圖像模式識(shí)別的方法介紹-wenkub.com
2025-06-23 12:42 本頁(yè)面
【正文】 (3)具有自組織、自學(xué)習(xí)的能力。 神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)40年代，上世紀(jì)80年代開(kāi)始在各國(guó)廣泛興起，神經(jīng)網(wǎng)絡(luò)模式識(shí)別源于對(duì)動(dòng)物神經(jīng)系統(tǒng)的研究，通過(guò)采用硬件或軟件的方法，建立了許多以大量處理單元為結(jié)點(diǎn)，各單元通過(guò)一定的模式實(shí)現(xiàn)互聯(lián)的拓?fù)渚W(wǎng)絡(luò)。比較成熟的理論和方法有最大來(lái)屬原則、基于模糊等價(jià)關(guān)系的模式分類、基于模糊相似關(guān)系的模式分類和模糊聚類，其中模糊聚類方法的研究和應(yīng)用尤為成功和廣泛。在圖像識(shí)別領(lǐng)域應(yīng)用時(shí)該方法可以簡(jiǎn)化圖像識(shí)別系統(tǒng)，并具有實(shí)用、可靠等特點(diǎn)。重復(fù)若干次，得到L層他們分別對(duì)應(yīng)的平滑參數(shù)為：0，σ，kσ，k2σ，……。圖像金字塔是結(jié)合降采樣操作和平滑操作的一種圖像表示方式。1987年，在一種全新而有效的信號(hào)處理與分析方法，即多分辨率理論中，小波首次作為分析基礎(chǔ)出現(xiàn)了。這類模型通過(guò)將依賴性強(qiáng)的基本屬性結(jié)合在一起構(gòu)建新的模型，這樣可以部分屏蔽NBC中獨(dú)立性假設(shè)對(duì)分類的負(fù)面作用。條件互信息度量半樸素貝葉斯分類學(xué)習(xí)算法可以解決目前一此學(xué)習(xí)算法中存在的效率小高及部分組合意義不大的問(wèn)題。這一階段也是機(jī)械性階段，由程序完成。其輸入是特征屬性和訓(xùn)練樣本，輸出是分類器。整個(gè)樸素貝葉斯分類分為三個(gè)階段： 第一階段——準(zhǔn)備工作階段，這個(gè)階段的任務(wù)是為樸素貝葉斯分類做必要的準(zhǔn)備，主要工作是根據(jù)具體情況確定特征屬性，并對(duì)每個(gè)特征屬性進(jìn)行適當(dāng)劃分，然后由人工對(duì)一部分待分類項(xiàng)進(jìn)行分類，形成訓(xùn)練樣本集合。這樣， （）概率，…可以由訓(xùn)練樣本估值，其中（a）如果Ak是分類屬性，則，其中sik是在屬性Ak上具有值xk的類Ci的樣本數(shù)，而si是Ci中的訓(xùn)練樣本數(shù)。注意，類的先驗(yàn)概率可以用計(jì)算其中si是類Ci中的訓(xùn)練樣本數(shù)，而s是訓(xùn)練樣本總數(shù)。根據(jù)貝葉斯定理， （3）由于P(X)對(duì)于所有類為常數(shù)，只需要最大即可。（2）假定有m個(gè)類C1,C2,…Cm。 設(shè)有R類樣本，分別為w1, w2 , … , wR,若每類的先驗(yàn)概率為P(wii), i = 1,2 ,3,…R,對(duì)于一隨機(jī)矢量Ｘ，每類的條件概率為（又稱類概率密度）P(X/Wii)，則根據(jù)Bayes公式，后驗(yàn)概率為：從后驗(yàn)概率出發(fā)，有Bayes法則： 樸素貝葉斯分類是一種十分簡(jiǎn)單的分類算法，叫它樸素貝葉斯分類是因?yàn)檫@種方法的思想真的很樸素，樸素貝葉斯的思想基礎(chǔ)是這樣的：對(duì)于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類項(xiàng)屬于哪個(gè)類別。 4）非線性判別函數(shù) 線性判決函數(shù)的特點(diǎn)是簡(jiǎn)單易行，實(shí)際應(yīng)用中許多問(wèn)題往往是非線性的，一種處理的辦法將非線性函數(shù)轉(zhuǎn)換為線性判決函數(shù)，所以又稱為廣義線性判決函數(shù)。 3）線性判別函數(shù) 和上述的方法不同，判決函數(shù)法是以判決
試題試卷相關(guān)推薦
鄂ICP備17016276號(hào)-1