非參數(shù)判別分類方法-預(yù)覽頁
【正文】 ，下一個 a(2)由自 a(1)向下降最陡的方向移動一段距離而得到，即沿梯度的負(fù)方向移動。其收斂速度的快慢取決于初始權(quán)向量 a(1)和系數(shù) 。 （ 1）將 C類別問題化為 (C1)個兩類問題，即將第 i類與所有非 i類樣本，按兩類問題確定其判別函數(shù)與決策面方程。 第三章 非參數(shù)判別分類方法 2021/6/16 中國礦業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院 (33)11 線性機器 ? 將特征空間確實劃分為 C個決策域，共有 C個判別函數(shù)。 ? 人工神經(jīng)元網(wǎng)絡(luò)如多層感知器等網(wǎng)絡(luò)能夠適用非常復(fù)雜的非線性分類，以及非線性函數(shù)擬和，非線性映射等，這將在人工神經(jīng)元網(wǎng)絡(luò)這一章討論。 第三章 非參數(shù)判別分類方法 2021/6/16 中國礦業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院 (33)16 ? 分段線性判別函數(shù)的一般形式可定義為： 其中 表示第 i類第 l段線性判別函數(shù)， li為 i類所具有的判別函數(shù)個數(shù)， Wil與 wi0l分別是第 l段的權(quán)向量與閾值權(quán)。 ? 這種算法就是要用錯誤提供的信息對增廣權(quán)向量進(jìn)行疊代修正。 第三章 非參數(shù)判別分類方法 2021/6/16 中國礦業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院 (33)22 ajm(k)T yj≤ain(k)T yj, i j 若存在某個或某幾個子類 ωin不滿足上述條件，即 ?則說明 yj被錯誤分類，需要對權(quán)向量進(jìn)行修正。 第三章 非參數(shù)判別分類方法 2021/6/16 中國礦業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院 (33)23 用交遇區(qū)的樣本設(shè)計分段線性分類器（局部訓(xùn)練法） 算法思想 圖 交遇區(qū) 類間的分界面必然處在兩類樣本的交界處，因此只需找出這些交界處的樣本，然后對這些鄰近的不同類樣本 ,按需要確定分界面。 ? 找到處在本類樣本占領(lǐng)區(qū)域邊界上的小片原型。 ? 在每個原型區(qū)中找到一個質(zhì)心或距質(zhì)心很近的樣本作為各原型區(qū)的代表點，稱為 “ 原型 ” 。 第三章 非參數(shù)判別分類方法 2021/6/16 中國礦業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院 (33)27 局部訓(xùn)練法 算法的基本思想是邊界由若干個交遇區(qū)確定，在每個交遇區(qū)中只有兩種不同類型的樣本。例如可由這兩個原型的垂直平分平面作為初始界面，表示成 H1； 步驟二：初始決策面最佳化 確定 H1能正確分類的所有緊互對原型對，并由這些原型對中的樣本組成局部訓(xùn)練的樣本集，按所使用的準(zhǔn)則設(shè)計出線性決策面 H1*，該決策面對現(xiàn)有局部樣本集來說是最佳的。 步驟四：重復(fù)上述步驟，直到所有緊互對原型對都被處理完畢，得到一系列超平面，組成分段線性分類器。 ? 處在同一區(qū)域的所有樣本都有同樣的向量值，將被劃分若干子集，最大可能的子集數(shù)為 2m個。 112()( ) ( )jjjNzLN z N z? ?? 根據(jù) L值及 N1(Zk)與 N2(Zk)這三個數(shù)據(jù)，可對各個區(qū)域作相應(yīng)決定： 1 如果 L 1/2，則 Zk區(qū)域為 ω1的決策域； 2 如果 L 1/2，則 Zk區(qū)域為 ω2的決策域； 3 如果 L≈1/2，以及 N1(Zk),N2(Zk)很小，則對 Zk內(nèi)樣本可作拒絕決策； 4 如果 L ≈1/2，但 N1(Zk)與 N2(Zk)數(shù)量不可忽略，則對此區(qū)域，用該子集的樣本再次進(jìn)行局部訓(xùn)練法訓(xùn)練，以獲得其進(jìn)一步劃分。
研究報告相關(guān)推薦
鄂ICP備17016276號-1