1、前言支持向量机(support vector machine,SVM)在21世纪之初取得了蓬勃的发展。它建立在统计学习理论和结构风险最小化原则基础之上，能够保证得到全局最优解，在解决小样本、非线性问题及高维模式识别等方面表现出许多特有的优势。然而对支持向量机核函数的选择通常缺乏一定的指导，并且隐式映射对空间度量变化的解释存在一定的困难。一个值得思考的问题是，如何在原输入空间构造分类器，能否在不使用核函数的情况下分开任意复杂的两类数据。解决此问题的一个有效策略是发展分片线性分类器，通过分片线性函数的逼近来得到好的分类效果。分片线性分类器(piecewise linear classifier,P
2、LC)是一种特殊的非线性分类器，它不需要根据数据集来设计参数，不需要假设样本的统计分布，并且能逼近各种形状的超曲面，具有很强的适应能力。上述优点使得分片线性分类器非常适合集成在小型侦察机器人、智能相机、嵌入式/实时系统以及各种便携设备中。然而，分片线性分类边界的确定是一个复杂的全局优化问题，需要综合考虑分类误差与超平面数量等因素。传统的分片线性分类器设计方法包含委员会机、线性规划方法、局部训练方法、决策树方法、最大-最小可分性方法。并且在这些方法的基础上衍生出许多重要的模式识别与机器学习分支，如神经网络集成、分片多类支持向量机等。组合凸线性感知器(multiconlitron)是最近提出的构造分片线性分类器的个通用理论框架。它采用支持向量机的最大间隔思想，具有坚实的几何理论基础。为避免核函数选取困难，构造过程只在原输入空间进行，不使用特征空间映射，因此，在一定意义上它可被看做支持向量机的无核推广。作者一直从事组合凸线性感知器框架的研究，成果发表在Pattern Recognition、Knowledge-based Systems、自动化学报模式识别与人工智能等国内外重要期刊上。2016年，以上述成果为基础申报的国家自然科学基金和辽宁省博士科研启动基金已经获得批准。
