或从不同的图像提取多个特征向量，并将他们整合到一起，这不仅增强特征的判别特性，也消除了冗余。现有的特征融合方法可以分为两类：串行特征融合和并行特征融合。串行融合将多个特征向量按照前后顺序排列成一个新的特征向量，一般用于处理高维特征向量。最近有几种串行融合的方法被提出，例如，典型相关分析(CanonicalCorrelationAnalysis，简称CCA)，本方法用于在特征子空间能够保持原始特征相关性关系的视听特征融合。然而，本方法只适用本文档来自技高网...

【技术保护点】
一种基于决策树混合滤波‑封装的多特征融合方法，其特征是，步骤如下：1)构建决策树；2)基于提出的最大可分类标准得分MCC(Maximal Classifiable Criterion)进行最大值局部最优特征选择；3)根据MCC评分进行特征向量的排序；4)全局最优特征选择。

【技术特征摘要】
1.一种基于决策树混合滤波-封装的多特征融合方法，其特征是，步骤如下：1)构建决策树；2)基于提出的最大可分类标准得分MCC(MaximalClassifiableCriterion)进行最大值局部最优特征选择；3)根据MCC评分进行特征向量的排序；4)全局最优特征选择。2.如权利要求1所述的基于决策树混合滤波-封装的多特征融合方法，其特征是，构建决策树具体步骤：在使用主成分分析PCA(PrincipleComponentAnalysis)和线性判别分析LDA(LinearDiscriminantAnalysis)进行特征提取后进行决策树的构建，PCA用于降维，LDA用于在低维空间产生特征向量；具体地，对于n类问题，类内和类间分散矩阵Sw、Sb通过如下方法计算：其中Pr(Ci)是先验概率，mi表示第i类样本的均值向量，m0表示所有样本的均值向量，决策树的高度等于原始特征集的维度N，对于有n个不同的特征集合的模式系统，每个第j级的树节点具有n+2(Cn2+Cn3+...+CnN)个子节点，包括在第(j+1)维的n个原始子特征、Cn2+Cn3+...+CnN个这些子特征的串行融合，和Cn2+Cn3+...+CnN个这些子特征的并行融合，同一级上的树节点具有相同数目的子节点；串行融合按照前后顺序连接所有相同维度的原始子特征来生成新特征，并行融合通常利用加权线性组合来生成新的子特征，如公式(3)所示。V＝w1X1+w2X2+...+wnXn(3)其中，Xi表示第i个原始特征集，wi表示其权重被定义如下：其中，w(i,j)是第i个特征集的第j维度的子特征权重，Trace(i,j)是从子特征计算出来的(...

【专利技术属性】
技术研发人员：张翠翠，刘志磊，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12