模式分类方法比较研究

模式分类方法是模式识别的关键。文中重点研究了支持向量机、BP神经网络、K近邻、朴素贝叶斯、线性判别分析和二次判别分析共六种模式分类方法,并利用MATLAB对UCI上的数据集进行了分类测试,根据测试结果分析了数据集的样本数、特征数、类别数对每一种模式分类方法的准确率和运行时间的影响。结果表明,在对一些小数据进行分类时,可以采用朴素贝叶斯、K近邻、线性判别分析方法,而对于大的数据集,支持向量机、BP神经网络、二次判别分析分类方法则比较适合,但对运行时间要求严格的分类不能采用BP神经网络方法。     

神经网络用于多模式分类

本文叙述一种改进型HAMMING网在印刷汉字文本识别实用系统中作为粗分类的应用.给出了以3755印刷汉字为多模式分类对象的神经网络分类器的结构及其相应的算法.该方法在微型机上用软件仿真得以实现.取得令人满意的结果.     

基于粗糙集理论的模式分类样本特征选择方法研究

本文提出了一种基于粗糙集理论的模式分类本特征选择方法，该方法应用粗糙集理论和方法，对给定的学习样本进行特征选择，根据这些特征构造神经网络模型进行训练，并在网络的工作阶段，根据这些特征对待识样本进行分类，在模式分类中，该方法能够减少网络的训练时间并改善网络的泛化能力。     

基于m类逻辑的模式分类方法及其硬件实现

基于ｍ类逻辑的模式分类方法及其硬件实现张自力（西南师范大学计算机科学系重庆６３０７１５）ＴＨＥｍ－ＣＬＡＳＳＬＯＧＩＣＢＡＳＥＤＰＡＴＴＥＲＮＣＬＡＳＳＩＦＩＣＡＴＩＯＮＡＮＤＩＴＳＨＡＲＤＷＡＲＥＩＭＰＬＥＭＥＮＴＡＴＩＯＮ￥ＺｈａｎｇＺｉｌｉ（Ｄ...     

基于关联规则的分类规则约简方法

分析分类规则内属性之间的相关性,提出一种分类规则约简方法。针对原始训练集构造FP树,获取相应的关联规则集,对关联规则后件属性(集),采用置信度α描述该属性(集)相对于其所在分类规则的重要程度。在分类规则集中,约简α值小于阈值?的属性,从而约简分类规则长度。利用UCI机器学习及SDSS DR7数据进行实验,结果表明该方法具有较高的分类效率。     

基于粗糙集理论和覆盖算法的模式分类方法

引言模式分类是模式识别和人工智能研究最基本也是最重要的课题之一。现实世界事物纷繁复杂,尤其是海量数据库、互     

评第二版《模式分类》一书

现代计算机具有强大的计算和信息处理的能力,但是它在目标识别、环境感知、以及在复杂条件下的决策能力远远不如生物系统。目前,已有很多学科分别从不同角度、以不同途径试图研究和揭示这当中的奥秘,并且希望用计算机实现一个具有感知、识别、理解、自学习、和自适应能力的灵活和智能的计算机     

基于多策略学习的模式分类方法

模式分类在数据集成和信息检索领域中有着广泛的应用需求。该文介绍了一种基于多策略学习的模式分类方法,实验表明它有效地提高了模式分类的准确率,同时易于扩展。     

基于规则的分类数据离群挖掘方法研究

离散数据的挖掘（ｏｕｔｌｉｅｒ ｍｉｎｉｇｎ,简称离群挖掘）是数据挖掘的重要内容,现有的离群数据挖掘算法大多对分类数据（ｃａｔｅｇｏｒｉｃａｌ ｄａｔａ）缺乏有效的处理,提出了基于规则的分类数据离群挖掘方法,采用多层最大离群支持度ｍａｘｓｕｐ,搜索离群规则,有效地解决了这一问题,用这一方法对医学流行病数据进行了各种,分析了该方法的适用范围、性能,验证了方法正确性;另外,实验表明,经过离散化后,基于     

基于属性分类的数据挖掘方法

随着数据仓库的广泛应用,从数据中获取相关的知识或规则越发显得重要,各种各样的数据挖掘技术提出了出来,本文介绍一个基于数据属性值的数据挖掘方法。首先简单介绍了ＩＤ３分类技术,然后详细论述了基于属性值分类的数据挖掘的方法。该方法有两个的步骤：数据采集,整理及形成规则并化简规则。     

基于神经网络的模式分类方法的研究

利用神经网络进行模式分类时,可采用有导师分类方法,也可进行无导师的聚类方法,该文分析比较几种可用于模式分类神经网络的特征和各自的优缺点,提出在特定的情况下可选用特定的神经网络进行分类,也可根据实际情况进行综合。     

基于最优分类面的神经网络模式分类方法

用一组训练样本对神经网络进行训练后，网络对训练阶段未曾见过的样本也能正确分类。但传统的神经网络模式分类方法泛化能力不十分理想，而且不稳定。对同一个分类任务，训练样本改变，分类器泛化能力的大小也会改变。该文提出一种基于最优分类面的神经网络模式分类方法。通过寻找并训练最优分类面，提高网络的泛化能力，增强泛化能力的稳定性。用异或问题和双螺旋线问题验证该新方法的有效性和泛化能力，取得了令人满意的结果。     

时序模式的一种神经网络分类方法

时序模式是指其特征空间分布在时间轴上的一种模式，如语音信号，雷达信号等，文中提出了一种改进的递归神经网方法－时间标签递归神经网方法，以此来对时序模式进行分类，克服了传统方法的缺点，取得了较好的分类效果，初步的实验结果不仅证明了时间标签递归神经网方法对时序模式的很好的分类能力，而且证明了时间标签对于时序模式分类的重要性。     

基于模糊时间序列的计算机信息粒构建研究

计算机信息粒通常是使用概率性方法以判别式学习的方式进行的,当分类任务的性质是识别特定类别的模式时,如在情绪检测的情况下,可以同时从同一个人识别出多种情绪,这通常表明不同的情绪可能涉及特定的关系而不是相互排斥.本文基于模式时间序列用来识别密集型现实数据实例的分类.并以生命科学的UCI数据集作为实验对象,通过本文提出的方法...     

图像分类识别方法研究

图像分类识别是用计算机对图像进行一系列操作来识别不同的图像,包括图像预处理、图像的分割、图像的特征提取,最后是图像的分类。图像分类识别方法多来源于模式识别,近年来随着计算机技术发展和分类算法提出,图像分类识别方法越来越多。该文分析的分类算法是在模式识别基础上进行图像分类识别,首先介绍图像分类识别国内外研究现状,然后分析几种分类识别算法的优点和缺陷,便于更好地深入研究图像的分类算法。     

基于支持向量的单类分类方法综述

研究基于支持向量机理论和单类分类思想的2种支持向量域数据描述模型,即单分类支持向量机和支持向量描述模型,分析2类模型之间的区别和联系以及参数的优化设置,总结支持向量域单分类方法存在的缺点以及目前对这2类支持向量描述模型研究的改进方向。     

电子商务模式的多维分类体系研究

电子商务模式的开展是实现电子商务应用的重要问题之一.为充分探讨电子商务模式的体系建立,在总结已有成果基础上,本文基于电子商务模式的分类讨论十大类基本的电子商务模式,分析构建多维电子商务模式分类体系.     

一种基于极限学习机的缺失数据填充方法

数据处理过程中经常会遇到不完备数据需要填充的问题,寻求简单有效的缺失数据填充方法非常重要。针对该情况,提出一种基于极限学习机ELM(Extreme Learning Machine)的缺失数据填充方法,通过极限学习机网络建模,建立需要填充的缺失属性与其他属性的非线性映射模型。实验结果表明:该方法具有非常好的填充效果。     

数据库课程分类教学与实践模式探索

基于计算机本科专业人才培养总体规划,根据学生的个体差异,研究探讨一种数据库课程的分类教学与实践模式,将学生分为不同类型,在授课、实验、课程设计和课后活动等方面分类实施不同的教学内容和实践安排,充分调动学生的学习积极性和主动性。