基于径向基函数网络估计密度函数的数据分类

摘要

针对样本总体分布已知的分类问题,提出了一种新的分类方法.通过非线性映射将训练样本映射到高维特征空间,基于向量投影法从训练样本中选择边界向量,运用多维二叉树搜索法确定每个边界向量同类中的k近邻,运用统计理论中的大数定理估计样本的类条件概率密度函数,由边界向量与相应的密度函数构成新的训练样本对.对每一类数据建立一个径向基函数(RBF)网络,以相应类的边界向量作为中心,通过训练以RBF网络来估计样本的类条件概率密度,并采用基于最小错误率的贝叶斯决策来实现分类.对机器学习数据的仿真研究结果表明该方法具有与支持向量机(SVM)相似的识别率,并且能快速有效地实现多类分类.