5、模式生成与识别及XCSF后代集大小研究

模式生成与识别及XCSF后代集大小研究

在模式识别和机器学习领域，有两个重要的研究方向值得探讨。一是模式生成器和识别器的协同进化框架，二是XCSF分类器系统中后代集大小对学习效果的影响。

模式生成与识别的协同进化框架

要从同一个程序实现不同的变换并不困难。一种方法是在函数集中加入“开关”函数Sw。Sw有两个输入，在评估时会根据一个随机变量的设置，将其中一个输入传递到输出（这个随机变量在处理新图像时设置，直到处理下一张图像才会重置）。该随机变量是随机二进制变量向量的一个组成部分，程序中每个特定的Sw实例都对应一个变量。评估时，会对随机向量重新采样，其分量值将定义程序树中的一条特定路径。不同路径的数量为2的Sw实例数量次方，这也等于程序能创建的不同输入图像变体的数量。若这个数量过小，就需要其他产生变化的技术。

生成变换程序可直接被S用于从原型A和B生成变体。F和E也会使用这类程序，但不会单独使用。在当前方法中，识别是生成的逆过程：它接收一幅图像，尝试将其转换回原型。由于识别器不知道接收到的图像的身份，它如何知道该应用哪些变换呢？

建议识别程序采用“匹兹堡”分类器系统，其中每个分类器都有一个条件部分用于与输入匹配，以及一个动作部分，该动作部分是S使用的那种变换程序（但不包含Sw）。最简单的情况下，分类器条件是一个类似图像的实数数组，用于与输入图像匹配；然后将匹配度最高的分类器的变换程序应用于该图像。生成的输出将由F与原型A和B进行匹配，并选择匹配度更好的字符。如前文所述，E会将输出图像的平均值与一个阈值进行比较。识别可能需要多个匹配 - 变换步骤；这些步骤可以按一定数量链接起来，或者直到做出足够明确的A/B决策（或与阈值有足够大的差异）。

提出的