经典分类模型总是假定测试样本属于训练类之一,然而在网络安全、身份识别、医学诊断等非合作模式识别中往往存在许多非训练类例外模式,这时由于分类器缺乏拒识能力,只能给出错误判决。为此,本文构造了一种基于区分性投影结合最小L1球覆盖的可拒识双层近邻分类器。该方法针对一类分类器忽略类别间区分性描述的不足,定义一种能够表征各训练类模式细节信息的差分矢量,形成新的差分特征。在差分特征空间进行L1范数最大化主成分分析(Ll-normmaximization principal component analysis,PCA-L1)构建新的区分性投影方法即差分矢量PCA-L1特征提取。然后,在投影空间对各类别分别建立最小L1球覆盖决策边界,这样对于输入的测试模式,便可做出拒识或者接受处理的判决。最后,针对接受的输入模式,再通过最近邻测试得到识别结果。在UCI数据库、MNIST手写体数据库和CMU AMP人脸表情数据库上的实验结果表明本文方法对训练类测试样本具有较高正确识别率的同时,同时能够对非训练类测试样本进行有效地拒识,在实际模式识别领域具有一定的应用价值。
