本發(fā)明屬于生物特征識別
技術領域：
，具體涉及一種基于免疫差分進化icde(immuneclonaldifferentialevolution，icde)的手掌bis身份識別方法。
背景技術：
：手掌生物電阻抗頻譜bis(bioimpedancespectroscopy)，生物特征識別技術依靠人體固有的特征進行身份驗證，克服了傳統(tǒng)信息安全技術的缺點。手掌bis特征符合唯一性、普遍性、穩(wěn)定性和可采集性等條件。另外，手掌bis特征對環(huán)境并不敏感，即通過較為簡單的方法就可以得到很好的識別性能。研究結果表明，手掌bis特征具有作為生物特征的潛力的高穩(wěn)定性和唯一性，符合生物特征識別的要求，可以作為一種高效的身份識別和認證技術；同時手掌bis的活體檢測方法，能夠有效抵抗偽造等攻擊。技術實現要素：為了克服上述現有技術的不足，本發(fā)明的目的是提供了一種基于icde的手掌bis身份識別方法，研究分析了手掌bis數據的特性；針對bis數據的特性和現有算法的不足，提出了一種icde的手掌bis身份識別新方法。為了實現上述目的，本發(fā)明采用的技術方案是：一種免疫差分進化的手掌bis身份識別方法，通過免疫差分進化算法選擇手掌生物電阻抗頻譜bis特征來實現身份識別。進一步，包括手掌bis數據預處理步驟、手掌bis數據歸一化步驟、手掌bis特征選擇步驟和手掌bis特征匹配步驟，包括以下步驟：步驟1、手掌bis數據預處理：將bis采集儀采集到的原始數據樣本，可采用拉依達準則進行過濾預處理，其方法可表示如下：1.1)求n次測量值xi,1≤i≤n的平均值1.2)求各項的殘差：1.3)計算標準偏差：1.4)剔除奇異項，對測量值xi，如果有vi＞3σ，則將其剔除；步驟2、手掌bis特征歸一化由于bis頻譜樣本里不同頻點測得的數值具有不同的動態(tài)范圍，因此為了防止大特征值對小特征值的影響，需要對數據進行歸一化處理，采用各分量的均值和方差的估計值做歸一化兩部分，其計算方法如下：設樣本集{zi|1≤i≤n}中每一個樣本為z＝r+jx∈cd，且有r＝(r1,r2,...,rd)，x＝(x1,x2,...,xd)；式中，n為樣本總數，i代表n中的第i個樣本，r為數據實部，x為數據虛部，j為虛數單位，cd為d維復數集，為了方便后續(xù)計算，需對復阻抗樣本進行拉伸得到相應的實值樣本zr,zr＝(r1,r2,...,rd,x1,x2,...,xd)t，將最終的樣本矩陣表示為：對樣本zr的第k個特征的n個數據，有：歸一化后的特征具有零均值和單位方差，式中，為樣本的均值，σk為樣本的方差，為歸一化后的樣本特征；步驟3、手掌bis特征選擇2.1)手掌bis數據降維采用奇異值分解svd(singularvaluedecomposition，svd)對bis特征數據進行降維分析，用較少的幾個新特征，來代替原來特征集，并盡可能包含原有特征集所含信息，且新的特征間不相關，其計算方法如下：給定一個秩為r的l×n的矩陣x(r≤min{l,n})，存在維數為l×l的正交矩陣u和維數為n×n的正交矩陣v，分別為式中，是以為元素的r×r對角陣，而λi是相關矩陣xtx的非零特征值，o表示為一個零元素矩陣，換言之，存在正交矩陣u和v，使得變換后的矩陣y是對角的，由式(5)可得或有時，上式也寫成式中，ur表示l×r矩陣，由u的第一個r列組成；vr是r×n矩陣，由v的第一個r列組成，更精確的說，ui和vi分別是xxt和xtx的特征向量，特征值λi就是x的奇異值，式(8)的展開式就是x的奇異值分解(singularvaluedecomposition,svd)或是x的譜表示；2.2)手掌bis特征選擇手掌bis特征選擇主要包括：特征選擇算法的主要思想、編碼方式和適應度函數構造；1)算法的主要思想首先對原始數據進行歸一化，將歸一化后的數據用免疫差分進化(immuneclonaldifferentialevolution，icde)算法進行特征選擇，選擇出具有更好鑒別力的特征集；2)編碼方式采用二進制編碼的方式，在這里每個二進制位表示其相應位置的特征值向量是否選中，種群中每個個體代表一種特征組合方式，這樣將實數分布依據概率轉換成1和0，從該式可以看出，對于每個實數轉換為1和0的概率是相同的，因此更具有隨機性，擴大了算法的搜索空間；式中，rand()是依據均勻分布隨機產生的[0,1]區(qū)間的隨機實數；3)適應度函數構造icde中整個種群的進化過程是由適應度函數來誘導的，定義了如下的適應度函數作為選擇特征子集的評價指標；s表示有k個特征的子集，f(s)是二進制差分進化算法的適應度函數，用來描述s的重要程度，rcf表示特征和目標的平均關聯度,rff'表示s中的特征和其它特征的平均關聯程度；式(6)主要是計算特征之間的關聯度，對于離散的特征和目標，k可以通過直接計算特征之間的信息增益來衡量其關聯程度，對于連續(xù)型特征，先要對數據進行離散化操作，轉化為離散值，再計算關聯度，假設x和y是離散隨機變量,定義種群為p(k)，通過式(7)分別計算在使用x之前和之后y的熵h；信息增益是度量熵的改變量，通過式(12)求得，在這里使用信息增益來表示x和y之間的關聯程度，如果gain(x,y)越大，說明x和y之間的關聯程度越高，這樣可以通過式(13)和(14)計算rcf和rff'，式(13)和式(14)中表示不屬于s子集的其它屬性組成的集合；n是樣本屬性總數目，y指樣本的目標屬性，k指特征值間的關聯程度；步驟4、手掌bis特征匹配采用在隱空間支持向量集上引入免疫差分進化算法的方法，使隱空間支持向量集進行集成提高分類精度：4.1)如令x表示輸入的樣本集，x＝{x1,x2,…,xn|xi∈rd}，對任意一個樣本x∈x，可以定義一個由一組實值函數生成的矢量：矢量將d維輸入空間中的樣本矢量映射到一個新的dh維空間中:由于函數集的作用與前向網絡中隱節(jié)點的作用類似，故稱為隱函數，相應地由隱函數集映射所得的樣本空間稱為隱空間或者特征空間；4.2)構造隱空間中的樣本集:類似支持向量機定義，對于已知分類的二類樣本集x＝{(x1,y1),(x2,y2),...,(xn,yn)|xi∈rd,yi∈{1,-1}}和核函數k(x,y)，映射得到隱空間中的樣本集為：{(z1,y1),(z2,y2),...,(zn,yn)|zi＝[k(x1,xi),k(x2,xi),...,k(xn,xi)]t}(21)4.3)構造隱空間中的線性分類函數:隱空間中的線性分類函數f(z)＝wtz+b,w∈rn，式中，w是垂直于超平面的向量，b為加入的位移間隔，rn為n維實數集，相應的優(yōu)化問題為：s.t.yi(wtzi+b)≥1-ξiξi≥0(i＝1,...,n)式中，c為懲罰因子，用于經驗風險和函數集容量控制之間平衡的調節(jié)，用交叉驗證選擇最佳參數c，ξi為懲罰函數，首先，訓練數據將被分成幾折；隨后，式中，一折被當作為驗證集，而其余的則被當作為訓練集，預測驗證集而得到的準確率的平均值就是交叉驗證率，實現過程是按照如下b步驟：a)用戶提供一個可能的c的區(qū)間來作為格點空間；b)然后，嘗試所有的c格點來看哪一個格點給出最高的交叉驗證率；c)然后用戶用所得到的最好參數來訓練整個訓練集并產生最后的模型,上述式(22)的規(guī)劃為凸區(qū)域上的凸二次規(guī)劃，最優(yōu)解是唯一的；4.4)構造wolfe對偶規(guī)劃函數:求解式(23)得wolfe對偶規(guī)劃函數，即：0≤αi≤c(i＝1,...,n)式中，αi為lagrange乘子，求解隱空間模式識別支撐向量機的決策函數凸優(yōu)化，即特征分類，隱空間模式識別支撐向量機的決策函數為：如令則式(25)可以簡化表示如下：4.5)構造集成機中個體hssvm對于一個二類問題，訓練集為t＝{(xi,yi)|i＝1,2,…,l},yi∈{-1,1}，假定要從k個hssvm中選擇出性能優(yōu)秀的幾個進行集成，用k個訓練集訓練得到k個hssvm，采用使用one-against-one策略將n類問題分解成n(n-1)/2個兩類問題，訓練得到n(n-1)/2個hssvm，在選擇和決策過程中將這些hssvm按一個整體對待；4.6)用icde集成hssvm得到n(n-1)/2個訓練好的樣本后，按照上述討論，利用免疫差分進化算法從n(n-1)/2個個體hssvm中選擇出部分優(yōu)秀的個體組成一個新的集成系統(tǒng)，用集成系統(tǒng)在驗證集上的泛化誤差評價系統(tǒng)的性能，通過上述過程，得到hssvm集成系統(tǒng)后，對測試樣本的最終決策是基于多數投票的，分類的輸出結果是獲得最多投票的類別標簽的類。所述的基于icde的hssvm集成算法步驟描述如下：1)將n個類別按照one-against-one策略分解成k＝n(n-1)/2個兩類問題，得到k個訓練樣本集合；2)在k訓練集上對樣本進行訓練得到k個hssvm；2)利用免疫差分進化選擇算法從k個hssvm中選擇部分最優(yōu)個體構成集成系統(tǒng)；4)用集成系統(tǒng)中的個體hssvm對測試樣進行分類；5)利用多數投票原則獲得決策所述的基于icde手掌bis特征選擇計算方法如下：1)設置種群規(guī)模np、最大迭代次數gmax、差分變異矢量收縮因子f、交叉概率cr、求解精度ε，令g＝1，按如下公式隨機初始化每一個個體：式中：i＝1,2,…，np；j＝1,2,...，d；為第j維變量的上限，為下限，2)計算個體適應度fitness，求出最優(yōu)適應值bestfitness并記錄下當前代最優(yōu)個體3)如果最優(yōu)適應度bestfitness達到理論最優(yōu)值或迭代次數g等于最大迭代次數gmax，輸出結果；否則，執(zhí)行下一步；4)將所有個體按適應度排序，對于前1/4的優(yōu)秀個體進行克隆選擇操作，如果所有個體中最優(yōu)個體適應度值優(yōu)于當前代全局最優(yōu)個體適應度，則用該個體取代全局最優(yōu)個體同時每隔10適應度較差的后1/4的個體進行受體編輯操作；5)在種群中隨機選擇2個不同的個體，通過式(16)進行變異操作，生成g代的變異個體vij(t+1)＝xbest,j(t)+f(xr1,j(t)-xr2,j(t))(16)6)通過式(17)進行交叉操作計算，生成g代的個體7)按式(18)進行選擇操作，生成迭代g+1代的個體8)g+1,返回step2。本發(fā)明的有益效果是：對手掌bis數據特征提出了一種識別算法，并對手掌bis識別算法進行實驗分析比對，其結果表明手掌bis特征具有較高的穩(wěn)定性，符合生物特征識別的要求，可以作為一種高效的人體身份認證技術。因此基于手掌bis特征的身份識別算法具有一定的理論和實用價值。附圖說明圖1是本發(fā)明方法的數據采集圖；圖2是生物組織在高低電頻下的微觀通路；圖3是本發(fā)明方法的整體框架圖；圖4是本發(fā)明方法的具體操作流程圖；圖5是本發(fā)明方法數據的兩個人的bis數據wessel圖；圖6是本發(fā)明方法對數據的歐拉距離分布及roc曲線；圖7是本發(fā)明方法對現有的手掌bis六個回路的roc曲線比較圖；圖8是本發(fā)明方法中個體編碼向量和特征映射關系圖；圖9是本發(fā)明方法經icde后的euclidean距離分布；圖10是本發(fā)明方法經icde進化100代cosine距離分布；具體實施方式下面結合附圖和具體實施方式對本發(fā)明進行詳細說明。如圖1、2、3、4所示，一種基于icde的手掌bis身份識別方法，按照以下步驟實施：步驟1、手掌bis數據的采集在生物組織復阻抗頻譜特性測量中，為了得到多種頻率下電壓與電流的關系，硬件上必須有電流源、電壓測量系統(tǒng)。采用電壓驅動、電流測量的方式同樣可以得到阻抗特性，但過強的電流會影響生物組織活性，所以需要控制流入電流大小；另一方面從測量技術上來講，電壓測量比電流測量更容易實現。在測量手掌bis數據時，bis測量儀的電流激勵源連接兩個電流驅動電極，電壓測量機構連接至兩個電壓測量電極。測量儀自動掃頻，測量在預設頻率的阻抗值。為了降低電壓電極與被測組織間的接觸電阻造成的影響，電極都選用ag/agcl材料，而且采用高輸入阻抗的電壓放大器進行電壓測量。整個測量系統(tǒng)能在較寬頻率范圍內進行生物阻抗頻譜測量并具有較高的測量精度。步驟2、手掌bis數據預處理對步驟1采集來的數據進行預先處理，由于原始特征空間中的不同特征可能會有不同的動態(tài)范圍，因此在分類器訓練中，大值特征會影響到小值特征。通過特征歸一化，可以使不同特征位于相似范圍。用每個特征各自的均值和方差估計值做歸一化，歸一化后的特征具有零均值和單位方差。將bis采集儀采集到的原始數據樣本，可采用拉依達準則進行過預處理。其方法描述如下：(1)求n次測量值xi,1≤i≤n的平均值(2)求各項的殘差：(3)計算標準偏差：(4)剔除奇異項，對測量值xi，如果有vi＞3σ，則將其剔除。步驟3、手掌bis數據歸一化由于bis頻譜樣本里不同頻點測得的數值具有不同的動態(tài)范圍，因此為了防止大特征值對小特征值的影響，需要對數據進行歸一化處理。本文采用各分量的均值和方差的估計值做歸一化兩部分。其計算方法如下：設樣本集{zi|1≤i≤n}中每一個樣本為z＝r+jx∈cd，且有r＝(r1,r2,...,rd)，x＝(x1,x2,...,xd)。式中，n為樣本總數，i代表n中的第i個樣本，r為數據實部，x為數據虛部，j為虛數單位，cd為d維復數集。為了方便后續(xù)計算，需對復阻抗樣本進行拉伸得到相應的實值樣本zr,zr＝(r1,r2,...,rd,x1,x2,...,xd)t。將最終的樣本矩陣表示為：對樣本zr的第k個特征的n個數據，有：歸一化后的特征具有零均值和單位方差。式中，為樣本的均值，σk為樣本的方差，為歸一化后的樣本特征。步驟4、手掌bis特征選擇2.1手掌bis數據降維采用奇異值分解svd(singularvaluedecomposition，svd)對bis特征數據進行降維分析。用svd的目的是用較少的幾個新特征，來代替原來特征集，并盡可能包含原有特征集所含信息，且新的特征間不相關。其計算方法如下：給定一個秩為r的l×n的矩陣x(r≤min{l,n})，存在維數為l×l的正交矩陣u和維數為n×n的正交矩陣v，分別為：式中，是以為元素的r×r對角陣，而λi是相關矩陣xtx的非零特征值。o表示為一個零元素矩陣。換言之，存在正交矩陣u和v，使得變換后的矩陣y是對角的。由式(5)可得或有時，上式也寫成式中，，ur表示l×r矩陣，由u的第一個r列組成；vr是r×n矩陣，由v的第一個r列組成。更精確的說，ui和vi分別是xxt和xtx的特征向量。特征值λi就是x的奇異值，式(8)的展開式就是x的奇異值分解(singularvaluedecomposition,svd)或是x的譜表示。2.2手掌bis特征選擇手掌bis特征選擇主要包括：特征選擇算法的主要思想、編碼方式和適應度函數構造。(1)算法的主要思想是：首先對原始數據進行歸一化，將歸一化后的數據用免疫差分進化icde(immuneclonaldifferentialevolution，icde)算法進行特征選擇。選擇出具有更好鑒別力的特征集。(2)編碼方式：采用二進制編碼的方式，在這里每個二進制位表示其相應位置的特征值向量是否選中。種群中每個個體代表一種特征組合方式。這樣將實數分布依據概率轉換成1和0。從該式可以看出，對于每個實數轉換為1和0的概率是相同的，因此更具有隨機性，擴大了算法的搜索空間。式中rand()是依據均勻分布隨機產生的[0,1]區(qū)間的隨機實數。(1)適應度函數構造icde中整個種群的進化過程是由適應度函數來誘導的。定義了式(10)的適應度函數作為選擇特征子集的評價指標。式(10)中s表示有k個特征的子集，f(s)是二進制差分進化算法的適應度函數，用來描述s的重要程度。rcf表示特征和目標的平均關聯度,rff'表示s中的特征和其它特征的平均關聯程度。式(10)主要是計算特征之間的關聯度。對于離散的特征和目標，k可以通過直接計算特征之間的信息增益來衡量其關聯程度，對于連續(xù)型特征，先要對數據進行離散化操作，轉化為離散值，再計算關聯度。假設x和y是離散隨機變量,定義種群為p(k),通過式(11)分別計算在使用x之前和之后y的熵h。信息增益是度量熵的改變量，其計算通過式(8)求得。在這里使用信息增益來表示x和y之間的關聯程度。如果gain(x,y)越大，說明x和y之間的關聯程度越高。這樣可以用式(13)和式(14)計算rcf和rff'式(14)中表示不屬于s子集的其它屬性組成的集合；n是樣本屬性總數目，y指樣本的目標屬性,k指特征值間的關聯程度?；趇cde手掌bis特征選擇計算方法如下：1)設置種群規(guī)模np、最大迭代次數gmax、差分變異矢量收縮因子f、交叉概率cr、求解精度ε，令g＝1，按如下公式隨機初始化每一個個體：式中：i＝1,2,…，np；j＝1,2,...，d；為第j維變量的上限，為下限。2)計算個體適應度fitness，求出最優(yōu)適應值bestfitness并記錄下當前代最優(yōu)個體2)如果最優(yōu)適應度bestfitness達到理論最優(yōu)值或迭代次數g等于最大迭代次數gmax，輸出結果；否則，執(zhí)行下一步。4)將所有個體按適應度排序，對于前1/4的優(yōu)秀個體進行克隆選擇操作，如果所有個體中最優(yōu)個體適應度值優(yōu)于當前代全局最優(yōu)個體適應度，則用該個體取代全局最優(yōu)個體同時每隔10適應度較差的后1/4的個體進行受體編輯操作。5)在種群中隨機選擇2個不同的個體，按式(16)進行變異操作，生成g代變異個體vij(t+1)＝xbest,j(t)+f(xr1,j(t)-xr2,j(t))(16)6)按式(17)進行交叉操作，生成g代個體7)按式(18)進行選擇操作，生成g+1代個體8)g+1,返回step2。步驟5、手掌bis特征匹配采用在隱空間支持向量集上引入免疫差分進化算法的方法，對隱空間支持向量集進行集成達到提高分類精度的目的。根據統(tǒng)計學習理論，隱空間支撐矢量機引入結構風險，能獲得良好的推廣能力，使得隱空間支持向量機同時繼承了上述兩者的優(yōu)點。5.1)如令x表示輸入的樣本集，x＝{x1,x2,...,xn|xi∈rd}。對任意一個樣本x∈x，可以定義一個由一組實值函數生成的矢量：矢量將d維輸入空間中的樣本矢量映射到一個新的dh維空間中:由于函數集的作用與前向網絡中隱節(jié)點的作用類似，故稱為隱函數。相應地由隱函數集映射所得的樣本空間稱為隱空間或者特征空間。5.2)構造隱空間中的樣本集:類似支持向量機定義，對于已知分類的二類樣本集x＝{(x1,y1),(x2,y2),...,(xn,yn)|xi∈rd,yi∈{1,-1}}和核函數k(x,y)，映射得到隱空間中的樣本集為：{(z1,y1),(z2,y2),...,(zn,yn)|zi＝[k(x1,xi),k(x2,xi),...,k(xn,xi)]t}(21)5.3)構造隱空間中的線性分類函數:隱空間中的線性分類函數f(z)＝wtz+b,w∈rn，式中，w是垂直于超平面的向量，b為加入的位移間隔，rn為n維實數集。相應的優(yōu)化問題為：s.t.yi(wtzi+b)≥1-ξiξi≥0(i＝1,...,n)式中，c為懲罰因子，用于經驗風險和函數集容量控制之間平衡的調節(jié)，用交叉驗證選擇最佳參數c，ξi為懲罰函數。首先，訓練數據將被分成幾折。隨后，式中，一折被當作為驗證集，而其余的則被當作為訓練集。預測驗證集而得到的準確率的平均值就是交叉驗證率。實現過程是按照如下方式進行的。用戶提供一個可能的c的區(qū)間來作為格點空間。然后，嘗試所有的c格點來看哪一個格點給出最高的交叉驗證率。然后用戶用所得到的最好參數來訓練整個訓練集并產生最后的模型。很明顯式(22)的規(guī)劃為凸區(qū)域上的凸二次規(guī)劃，最優(yōu)解是唯一的。5.4)構造wolfe對偶規(guī)劃函數:求解式(23)得wolfe對偶規(guī)劃函數，即：0≤αi≤c(i＝1,...,n)式中，αi為lagrange乘子。求解隱空間模式識別支撐向量機的決策函數凸優(yōu)化，即特征分類。隱空間模式識別支撐向量機的決策函數為：如令則式(25)可以簡化表示如下：5.5)構造集成機中個體hssvm對于一個二類問題，訓練集為t＝{(xi,yi)|i＝1,2,…,l},yi∈{-1,1}，假定要從k個hssvm中選擇出性能優(yōu)秀的幾個進行集成。用k個訓練集訓練得到k個hssvm。采用使用one-against-one策略將n類問題分解成n(n-1)/2個兩類問題，訓練得到n(n-1)/2個hssvm，在選擇和決策過程中將這些hssvm按一個整體對待。5.6)用icde集成hssvm得到n(n-1)/2個訓練好的樣本后，按照上述討論，利用免疫差分進化算法從n(n-1)/2個個體hssvm中選擇出部分優(yōu)秀的個體組成一個新的集成系統(tǒng)。優(yōu)秀個體的產生是需要一個準則去評價的。用集成系統(tǒng)在驗證集上的泛化誤差評價系統(tǒng)的性能。通過上述過程，得到hssvm集成系統(tǒng)后，對測試樣本的最終決策是基于多數投票的，分類的輸出結果是獲得最多投票的類別標簽的類?；诿庖卟罘诌M化的hssvm集成計算方法如下：1)將n個類別按照one-against-one策略分解成k＝n(n-1)/2個兩類問題，得到k個訓練樣本集合；2)在k訓練集上對樣本進行訓練得到k個hssvm；2)利用免疫差分進化選擇算法從k個hssvm中選擇部分最優(yōu)個體構成集成系統(tǒng)；4)用集成系統(tǒng)中的個體hssvm對測試樣進行分類；5)利用多數投票原則獲得決策本發(fā)明提供了一種基于免疫差分進化的手掌bis身份識別方法，針對生物特征識別技術依靠人體固有的特征進行身份驗證，克服了傳統(tǒng)信息安全技術的一些缺點，提供了一種更加便捷、安全、穩(wěn)定的身份識別方法。針對現有算法存在的不足，以及實際應用中的需要，提出了一種新的生物特征識別方法—基于免疫差分進化的手掌生物電阻抗頻譜(bis)特征的身份識別算法。實施例中，實驗以在校師生(年齡18～60歲)為測量對象，樣本共50人，每人測量2次，6個回路，測量頻率點共取23個。所有測量頻率點均分布在1khz到1mhz范圍內。實驗將對數據分別進行測試，數據采用線性變換提取特征。然后使用隱空間支持向量機進行分類識別。如圖6和圖7，表2給出了不同算法的手掌bis身份識別算法的錯誤接受率、錯誤拒絕率、等錯誤率等性能指標性能比較。見圖5是本發(fā)明方法數據的兩個人的bis數據wessel圖，圖8是本發(fā)明方法中個體編碼向量和特征映射關系圖；圖9是本發(fā)明方法經icde后的euclidean距離分布；圖10是本發(fā)明方法經icde進化100代cosine距離分布；表16組回路的分類比較使用特征閾值(歐式距離)測試集正確率(％)食指-中指2.03288.0食指和無名指2.04490.0食指與小指2.7582.0中指-無名指1.99492.0中指-小指1.8492.0無名指-小指2.55888.0表2采用不同算法的錯誤拒絕率、等錯誤率對照表表2列舉了采用不同分類方法的結果?？梢钥闯觯岢龅拿庖卟罘诌M化的手掌bis特征的身份識別算法是完全可行的，式中，使用icde方法集成的hssvm分類結果更加優(yōu)秀，是因為hssvm利用了數據樣本的方向信息，比起作為標量的euclidean距離，矢量包含了更加豐富的分類信息。當前第1頁12