试样本,试验配置为:髌担硬盘,内4605时待识别样本点与各超球外表面的距离,可以看到该点与第个超球的外表面距离最近.而谈超球正好覆盖的是一部分银杏叶片的样本点。同时我们也用同一批数据对最近邻分类器、唤诜掷嗥饕约癇窬输入节点数为,隐层节点数为.输出节点数为辛瞬馐裕列出了四种分类器的训练时间、识别时间、存储空间和平均识别率。34的存储向量数比后面两者要小得多,而识别率只比后两者有微弱的下降。虽然移动中心超球分类器需要训练而其它两种币需要.但当对于一个具有庞大样本数量的工程而言,町以看出由于识别时间和存储空间上的优势,移动中心超球分类器是一个更好的选择。与神经网络对比可以看山网络基本上不需要什么存储空问.识别时闻也比较短.但训练时间却比移动中心超球分类器长很多.而且随着样本数量的增加,网络收敛速度会非常慢,同时有可能会陷入局部极小.因此移动中心F在这篇文章里我们提出了提取叶片的形状特征并且结台一种新的移动中心超球分类器对叶片进行识别的方法。文中介绍的方法已经成功毪赢用在我们开发的植物叶片识别欤件系PLRSl0Visual开发,能够对银杏、广玉兰、桂花、海桐、黄芽、石楠等多种植物的叶片实现预处理、特征提取和自动识别.并且平均识别率达到了%。下一步T以及进一步地提高移动中心超球分类器的识别率上向。(20054)2006-03用桌测试分类器性能的种植物叶片圈虸练结束时各超球的半径53珺:频滤窬缒J绞侗鹣悼永砺邸綧】北京:电子工业出版社,31M1999Methud[j]ics;:FreemanOnTheoEr19628(2)179-187nationPatternRecognition199326(5)683-686中国农业大学学报,;:~9-1200021(4)ics199328B(3)477--4803SonkaVaclav.puters1961EC10260268.瓹—.—10D甌
全文预览
