重庆科技学院学报(自然科学版)
重慶科技學院學報(自然科學版)
중경과기학원학보(자연과학판)
JOURNAL OF CHONGQING UNIVERSITY OF SCIENCE AND TECHNOLOGY(NATURAL SCIENCES EDITION)
2010年
4期
161-164
,共4页
模式分类%概率密度函数%非参数技术
模式分類%概率密度函數%非參數技術
모식분류%개솔밀도함수%비삼수기술
典型的非参数估计方法有Parzen窗法和K近邻法两种.Parzen窗法的缺点是对训练样本的需求量较大,存在维数灾难问题,对此可通过并行神经网络结构实现并改进.K-近邻法一般遵循近邻规则--KNN,直接用来进行样本分类.
典型的非參數估計方法有Parzen窗法和K近鄰法兩種.Parzen窗法的缺點是對訓練樣本的需求量較大,存在維數災難問題,對此可通過併行神經網絡結構實現併改進.K-近鄰法一般遵循近鄰規則--KNN,直接用來進行樣本分類.
전형적비삼수고계방법유Parzen창법화K근린법량충.Parzen창법적결점시대훈련양본적수구량교대,존재유수재난문제,대차가통과병행신경망락결구실현병개진.K-근린법일반준순근린규칙--KNN,직접용래진행양본분류.
