1、隨著模式識別技術中遇到的實際問題的復雜化，單獨分類器的性能已經難以滿足許多實際應用的要求，分類器組合技術成為提高模式識別系統性能的一種新的重要手段。 分類器組合技術研究對于人機交互技術的發(fā)展具有重大意義?，F代人機交互技術已經發(fā)展到多模態(tài)人機交互階段，其中一個重要的課題是多模態(tài)識別。而分類器組合是解決多模態(tài)識別問題的一項關鍵技術。本文結合人機交互中的多模態(tài)識別問題，對四種分類器組合問題進行研究：（1）模式類別數量較多的分類器組合問

2、題（類別數大于15）；（2）模式類別數量較少的分類器組合問題（類別數在3～15之間）；（3）兩類分類器組合問題；（4）基于局部分類精度的分類器組合問題。 本文針對以上四類問題的特點提出了一些性能較高的分類器組合方法，主要研究成果如下： 1．針對模式類數量較多的分類器組合問題，提出了一類新的排序層分類器融合方法——序號變換法。這類方法將對基本分類器輸出的模式類別排序號進行的變換與分類器的加權組合結合起來，從而在融合過程中能

3、夠增強小序號值對最終分類的影響。大量實驗表明，序號變換法在分類正確率方面超過現有的排序層分類器融合方法0．1～1．0個百分點。 2．針對模式類數量較少的分類器組合問題，提出了一種新的度量層分類器融合方法：多決策模板法（MDT，Multiple Decision Templates）。其決策模板產生方法使得每個決策模板能夠抑制一種容易發(fā)生的分類錯誤，從而增加少量決策模板就能夠有效地提高分類正確率。在ELENA數據集與UCI數據集上

4、的實驗結果表明：與投票法、樸素貝葉斯法、線性融合規(guī)則及模板匹配法取得的最高分類正確率相比，該方法將分類正確率提高了0．4～0．9個百分點。與k-近鄰規(guī)則相比，當訓練樣本較多時，二者的分類正確率相當，而MDT方法的計算量較??；當訓練樣本較少時，MDT方法能夠取得較高的分類正確率。 3．針對兩類分類器組合問題，提出了一種新的度量層分類器融合方法：基于類邊界的分類器融合方法（CBCF， Class Boundary based Cla

5、ssifier Fusion）。該方法利用所研究問題在Meta層特征空間上的特點，直接從訓練樣本中提取類邊界，然后基于邊界點定義局部線性融合規(guī)則。在Phoneme數據集與Ringnorm數據集上的實驗結果表明：與投票法、樸素貝葉斯法、模板匹配法及線性融合規(guī)則取得的最高分類正確率相比，CBCF方法將分類正確率提高了0．7～1．5個百分點；與k-近鄰規(guī)則相比，二者的分類正確率很接近，而CBCF方法的計算量為k-近鄰規(guī)則計算量的1/50～1/

6、20。 4．針對基于局部分類精度的分類器組合問題，提出了一種根據局部分類精度估計分類置信度的方法，從而在解決該類問題時可以采用分類器融合方法代替?zhèn)鹘y的動態(tài)分類器選擇方法，提高分類正確率?；诰植糠诸惥鹊玫椒诸愔眯哦纫院?，動態(tài)分類器選擇等價于度量層分類器融合方法中的Max規(guī)則，從而采用性能更好的分類器融合方法能夠提高分類正確率。ELENA數據集、UCI數據集與Ringnorm數據集上的大量實驗結果表明該方法將分類正確率提高了0．

7、2～13．6個百分點。 5．基于新的分類器組合方法設計了多模態(tài)身份識別系統與多模態(tài)身份認證系統。身份識別屬于模式類數量較多的問題，所以在多模態(tài)身份識別系統中采用了序號變換法。身份認證可以作為兩類問題處理，所以在多模態(tài)身份認證系統中采用了CBCF方法。實驗表明本文方法顯著提高了系統性能，使身份識別系統的正確識別率從94％（基本分類器正確識別率的最大值）提高到99．71％，身份認證系統的半錯誤率（HTER，Half Total Er