计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2009年
16期
183-185,188
,共4页
可传递信度模型%自适应%k-NN分类器%pignistic概率%梯度下降
可傳遞信度模型%自適應%k-NN分類器%pignistic概率%梯度下降
가전체신도모형%자괄응%k-NN분류기%pignistic개솔%제도하강
针对训练模式类标签不精确的识别问题,提出基于可传递信度模型的自适应模糊 k-NN(k-Nearest Neighbor)分类器.利用可传递信度模型结合模糊集理论和可能性理论并运用pignistic变换,对待识别模式真正所属的类做出决策.采用梯度下降最小化误差函数,以实现参数的自适应学习.实验结果表明,该分类器误分类率低、鲁棒性强.
針對訓練模式類標籤不精確的識彆問題,提齣基于可傳遞信度模型的自適應模糊 k-NN(k-Nearest Neighbor)分類器.利用可傳遞信度模型結閤模糊集理論和可能性理論併運用pignistic變換,對待識彆模式真正所屬的類做齣決策.採用梯度下降最小化誤差函數,以實現參數的自適應學習.實驗結果錶明,該分類器誤分類率低、魯棒性彊.
침대훈련모식류표첨불정학적식별문제,제출기우가전체신도모형적자괄응모호 k-NN(k-Nearest Neighbor)분류기.이용가전체신도모형결합모호집이론화가능성이론병운용pignistic변환,대대식별모식진정소속적류주출결책.채용제도하강최소화오차함수,이실현삼수적자괄응학습.실험결과표명,해분류기오분류솔저、로봉성강.
