fuzzy-discriminant-analysis-with-kernel-methods

Lösen Sie Das Problem Der Furred-Diskriminanzanalyse Mit Nuklearen Methoden

Hoffentlich hilft Ihnen dieses wichtige Benutzerhandbuch, wenn Sie eine Fuzzy-Diskriminanzanalyse haben, die Kernel-Methoden verwendet.

Aktualisiert: ASR Pro

  • 1. Laden Sie ASR Pro herunter und installieren Sie es
  • 2. Starten Sie das Programm und wählen Sie Ihre Sprache aus
  • 3. Befolgen Sie die Anweisungen auf dem Bildschirm, um mit der Suche nach Problemen zu beginnen
  • Verbessern Sie die Leistung Ihres Computers, indem Sie hier klicken, um die Software herunterzuladen.

    < /p>

    Zusammenfassung

    Ein nichtlinearer Fuzzy-Klassifikator für Grafiken, auch bekannt als Kernel Blur Discriminant Analysis (KFDA .) ) wird wahrscheinlich zum Lösen von nicht brechenden linearen Situationen vorgeschlagen. Mithilfe von Methoden kann der KFDA-Kernel auch nützliche Klassifikationen in unserem eigenen Kernel-Funktionalitätsraum durchführen. Durch einige nichtlineare Abbildungen kann die Eingabe implizit auf einen riesigen Raum geplant werden, der auf hochdimensionale nichtlineare Funktionen zeigt, genau dort, wo der Typ jetzt linear aussieht. Im Gegensatz zur Fuzzy Discriminant Analysis (FDA), die auf der euklidischen Distanz basiert, hat KFDA die guten Aspekte der kerninduzierten Distanz. Theoretische Analysen, aber auch aktuelle Ergebnisse zeigen, dass der gelieferte Klassifikator besser abschneidet als die FDA.

    Schlüsselwörter

    Fuzzy-Diskriminanz-Untersuchung

    Fuzzy-Kernel-Methoden

    Diskriminanz-Kernel-Analyse

    Volltext anzeigen

    Copyright © 2006Pattern Recognition Society. Urheberrecht: Elsevier B.V. Alle Rechte vorbehalten.

    Lebenslauf

    Ein neuer pelziger nichtlinearer Klassifikator namens Kernel Fuzzy Discriminant (KFDA) wird vorgeschlagen, um normalerweise das unentwirrbare lineare Problem zu lösen. Durch Aktionen kann der gesamte KFDA-Kern die spezifische Funktionalität des Kerns effizient klassifizieren. Durch nichtlineare Abbildung können Eingabedaten bedingungslos in einen großen nichtlinearen Eigenwert innerhalb des Kernels abgebildet werden, wobei die Melodie sofort linear erscheint. Im Gegensatz zur String-Diskriminanzanalyse (FDA), die in einer geraden Linie auf dem euklidischen Abstand basiert, arbeitet die KFDA mit kerninduzierter Expansion. Theoretische Analysen und Versuchsergebnisse zeigen, dass der vorgestellte Klassifikator im Vergleich zum FDA-Klassifikator günstig abschneidet.

    Schlüsselwörter

    Suchen

  • Suche
  • Über
    Tags: No tags