1) linear discriminative analysis
线性判别分类
2) multi-feature discriminant classifier
多特征线性判别分类器
3) category divisible criterion
类别可分性判据
1.
Based on category divisible criterion,some features are selected to instruct initial judgement,completed rough classification of fault modes.
针对模拟电路可测节点数目有限以及特征矢量对故障诊断的影响,选取其端口电压作为研究对象;首先采用傅里叶变换对电路输出电压进行特征提取,构成样本空间,依据类别可分性判据选择部分特征,指导初级判决过程,完成故障模式的粗分类;对剩余特征采用主元分析方法进行特征压缩,指导下级判决过程,完成故障模式的细分类,从而建立分层决策树,最终实现故障的分离与定位;应用仿真结果表明,此方法提高了诊断效率,具有一定的实用价值。
4) identification and classification
判别分类
1.
Application of unascertained measure model in identification and classification of expansive soils;
未确知测度模型在膨胀土判别分类中的应用
2.
Free swelling ratio is an important index for identification and classification of expansive soil.
阐述该指标的意义和试验方法,系统开展自由膨胀比试验和膨胀土物理力学指标试验,试验表明:相对自由膨胀率而言,自由膨胀比与阳离子交换量、比表面积、蒙脱石含量具有更好的相关性,能较好反映膨胀土的胀缩特性;将自由膨胀比与公路规范中常用的指标液限、塑性指数、标准吸湿含水量进行对比分析,发现自由膨胀比作为膨胀土判别与分类指标具有更高的可信度,同时自由膨胀比与这些指标相关关系也较好,可将其结合起来用于膨胀土的判别分类中。
5) classification judgment
分类判别
1.
For that reason,we presented using prestack seismic data to pick up various attributes,then,computing changing gradient or average value of attributes relative to offsets in all traces of each CDP gather,and using cluster analysis and classification judgment to carry out pattern recognition for picked seismic attributes;we also prese.
为此提出针对叠前地震数据提取各种属性,然后再对每个CDP所有地震道属性求取它们相对于炮检距的变化梯度或平均值,再对提取的地震属性采用聚类分析和分类判别的方法进行模式识别。
6) classification
[英][,klæsɪfɪ'keɪʃn] [美]['klæsəfə'keʃən]
判别分类
1.
This essay briefly presents some problems on the classification of igneous rocks nowadays, such as some kinds of rocks have no place in the traditional classification diagrams, some overlapping area exists because of less rock chemical parameters, and some wrong classifications resulted because of the existence of glass matter.
研究表明该分类方法是合理的、可行的,取得了良好的判别分类效果,对46个检验样本的判对率达97。
补充资料：线性判别函数
统计模式识别中用以对模式进行分类的一种最简单的判别函数。在特征空间中，通过学习，不同的类别可以得到不同的判别函数，比较不同类别的判别函数值大小，就可以进行分类。统计模式识别方法把特征空间划分为决策区对模式进行分类。一个模式类同一个或几个决策区相对应。每个决策区对应一个判别函数。对于特征空间中的每个特征向量x,可以计算相应于各个决策区的判别函数gi(x),i=1,2,...,c。用判别函数进行分类的方法就是：若对所有的i均有gi(x)≥gi(x),则把x分为第j类,记成r(x)＝j。对于线性判别函数,gi(x)的函数形式为
gi(x)＝Wi0＋Wi1x1＋Wi2x2＋...＋Widxd式中x1,x2,...,xd是输入模式特征向量的各个分量，Wi0，Wi1,...,Wid组成与第i类对应的权向量，它们的大小反映与它们对应的特征向量的各个分量在确定第 i类判别函数值的重要程度。
特征空间中分别与第i类、第j类相对应的区域之间的决策边界形式为
对于一个两类分类器,可以计算g(x)＝g2(x)-g1(x)。若g(x)≥0，则r(x)＝2，相应于决策区R2。若g(x)＜0,则r(x)＝1，相应于决策区R1。这一结果可写成
式中sgn(Z)是符号函数，在Z≥0时等于1,在Z＜0时等于-1。这样一个两类线性分类器具有图中的形式。
人们已研究出多种求取决策边界的算法。线性判别函数的决策边界是一个超平面方程式，其中的系数可以从已知类别的学习样本集求得。F.罗森布拉特的错误修正训练程序是求取两类线性可分分类器决策边界的早期方法之一。在用线性判别函数不可能对所有学习样本正确分类的情况下，可以规定一个准则函数（例如对学习样本的错分数最少）并用使准则函数达到最优的算法求取决策边界。用线性判别函数的模式分类器也称为线性分类器或线性机。这种分类器计算简单，不要求估计特征向量的类条件概率密度，是一种非参数分类方法。
当用贝叶斯决策理论进行分类器设计时，在一定的假设下也可以得到线性判别函数，这无论对于线性可分或线性不可分的情况都是适用的。在问题比较复杂的情况下可以用多段线性判别函数（见近邻法分类、最小距离分类）或多项式判别函数对模式进行分类。一个二阶的多项式判别函数可以表示为
与它相应的决策边界是一个超二次曲面。
参考书目
R.O.Duda and P.E.Hart，Pattern Classificationand Scene Analysis,John Wiley & Sons，New York,1973.
gi(x)＝Wi0＋Wi1x1＋Wi2x2＋...＋Widxd式中x1,x2,...,xd是输入模式特征向量的各个分量，Wi0，Wi1,...,Wid组成与第i类对应的权向量，它们的大小反映与它们对应的特征向量的各个分量在确定第 i类判别函数值的重要程度。
特征空间中分别与第i类、第j类相对应的区域之间的决策边界形式为
对于一个两类分类器,可以计算g(x)＝g2(x)-g1(x)。若g(x)≥0，则r(x)＝2，相应于决策区R2。若g(x)＜0,则r(x)＝1，相应于决策区R1。这一结果可写成
式中sgn(Z)是符号函数，在Z≥0时等于1,在Z＜0时等于-1。这样一个两类线性分类器具有图中的形式。
人们已研究出多种求取决策边界的算法。线性判别函数的决策边界是一个超平面方程式，其中的系数可以从已知类别的学习样本集求得。F.罗森布拉特的错误修正训练程序是求取两类线性可分分类器决策边界的早期方法之一。在用线性判别函数不可能对所有学习样本正确分类的情况下，可以规定一个准则函数（例如对学习样本的错分数最少）并用使准则函数达到最优的算法求取决策边界。用线性判别函数的模式分类器也称为线性分类器或线性机。这种分类器计算简单，不要求估计特征向量的类条件概率密度，是一种非参数分类方法。
当用贝叶斯决策理论进行分类器设计时，在一定的假设下也可以得到线性判别函数，这无论对于线性可分或线性不可分的情况都是适用的。在问题比较复杂的情况下可以用多段线性判别函数（见近邻法分类、最小距离分类）或多项式判别函数对模式进行分类。一个二阶的多项式判别函数可以表示为
与它相应的决策边界是一个超二次曲面。
参考书目
R.O.Duda and P.E.Hart，Pattern Classificationand Scene Analysis,John Wiley & Sons，New York,1973.
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