您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报(工学版)

• 论文 • 上一篇    

基于二叉树和SVM的指纹分类

朱晓霞, 孙同景, 陈桂友   

  1. 山东大学 控制科学与工程学院,山东 济南 250061
  • 收稿日期:2005-06-08 修回日期:1900-01-01 出版日期:2006-02-24 发布日期:2006-02-24
  • 通讯作者: 朱晓霞

Research of fingerprint classification combined by binary tree and SVM

ZHU Xiao-xia,SUN Tong-jing,CHEN Gui-you   

  1. School of Control Science and Engineering,Shandong University,Jinan 250061,China
  • Received:2005-06-08 Revised:1900-01-01 Online:2006-02-24 Published:2006-02-24
  • Contact: ZHU Xiao-xia

摘要: 为解决支持向量机(Support Vector Machine, SVM)进行指纹多类分类存在困难的问题,在应用二叉树理论的基础上,提出了一种新型的指纹分类方法.该算法首先使用二叉树进行多类决策,将原始分类数据分解成3个二类分类问题,然后利用SVM进行二类分类,使3个分类超平面得到优化.两者的有机结合,充分发挥了SVM在二类分类问题方面相对于其它方法的优势,从而使算法的推广能力有较大提高,总的分类正确率可达97.9%.实验结果证明,二叉树构造多类框架将指纹多类分类问题分解成3个二类分类器系统,不仅可以有效的提高指纹分类的效率,还充分发挥了SVM分类器解决二类分类问题的优势.

关键词: 指纹分类, 二叉树, 支持向量机, 多类分类

Abstract: In order to solve the difficulties existed in fingerprint multiclassification for Support Vector Machine, this paper proposes a novel fingerprint classification method based on binary tree theory. This algorithm uses binary tree to construct the multiclass frame by decomposing the problem into three 2class classification problems, then uses Support Vector Machine optimizing the three hyperplanes. The combination of the two exerted the superiority for 2class classification of SVM over other algorithms completely, the generalization ability has improved greatly and the total accuracy for the new sample is 97.9%. Experimental results show that the fingerprint multiclass problem is divided into three 2class classifier system by using binary tree to construct the multiclass frame, which not only can improve the efficiency of fingerprint classification but also exerts the superiorities of SVM classifier for twoclass classification problem sufficiently.

Key words: binary tree, SVM, multi-classification , fingerprint classification

中图分类号: 

  • TP391.4
[1] 亓晓燕,刘恒杰,侯秋华,刘啸宇,谭延超,王连成. 融合LSTM和SVM的钢铁企业电力负荷短期预测[J]. 山东大学学报 (工学版), 2021, 51(4): 91-98.
[2] 马昕,王雪. 基于Laplacian支持向量机和序列信息的microRNA-结合残基预测[J]. 山东大学学报 (工学版), 2020, 50(2): 76-82.
[3] 梁志祥,刘晓明,牟颖,刘玉田. 基于深度学习的新能源爬坡事件预测方法[J]. 山东大学学报 (工学版), 2019, 49(5): 24-28.
[4] 严云洋,张慧珍,刘以安,高尚兵. 基于GMM与三维LBP纹理的视频火焰检测[J]. 山东大学学报 (工学版), 2019, 49(1): 1-9.
[5] 李兴,侯振杰,梁久祯,常兴治. 基于线性加速度的多节点人体行为识别[J]. 山东大学学报 (工学版), 2018, 48(6): 56-66.
[6] 叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[7] 韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[8] 刘岩,李幼军,陈萌. 基于EMD和SVM的抑郁症静息态脑电信号分类研究[J]. 山东大学学报(工学版), 2017, 47(3): 21-26.
[9] 李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[10] 刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[11] 刘晓勇. 一种基于树核函数的半监督关系抽取方法研究[J]. 山东大学学报(工学版), 2015, 45(2): 22-26.
[12] 浩庆波, 牟少敏, 尹传环, 昌腾腾, 崔文斌. 一种基于聚类的快速局部支持向量机算法[J]. 山东大学学报(工学版), 2015, 45(1): 13-18.
[13] 李发权, 杨立才, 颜红博. 基于PCA-SVM多生理信息融合的情绪识别方法[J]. 山东大学学报(工学版), 2014, 44(6): 70-76.
[14] 周咏梅1,杨佳能2,阳爱民2. 面向文本情感分析的中文情感词典构建方法[J]. 山东大学学报(工学版), 2013, 43(6): 27-33.
[15] 王昊,华继学,范晓诗. 基于双联支持向量机的入侵检测技术[J]. 山东大学学报(工学版), 2013, 43(6): 53-56.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 李 侃 . 嵌入式相贯线焊接控制系统开发与实现[J]. 山东大学学报(工学版), 2008, 38(4): 37 -41 .
[2] 来翔 . 用胞映射方法讨论一类MKdV方程[J]. 山东大学学报(工学版), 2006, 36(1): 87 -92 .
[3] 余嘉元1 , 田金亭1 , 朱强忠2 . 计算智能在心理学中的应用[J]. 山东大学学报(工学版), 2009, 39(1): 1 -5 .
[4] 陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[5] 王波,王宁生 . 机电装配体拆卸序列的自动生成及组合优化[J]. 山东大学学报(工学版), 2006, 36(2): 52 -57 .
[6] 张英,郎咏梅,赵玉晓,张鉴达,乔鹏,李善评 . 由EGSB厌氧颗粒污泥培养好氧颗粒污泥的工艺探讨[J]. 山东大学学报(工学版), 2006, 36(4): 56 -59 .
[7] Yue Khing Toh1 , XIAO Wendong2 , XIE Lihua1 . 基于无线传感器网络的分散目标跟踪:实际测试平台的开发应用(英文)[J]. 山东大学学报(工学版), 2009, 39(1): 50 -56 .
[8] 刘忠国,张晓静,刘伯强,刘常春 . 视觉刺激间隔对大脑诱发电位的影响[J]. 山东大学学报(工学版), 2006, 36(3): 34 -38 .
[9] 孙炜伟,王玉振. 考虑饱和的发电机单机无穷大系统有限增益镇定[J]. 山东大学学报(工学版), 2009, 39(1): 69 -76 .
[10] 孙玉利,李法德,左敦稳,戚美 . 直立分室式流体连续通电加热系统的升温特性[J]. 山东大学学报(工学版), 2006, 36(6): 19 -23 .