Ein Designs für ein composites Klassifikationssystem: Konzepte und Methodik

Diese Studie untersucht die Möglichkeiten, die Leistung von Erkennungssystemen durch den Einsatz eines composites Klassifikationssystems zu verbessern, das aus zwei oder mehr Komponentenklassifikatoren besteht, die verschiedenen Kategorien angehören. Die Anwendungsbereiche dieser einzelnen Komponenten (Klassifikatoren) werden durch eine optimale Partitionierung des Problemraums bestimmt. Das Kriterium für eine solche optimale Partitionierung wird in jedem Fall durch die Eigenschaften der Klassifikatoren-Komponenten bestimmt. Ein Beispiel zur Partitionierung des Merkmalsraums für den optimalen Einsatz eines composites Systems, das aus den Komponenten linearen und k- nächsten Nachbarn (NN) Klassifikatoren besteht, wird vorgestellt, um die Konzepte, die zugehörige Methodik und die möglichen Vorteile, die man durch ein solches Design eines composites Klassifikationssystems erwarten könnte, zu veranschaulichen. Hier wird die Optimalität der Partitionierung durch die lineare Klassentrennbarkeitsbeschränkung des linearen Klassifikators und die rechnerischen Anforderungen des NN-Klassifikators diktiert. Dementsprechend wird das Kriterium für die optimale Partitionierung des Merkmalsraums auf die Minimierung des Anwendungsbereichs des NN-Klassifikators festgelegt, unter der Bedingung, dass der lineare Klassifikator nur in Regionen eingesetzt werden darf, die die zugrunde liegende Annahme der linearen Trennbarkeit der Klassen erfüllen. Während viele Alternativen für die Lösung des resultierenden eingeschränkten Optimierungsproblems verfügbar sind, wurde hier eine spezifische Technik - Sequential Weight Increasing Factor Technique (SWIFT) - der Einfachheit halber verwendet, im Hinblick auf frühere erfolgreiche Erfahrungen mit dieser Technik in anderen Anwendungsbereichen. Numerische Ergebnisse, die anhand des bekannten IRIS-Datensatzes abgeleitet wurden, werden bereitgestellt, um die Wirksamkeit der neuen Konzepte und Methodik zu demonstrieren.