36、图分类方法对比及模糊多级图嵌入改进研究

图分类方法对比及模糊多级图嵌入改进研究

在模式识别领域，图分类是一个重要的研究方向，而结构方法和嵌入方法是图分类的两种主要途径。下面将对这两种方法进行对比，并介绍一种改进的模糊多级图嵌入（FMGE）方法。

结构方法与嵌入方法对比

• 识别率表现 ：结构方法和基于图嵌入的新方法在识别率上处于同一范围。一些结构方法，如广义中位数图，分类率低于嵌入方法；但更先进的结构方法，如一阶随机图、函数描述图、二阶图和闭包图，即使使用更简单的 K - NN 分类算法，也能获得更高的识别率。与同样使用 K - NN 分类器的嵌入方法相比，结构方法的改进较为显著，且更先进的分类算法可能进一步提高识别率。
• 不同代表元对识别率的影响 ：在结构算法中，使用每个类别的不同代表元时，识别率通常会呈现下降趋势，这种趋势在闭包图中更为明显。因此，在这些数据集上，使用所有可用信息生成单个原型可能是更好的选择。虽然聚类方案可能有助于提高结果，但在特定数据集中，由于元素噪声均匀分布，随机选择算法与其他分组方案效果相当。
• 两种方法的优缺点
  • 嵌入方法 ：主要目标是将每个图编码为多维向量空间中的一个点，利用向量空间的经典分类机制处理图数据。向量嵌入后操作通常为多项式时间，但嵌入过程大多需要非多项式计算。其主要缺点是图的向量表示通常不完整，不能包含所有可用信息。
  • 结构方法 ：大多数结构方法需要非多项式或近似算法来计算两个图之间的距离，但存在较好的