排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
为解决支持向量机在分类识别前需要利用已知训练集进行训练的问题,本文提出了一种基于k均值的对无标识数据进行分类的支持向量机分类算法。首先利用k均值算法将未知数据划分成某个数量的子集,然后对新数据进行支持向量机训练得到决策边界与支持矢量,最后对无标识数据进行分类。模拟结果表明:训练时消耗的CHU时间为1.8280秒,支持向量个数为60时,分类错误率小于2%。 相似文献
2.
高阶统计量在水下目标识别中的应用 总被引:2,自引:0,他引:2
利用了高阶统计量进行特征提取的方法,着重研究了采用双谱分析的方法提取舰船辐射噪声,给出了双谱矩阵处理的峰值化算法,提取了47维的特征向量并利用BP神经网络对他们进行训练与识别,结果表明,A类目标的正确识别率为83%,B类目标为88%,C类目标为85.19%,D类目标为85.7%。 相似文献
3.
基于模糊C均值的支持向量机数据分类识别 总被引:2,自引:3,他引:2
提出一种基于模糊C均值的支持向量机分类算法,通过模糊C均值算法对未知类别数据进行划分,然后再利用支持向量行对划分后的数据机进训练。解决了以往人们应用支持向量机进行数据分类识别前必须采用已知类别的数据对支持向量机进行训练的弊端,提高了数据分类的效率。 相似文献
4.
1