势函数的目的

用势函数的概念来确定判别函数和划分类别界面。

基本思想

1.假设要划分属于两种类别ω1和ω2的模式样本,这些样本可看成是分布在n维模式空间中的点xkx_kxk​。
2.把属于ω1的点比拟为某种能源点,在点上,电位达到峰值。
3. 随着与该点距离的增大,电位分布迅速减小,即把样本xkx_kxk​附近空间x点上的电位分布,看成是一个势函数K(x,xk)K(x, x_k)K(x,xk​)。
4.对于属于ω1的样本集群,其附近空间会形成一个“高地”,这些样本点所处的位置就是“山头”。
5. 同理,用电位的几何分布来看待属于ω2的模式样本,在其附近空间就形成“凹地”。
6. 只要在两类电位分布之间选择合适的等高线,就可以认为是模式分类的判别函数。

判别函数的产生

  1. 模式分类的判别函数可由分布在模式空间中的许多样本向量xk,k=1,2,…且{x_k, k=1,2,…且 }xk​,k=1,2,…且的势函数产生。
  2. 任意一个样本所产生的势函数以K(x,xk)K(x, x_k)K(x,xk​)表征,则判别函数d(x)d(x)d(x)可由势函数序列K(x,x1),K(x,x2),…K(x, x_1), K(x, x_2),…K(x,x1​),K(x,x2​),…来构成,序列中的这些势函数相应于在训练过程中输入机器的训练模式样本x1,x2,…。x_1,x_2,…。x1​,x2​,…。
  3. 在训练状态,模式样本逐个输入分类器,分类器就连续计算相应的势函数,在第kkk步迭代时的积累位势决定于在该步前所有的单独势函数的累加。
  4. 以K(x)K(x)K(x)表示积累位势函数,若加入的训练样本xk+1x_k+1xk​+1是错误分类,则积累函数需要修改,若是正确分类,则不变。

第二类势函数


势函数的选择

用第二类势函数,当训练样本维数和数目都较高时,需要计算和存储的指数项较多。
正因为势函数由许多新项组成,因此有很强的分类能力。

选择势函数的条件:

一般来说,若两个n维向量xxx和xkx_kxk​的函数K(x,xk)K(x, x_k)K(x,xk​)同时满足下列三个条件,则可作为势函数。
K(x,xk)=K(xk,x)K(x, x_k)=K(x_k, x)K(x,xk​)=K(xk​,x),并且当且仅当x=xk时达到最大值;
当向量x与xk的距离趋于无穷时,K(x,xk)K(x, xk)K(x,xk)趋于零;
K(x,xk)K(x, x_k)K(x,xk​)是光滑函数,且是x与xkx与x_kx与xk​之间距离的单调下降函数。

势函数法 (一种确定性的非线性分类方法)相关推荐

  1. 【模式识别与机器学习】——3.9势函数法:一种确定性的非线性分类方法

    目的 用势函数的概念来确定判别函数和划分类别界面. 基本思想 假设要划分属于两种类别ω1和ω2的模式样本,这些样本可看成是分布在n维模式空间中的点xk. 把属于ω1的点比拟为某种能源点,在点上,电位达 ...

  2. runtime 分类结构体_几种常见滚动轴承的分类方法

    一.按滚动轴承结构类型分类 1. 轴承按其所能承受的载荷方向或公称接触角的不同,分为: ①向心轴承----主要用于承受径向载荷的滚动轴承,其公称接触角从0到45.按公称接触角不同,又分为:径向接触轴承 ...

  3. 关于图像模式识别的几种分类方法概述

    1.基于概率统计的Bayes分类器 因为在实际分类中由于考虑的侧重点不同或者关心的点不一样导致不能使用同一决策去解决所有的事件的分类,所以需要根据不同的准测函数选择不同的分类决策(基于最小错误率的Ba ...

  4. 基于cnn的短文本分类_基于时频分布和CNN的信号调制识别分类方法

    文章来源:IET Radar, Sonar & Navigation, 2018, Vol. 12, Iss. 2, pp. 244-249. 作者:Juan Zhang1, Yong Li2 ...

  5. 数据挖掘算法揭秘篇——分类方法(一)

    分类是一种重要的数据挖掘技术,其目的是根据数据集的特点构造一个分类函数或分类模型(也常称作分类器),该模型能把未知类别的样本映射到给定的类别当中. 分类可描述如下:输入数据,或称训练集(Trainin ...

  6. 模式识别中利用二型势函数法求解非线性分类器的原理以及python代码实现

    前言 在学校的深度学习实验过程中,由于要求实现非线性分类器的势函数实验中给出的例程代码是matlab语言的(ps:自从电脑被偷了以后,新电脑没有装matlab),我便想到用python实现非线性分类器 ...

  7. 基于朴素贝叶斯和LSTM的两种新闻文本分类方法

    新闻文本分类 文章目录 新闻文本分类 一.项目背景 二.数据处理与分析 三.基于机器学习的文本分类--朴素贝叶斯 1. 模型介绍 2. 代码结构 3. 结果分析 四.基于深度学习的文本分类--LSTM ...

  8. 201912一种改进动物音频分类的数据增强方法

    Data augmentation approaches for improving animal audio classification 标题:一种改进动物音频分类的数据增强方法 作者: Lori ...

  9. 计算机网络根据所使用的传输技术,计算机网络的基本分类方法主要有两种:一种是根据网络所使用的传输技术;另一种是根据(  )。...

    摘要: 男士拒绝不能,计算机网基本技术女士通常讲究由男邀请士去,在舞场上,女士拒绝不过可以.主要种种种性肾性肾后性尿崩管结症.慢竭C竭D引起输尿石可肾前衰竭肾性肾衰.肾肾衰衰竭.同的组成价旅于包游合不 ...

最新文章

  1. SpringBoot第十三篇:springboot集成spring cache
  2. Keepalived+LVS+Nginx负载均衡之高可用
  3. windows批处理實例
  4. 【vbs】vbs写ini文件
  5. python if条件思维导图_跟老齐学Python之从if开始语句的征程
  6. Angular 项目里 angular.json 文件内容的学习笔记
  7. 音视频中的CBR,VBR,ABR
  8. 更改tomcat自带的logo
  9. php 每七天执行代码,十天学会PHP之第七天
  10. 直播预告丨技术干货:易鲸捷HTAP融合型分布式数据库连接服务层介绍
  11. 生活杂谈-简单电器维修知识
  12. 饥荒插件制作应注意的几个问题
  13. Go语言 编写代码统计出字符串中汉字的数量
  14. linux安装及配置mycat eye可视化监控界面
  15. django博客项目-文章详情页功能
  16. 利用streamline函数绘制电力线
  17. 关于全民答题的一些反思
  18. 北大青鸟ACCP5.酒店管理源码
  19. 8*8全彩点阵的使用
  20. 微软的井盖为什么是圆的

热门文章

  1. 测线仪正确使用方法图解3
  2. 【webrtc 】P2P的JsepTransport 的创建与 管理
  3. oracle数据库null和空字符串区别,null和空字符串('')的区别
  4. DDoS 攻击继续激增
  5. Pytorch实现Top1准确率和Top5准确率
  6. RT_Thread_临界资源保护
  7. python 测试用例管理工具_好用又免费的测试用例管理工具有哪些?
  8. VMware里CentOS7与win10共享文件【完美跑通】
  9. JVM 问题排查分析上篇(调优经验)
  10. lvgl 电池电量显示