1) extension classification tree
可拓分类树
1.
In this paper, extension classification tree is proposed.
根据石墨的形态特征 ,运用物元分析方法建立起关于石墨形态识别的物元模型 ,提出了可拓分类树方法 ,讨论了可拓分类树的构造和实现途径 ,并将其应用于石墨形态的类型判别 ;给出了典型的实验结果 ,并对该方法与现有识别方法作出比较。
2) extension classification
可拓分类
1.
Research of the extension classification method and classification of flow units;
可拓分类方法及其在流动单元分类中的应用
2.
On the basis of the discussion about the extension classification,the hierarchy structure of the extension set is given.
在讨论可拓分类特点的基础上,给出了关于可拓集合的层次结构形式。
3.
According to extensible set theory,the definition of extension classification based on extension transformation is presented.
以可拓集理论为依据,给出基于可拓变换的可拓分类知识的定义,并在信息元集和评价信息元集的基础上,探讨可拓分类知识的获取方法,包括质变域知识的获取、量变域知识的获取和有关拓界的知识的获取。
3) extension clustering analysis
可拓聚类分析
1.
basing on extension theory and clustering analysis method,this paper discusses module partition of product theoretically and combines roving machine to divide it into different modules,the extension clustering analysis method for module partition of product is offered.
论文以可拓学理论和聚类分析方法为基础,对产品模块划分进行了理论探讨,并结合粗纱机的产品模块划分实例,给出了用于产品模块划分的可拓聚类分析方法。
4) extension classification knowledge
可拓分类知识
1.
EK includes extension classification knowledge,conductive knowledge and so on.
可拓学研究用形式化模型解决矛盾问题的理论与方法,可拓数据挖掘是可拓学和数据挖掘结合的产物,它探讨利用可拓学方法和数据挖掘技术,去挖掘数据库中与可拓变换有关的知识,包括可拓分类知识、传导知识等可拓知识。
5) extension tree
可拓树
补充资料：树分类器
需要通过多级判别才能确定模式所属类别的一种分类方法。多级判别过程可以用树状结构表示，所以称为树分类器。例如在对0～9十个数字进行识别时，可以先根据某些特征把0，6，8，9，4分成一类（C1）,把1，2，3，5，7分成一类(C2),然后根据这些特征或另外一些特征把0，6，8，9，4这一类再分成0，4，8一类 (C3)和4，6，9一类(C4)等，直到最后把各个数字分开为止（见图）。这种树状结构由节点和树枝所组成，它的特点是除了树根C0没有前级节点(父节点)以外，其余节点都有唯一的父节点（例如C的父节点是C,且所有的节点都可以从树根沿树枝所组成的路径达到。没有后继节点（子节点）的节点叫作叶，如C8，C10，C11等，其余的叫作非终止节点。每个非终止节点都只有两个子节点的树分类器，是最常用的一类树分类器，称为二分树分类器。
每个终止节点对应一个类别，为了提高树分类器的正确识别率，允许有几个叶对应同一个类别。非终止节点对应的类别是它的子节点所对应的类别的总和。
树分类器的设计需要解决以下几个问题：
① 确定树的结构。树结构影响正确识别率和平均判别次数，一般根据所研究问题的性质确定某种与正确识别率有联系的目标函数代替正确识别率，作为判断结构是否合理的标准，从树根出发在每个非终止节点寻找使目标函数达到最小（或最大）的子节点和对应的类别配置。
② 对每个非终止节点选择用于判别的特征子集，分枝限界算法能提供选择最佳特征子集的有效方法。
③ 为每个非终止节点确定判别函数，最常用的判别函数是线性判别函数。
由于在每个非终止节点需要判别的类别比较少，在多数情况下,可以用较少的特征和较简单的判别函数(因而较少的计算机时间)以达到总体上比较好的分类效果。
每个终止节点对应一个类别，为了提高树分类器的正确识别率，允许有几个叶对应同一个类别。非终止节点对应的类别是它的子节点所对应的类别的总和。
树分类器的设计需要解决以下几个问题：
① 确定树的结构。树结构影响正确识别率和平均判别次数，一般根据所研究问题的性质确定某种与正确识别率有联系的目标函数代替正确识别率，作为判断结构是否合理的标准，从树根出发在每个非终止节点寻找使目标函数达到最小（或最大）的子节点和对应的类别配置。
② 对每个非终止节点选择用于判别的特征子集，分枝限界算法能提供选择最佳特征子集的有效方法。
③ 为每个非终止节点确定判别函数，最常用的判别函数是线性判别函数。
由于在每个非终止节点需要判别的类别比较少，在多数情况下,可以用较少的特征和较简单的判别函数(因而较少的计算机时间)以达到总体上比较好的分类效果。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条