圖像模式識別的方法介紹-在線瀏覽
2024-08-06 12:42本頁面
【正文】 論對條件密度已知的樣本進(jìn)行分類；對于類條件密度不明的情況，可根據(jù)訓(xùn)練樣本的類別是否己知將分類問題分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩大類；監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)又可根據(jù)是否通過參數(shù)決策分為參數(shù)估計和非參數(shù)估計。幾何方法經(jīng)常直接從優(yōu)化一定的代價函數(shù)構(gòu)造決策界。幾何分類法 1) 模板匹配法它是模式識別中的一個最原始、最基本的方法，它將待識模式分別與各標(biāo)準(zhǔn)模板進(jìn)行匹配，若某一模板與待識模式的絕大多數(shù)單元均相匹配，則稱該模板與待識模式“匹配得好”，反之則稱“匹配得不好”，并取匹配最好的作為識別結(jié)果。大約有十余種作為相似性度量的距離函數(shù)，其中使用最廣泛的是歐氏距離。 3）線性判別函數(shù) 和上述的方法不同，判決函數(shù)法是以判決邊界的函數(shù)形式的假定為其特性的，而上述的方法都是以所考慮的分布的假定為其特性的。權(quán)系數(shù)可通過感知器算法或最小平方誤差算法來實現(xiàn)。 4）非線性判別函數(shù) 線性判決函數(shù)的特點是簡單易行，實際應(yīng)用中許多問題往往是非線性的，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)。 2 概率分類法 幾何分類法是以模式類幾何可分為前提條件的，在某些分類問題中這種條件能得到滿足，但這種條件并不經(jīng)常能得到滿足，模式的分布常常不是幾何可分的，即在同一區(qū)域中可能出現(xiàn)不同的模式，這時，必須借助概率統(tǒng)計這一數(shù)學(xué)工具。 設(shè)有R類樣本，分別為w1, w2 , … , wR,若每類的先驗概率為P(wii), i = 1,2 ,3,…R,對于一隨機(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，后驗概率為：從后驗概率出發(fā)，有Bayes法則： 樸素貝葉斯分類是一種十分簡單的分類算法，叫它樸素貝葉斯分類是因為這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：對于給出的待分類項，求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認(rèn)為此待分類項屬于哪個類別。為什么呢？因為黑人中非洲人的比率最高，當(dāng)然人家也可能是美洲人或亞洲人，但在沒有其它可用信息下，我們會選擇條件概率最大的類別，這就是樸素貝葉斯的思想基礎(chǔ)。（2）假定有m個類C1,C2,…Cm。即是說，樸素貝葉斯分類將未知的樣本分配給類Ci，當(dāng)且僅當(dāng) 這樣，最大化。根據(jù)貝葉斯定理， （3）由于P(X)對于所有類為常數(shù)，只需要最大即可。并據(jù)此只對最大化。注意，類的先驗概率可以用計算其中si是類Ci中的訓(xùn)練樣本數(shù)，而s是訓(xùn)練樣本總數(shù)。為降低計算的開銷，可以做類條件獨立的樸素假定。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)。（5）為對
試題試卷相關(guān)推薦
鄂ICP備17016276號-1