模式识别简介&贝叶斯决策理论
模式识别简介,贝叶斯决策理论,概率密度估计
·
==============================================================================
1、模式识别简介
==============================================================================
模式识别的定义:
将某一具体事务正确地归入某一类别的过程
描述一下模式识别的过程:
1、采集数据
2、选择特征
取决于这个问题领域的特征
标准:易于提取、对不相关变形保持不变、噪声不敏感
一个特征向量通常是用一个列向量表示的
3、选择模型
4、训练分类器
基于样本学习的方法是设计分类器最有效的方法
5、评价分类器
不能太简单以至于不能描述模式类间的差异,又不能太复杂而对新样本的分类能力很差
6、计算复杂度
计算简便性和分类性能上有个折中
模式识别方法可分为四大方面:
模板匹配、统计模式识别、语法及结构匹配和神经网络
==============================================================================
2、贝叶斯决策理论
==============================================================================
Parzen窗法
特点:“邻域” 体积大小是固定,但“邻域”包含的样本点数目可能不同
Kn近邻法
特点:“邻域”内包含的样本点数目固定,但“邻域”的体积可能不同
更多推荐
已为社区贡献6条内容
所有评论(0)