近期，智能所桂杰副研究员在分类器研究方面取得重要进展，相关研究成果发表在SCI一区期刊IEEE Transactions on Cybernetics (TCYB)。

　　分类器是人工智能、机器学习、模式识别和数据挖掘领域的核心研究问题之一。在现有文献中，已有大量模式分类方法被提出，比如最近邻分类器、支持向量机和稀疏表示分类器。这些典型的和广泛使用的分类器是基于不同的理论或应用需求而提出的。传统意义上，它们被看作是模式分类的独立的和特定的解，如何将它们统一地联系起来是一个亟待解决的问题。桂杰副研究员提出一个新颖的名为代表向量机的模式分类框架。它的基本思想是：测试样本依据离它最近的代表向量进行分类。该框架的提出具有重大意义：一方面，代表向量机建立了一个经典分类器的统一框架，在此框架下，支持向量机、稀疏表示分类器、最近邻分类器、最近线分类器、最近面分类器、最近子空间分类器、最近中心分类器等经典分类器都可以看作是代表向量机的特例，它们的区别仅仅在于代表向量不同。因此，大量经典分类器的潜在关系能被揭示，这样能更好地理解模式分类；另一方面，该框架为启发设计新颖的和更鲁棒的分类器提供了可能。文章基于代表向量机的框架提出了新颖的分类器—判别向量机。给定一个测试样本，判别向量机首先找到它的k近邻，然后基于鲁棒的M算子和流形正则来执行分类。在大量可视识别任务如人脸识别(Yale和FRGC人脸数据库)，物体分类(Caltech-101数据集)和行为识别(ASLAN)中，DVM展现了优异的性能。

　　图 1. (a) 最近线分类器; (b) 最近面分类器; (c) 支持向量机

　　该研究工作得到了国家重大科学研究计划项目和国家自然科学基金等项目的支持。

　　    文章链接：http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7194763