基于统计学习理论的信息融合方法研究

摘要

一般认为,信息融合就是把来自于多个信息源的目标信息合并归纳为一个具有统一表示形式输出的处理过程,基本方法是利用多个信源在时间或空间上的冗余性和互补性对这些信息进行综合处理,以获得对被测对象具有一致性的解释和描述,使得该信息系统获得比它的各个组成部分更优越的性能.然而,实际系统所处的环境往往是复杂的和不确定的,这些不确定的因素主要有:(1)传感器测量的不精确性;(2)传感器测量的不充分性;(3)目标信息处理的不确定性;(4)环境对传感器测量的干扰. 统计学习理论是由 Vladimir N．VaPnik等人提出来的关于有限样本条件下机器学习问题的理论。本文将该理论引入到信息融合的研究中，提出了一种基于SVM理论的信息融合模型，探讨了融合算法的样本容量问题，并针对人脸识别问题（这是一个典型的小样本、高维模式识别问题），分别用最小距离分类器、最近邻距离分类器、最大相关分类器和径向基函数网络分类器基于上述融合模型设计了多特征多分类器融合算法对ORL人脸图像库作融合识别实验，取得了较高的整体识别性能（如可靠性，识别率等）。