1) Tree State Strategy
树状分类策略
2) sorting strategy
分类策略
1.
In this paper, a new embedded zero tree wavelet ECG signal coding algorithm is presented, in which the bit allocation is changed, the zero tree set is improved and the partition-sorting strategy is revised.
新的嵌入零树小波ECG信号编码算法能够通过合理分配比特、改进零树集合、完善分类策略等措施进一步提高SPIHT算法的工作效率 。
2.
In this paper, a new embedded zerotree wavelet image coding algorithms is presented, in which the bit allocation is changed, the zerotree set is improved and the partition-sorting strategy is revised.
该算法能够通过合理分配比特、改进零树集合、完善分类策略等措施进一步提高SPIHT算法的工作效率。
3) Classification strategy
分类策略
1.
An evidence classification strategy based on similarity of evidence
一种基于证据相似性的证据分类策略
5) decision tree classification
决策树分类
1.
In this paper,a set of optimized textures was chosen,which was used to classify the high spatial resolution remote sensing image based on decision tree classification(DTC) combined with multiscale texture data.
通过选择最佳纹理尺度组合,利用光谱数据结合多尺度纹理对高分辨率影像进行决策树分类。
2.
In this research, three different types decision tree classification (UDT, MDT and HDT) are present.
基于决策树分类算法在遥感影像分类方面的深厚潜力 ,探讨了 3种不同的决策树算法 (UDT、MDT和HDT)。
6) decision tree
决策树分类
1.
A method of classifying users using decision tree technique was presented in the paper, which realized users classification according to their access patterns through processing Web session file, signing class and classifying users using decision tree, so that personalized recommendation and guide can be done for different users, and E-Services quality was improved.
提出了一种应用决策树分类技术进行用户分类的方法 ,通过对 Web会话文件的处理、赋予类标记及决策树分类过程 ,实现了根据访问模式对用户的分类 ,以便个性化推荐和指导能够针对不同类别的用户进行 ,从而提高 E- Ser-vices中个性化服务的质量 。
2.
Then the decision tree classification,the maximum likelihood method in the surveillance classification in practice and the precision comparison in the land.
TM遥感影像能获取丰富的地面信息,适合于大面积的宏观监测,文章利用分层分类的方法提取南京江宁区土地利用信息,获得了土地利用变化图,并对土地利用分类方法中的决策树分类和监督分类方法中的最大似然法在实践中的应用和精度比较进行了探讨,最后结合GIS空间分析方法对分类的结果图进行比较分析,并分析其变化的原因。
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