多重辨識器融合演算法

一、基本概念

藉由辨識器的結合的方式使我們可以在亦趨複雜的結構中更加專精於精確 辨識效能的追求(Kuncheva, 2003)。換句話說，藉由辨識器的結合，可以讓我們去 突破單一辨識器所產生的辨識效果提升之瓶頸的問題，取而代之的是藉由多個辨 識器的結合以獲的更佳的辨識效果。這樣的概念又如同Ho(2002)所認為：現在我 們所追求的是藉由多個辨識器的結合效果來取代追求單一辨識器的低辨識效果 窘境。可以想像的是，接下來我們所追求的是多個辨識器應該如何做結合才能獲 得最佳的辨識效果。

在目前針對單一複雜結構的情況下作辨識率的提升是有其瓶頸的，而多個辨 識器進行結合企圖獲取更佳的辨識效果是一個自然的思維。就目前的情況來看，

辨識器結合的概念在樣式比對的領域中正急速的成長，且越來越有其重要地位 (Kuncheva, 2003)。

而在本研究中，單一的貝氏網路即視為一個辨識器，也面臨上述相同的問 題，而將多重貝氏網路結合是一可行的辦法，能改善單一貝氏網路辨識效果提升 的困難(謝典佑，2006)，本節將探討辨識器結合演算法的相關文獻。

二、結合的流程、方法

結合的方式我們可以採用由Kuncheva(2003)提出的架構。其基本架構如圖2-3 所示：

圖 2- 3 多重辨識器結合的方式

就圖2-3來看，資料結構區塊所定義的是各單一辨識器辨識出來的資料型 態。在本研究的定義中便是錯誤類型、子技能和能力指標的有(1)或無(0)的後驗機 率值。而在單位資料部分所定義的是輸入各單一辨識器的資料及其型態。該部分 可能是機率值或是狀態值，依所要使用的結合演算策略所需要的資料型態為主。

而在單一辨識器的部分，所定義的是辨識器的結構，本研究所指的即是單一貝氏 網路結構。而在辨識器結合的部分，就是定義辨識器應該怎樣進行結合的演算法。

由上面可以看出，整個多重辨識器結合的做法，可以簡單的將觀點著重在結 合的方式。換句話說，怎樣的結合將會使辨識效果獲得改善，甚而突破。而這也 是本研究的研究核心―怎樣的結合演算法可以使辨識效果獲得最大的進步、突 破。

在Kuo, B.C., Hsieh, T.Y., &Chang, Y.Y (2006) 的研究中，利用六種融合 (fusion) 的方法，使用在多重貝氏網路的結合上，比較其辨識率。研究結果指出 將多重貝氏網路結構於不同融合演算法之下其辨識率確實有大幅提昇，其中以結

資料結構

單位資料

辨識器Ｌ

……

辨識器２ 辨識器１

辨識器結合階段

構融合演算法(sub-structure fusion)的效果最佳。本研究中亦將使用這些融合演算 法來進行比較。

三、適用於多重貝氏網路的融合演算法

以下所介紹的各種演算法，為謝典佑(2006)使用之多重貝氏網路融合演算 法。為方便說明下列各演算法，首先先定義相關符號及其說明；再進一步說明各 演算法的實作過程。

(一)符號定義

圖2-4為一個基本的貝氏網路結構圖，相關符號定義如下：

圖 2- 4 貝氏網路結構簡圖

我們假設圖2-4 為第i個貝氏網路結構。目的要藉著結合m組貝氏網路結構以 獲取較高的辨識效果。首先，定義若第i個貝氏網路結構第j層的第k個節點在辨識 最終結果為有，也就是判定為1的後驗機率值為

P 。另外為方便後續結合演算法

節點 1

節點 2

節點 n1

節點 1

節點 2

節點 n2

節點 1

節點 2

節點 n3

節點 1

節點 2

節點 n4

… … … … Layer1 Layer2 Layer3 Layer4

貝氏網路結構下辨識最終結果判定為有的所有後驗機率值，

MP

⎩⎨ jk

if product MP

MP

⎟⎠ jk

if average MP

MP

個最佳選取矩陣

FIT ，其中

FIS 代表第j層第k個節點在第i個貝氏網路下其辨識

乘積演算法 0.982