基于模式源的分类器设计方法与应用研究

多视角分类学习是利用模式多个层面的信息来提高分类器的性能。本项目针对传统多视角分类方法少有用于单源模式的问题，基于模式来源的形式（单源与多源）从理论分析、算法设计及应用三个层面开展对多视角分类学习方法的研究。首先，实现对单源模式的多视角化，继而对分类器作出单视角与多视角的划分理念，从理论上提出基于不同模式源和不同视角型的分类学习框架。其次，在单源模式多视角化的过程中设计出如下三种新型的多视角分类学习算法：①利用核函数设计的面向单源模式的多视角分类算法；②利用同一模式的不同矩阵化表示设计的多视角分类算法；③基于正则化设计的多视角分类算法。并再将上述新算法应用至多源模式，实现一种新型的多源模式+多视角分类器学习模型。第三，给出能指导如何选取视角属性组、使它们能提高分类性能的方法。最后，将诸方法应用于人脸图像识别。本项目力图为分类学习理论及算法提供新的设计理念。

多视角分类学习是利用模式多个层面的信息来提高分类器的性能。本项目针对传统多视角分类方法少有用于单源模式的问题，基于模式来源的形式从理论分析、算法设计及应用三个层面开展对多视角分类学习方法的研究，主要取得了如下成果：构建了一类通过非线性经验核映射方式将单源模式多视角化的分类学习算法，实现了单源模式＋多视角分类器学习模型框架；提出将随机投影理论与多视角学习相结合的思想理念，设计了一种利用随机理论、基于显式核映射的多视角分类学习算法；提出了将本地化控制函数引入到核分类器设计中，构建一个能结合样本局部信息的多核学习模型；提出了一种新的基于Nyström近似核的多视角分类学习算法；从模式表示形式出发，即从模式向量表示衍生出多种矩阵表示出发，基于原始单源模式的多种矩阵表示而设计出一系列多视角分类算法；构建一种基于经验核映射的正则化型多视角学习模型；提出了一种能充分结合三层结构信息的分类器学习算法；剖析了多源模式各个视角间的关系对分类器推广性能的影响，提出了能指导如何选取各个视角并提高分类性能的方法；提出了一系列代价敏感与多视角学习相结合的分类器算法。此外我们开展了如下的扩展性研究：提出一种新的能有效直接处理多类分类问题的支持向量机；设计出一系列能有效提高分类性能的单类学习算法；扩展研究了面向样本不同表示的正则化型分类器设计工作；提出了一种非线性下的集成型矩阵分类器算法。