【模式识别与机器学习】——3.2广义线性判别函数

 

　　线性判别函数简单，容易实现； 非线性判别函数复杂，不容易实现； 若能将非线性判别函数转换为线性判别函数，则有利于模式分类的实现。

基本思想

　　设有一个训练用的模式集{x}，在模式空间x中线性不可分，但在模式空间x*中线性可分，其中x*的各个分量是x的单值实函数，x*的维数k高于x的维数n，即若取  x* = (f1(x), f2(x), …., fk(x)), k>n　则分类界面在x*中是线性的，在x中是非线性的，此时只要将模式x进行非线性变换，使之变换后得到维数更高的模式x*，就可以用线性判别函数来进行分类。

广义线性判别函数的描述

一个非线性判别函数可如下表示：

 

其中{f_i(x), i = 1,2,…,k}是模式x的单值实函数。若定义成广义形式：

x* = (f₁(x), f₂(x), …, f_k(x), 1)^T

此时有：

d(x*) = w^Tx*，其中w = (w₁, w₂, …, w_k, w_k+1)^T

该式表明，非线性判别函数已被变换成广义线性，因此只讨论线性判别函数不会失去一般性意义。

 线性判别函数

（1）取f_i(x)为一次函数

例如x_i，则变换后的模式x*=x，x*的维数k为x的维数n，此时广义线性化后的判别式仍为：d(x) = w^Tx + w_n+1

（2）f_i(x)选用二次多项式函数

1.x是二维的情况，即x =(x₁ x₂)^T。若原判别函数为：

 

要线性化为d(x*) = w^Tx*，须定义：

 

此时，只要把模式空间x*中的分量定义成x的单值实函数，x*即变成线性可分。此时x*的维数（这里为6）大于x的维数（这里为2）。

2.x是n维的情况，此时原判别函数设为：

式中各项的组成应包含x的各个分量的二次项、一次项和常数项，其中平方项n个，二次项n(n-1)/2个，一次项n个，常数项一个

其总项数为：n + n(n-1)/2 + n + 1 = (n+1)(n+2)/2 > n

显然，对于d(x*) = w^Tx*，x*的维数大于x的维数，w分量的数目也与x*的维数相应。x*的各分量的一般化形式为：

 

（3）f_i(x)选用r次多项式函数， x是n维的情况

1.定义描述

【例如】

2.总项数讨论

【说明】

　　d(x)的项数随r和n的增加会迅速增大，即使原来模式x的维数不高，若采用次数r较高的多项式来变换，也会使变换后的模式x*的维数很高，给分类带来很大困难。

　　 实际情况可只取r=2，或只选多项式的一部分，例如r=2时只取二次项，略去一次项，以减少x*的维数。

（4） 广义线性判别实例