[发明专利]一种分类器及其设计方法和增量学习方法

权利要求书

1.一种分类器设计方法,其特征在于，包括：

构造同类特征集合的紧密包裹集，其包括优化致密性参数，以及构造所述紧密包裹集；

求解同类特征区域紧密包裹曲面，其包括求解分类决策函数和分类决策曲面；

设置分类器的拒识机制，其包括求出每类样本对应的判别函数和分类决策紧密包裹曲面，然后将所述紧密包裹曲面之外的公共区域设置为分类器的拒识区域。

2.根据权利要求1所述的方法，从同类特征区域采集同类特征点集合C,C有M个点，用X₁,X₂,…,X_M表示，其特征在于，所述致密性参数优化方法包括：

计算X_j的第一近邻

计算X_j的第二近邻

......

计算X_j的第N+1近邻

计算X_j与近邻的最大距离：

计算ε的次优估计：其中，ε为致密性参数，N为特征空间维度。

3.根据权利要求2所述的方法，其特征在于，所述紧密包裹集的构造步骤为：

构造M个点的超球邻域判别函数：

由每一个X_j＝(x_j1,…,x_ji,…,x_jN),1≤j≤M派生出2N个点(x_j1,…,x_ji±ε,…,x_jN),1≤i≤N；

检测所有派生点(x_j1,…,x_ji±ε,…,x_jN),1≤i≤N，1≤j≤M是否在Π(X_j)，1≤j≤M中，把不在任何一个超球邻域Π(X_j)，1≤j≤M内的所述派生点集合起来就得—ε紧密包裹集I(C)。

4.根据权利要求1所述的方法，其特征在于，同类特征区域紧密包裹曲面求解过程包括：

把特征空间变换至更高的维度并建立优化模型；

引入拉格朗日函数对优化模型进行求解；

用二次优化问题求解方法求解对偶问题；

求解分类决策函数和分类决策曲面。

5.根据权利要求1所述的方法，其特征在于，在优化所述致密性参数之后设置分类器的拒识机制，在用所述判别函数进行分类处理时，采用优先级分类或近邻方法分类，以防止将同一点分类到不同类中。

6.一种增量学习方法，用于分类器设计过程，其特征在于，所述增量学习方法采用如权利要求1所述的分类器设计方法，所述增量学习方法包括：

求解样本集的紧密包裹集；

求解所述样本集的分类决策函数和分类决策紧密包裹曲面；

根据分类器的拒识机制调整拒识区域。

7.根据权利要求6所述的方法，其特征在于，所述样本集包括增加的新类别样本的集合，此时保留之前的计算结果，对新类别样本集执行增量学习过程。

8.根据权利要求6所述的方法，其特征在于，所述样本集还包括增加训练样本时错分和拒识样本所对应类别的集合，此时没有错分和拒识样本所对应类别集合的计算结果保留。

9.根据权利要求6所述的方法，其特征在于，所述样本集还包括减去的错分样本所对应类别的集合，此时剩余类别集合的计算结果保留。

10.一种分类器，其特征在于，所述分类器包括：

存储器，用于存储程序；

处理器，用于通过执行所述存储器存储的程序以实现如权利要求1-9中任一项所述的方法。

11.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-9中任一项所述的方法。