模式分类与人工神经网络技术解析
1. 模式分类中的特征提取与转换
在模式分类任务中，常常会遇到一些问题影响分类的准确性。例如，“前方左转弯”和“前方右转弯”这类具有细微差异的类别，所使用的特征提取函数可能无法有效建模这些差异，从而使这些类别无法线性可分。另外，函数 Φhog(x) 可能会导致某些类别之间出现重叠，这两个原因都可能导致分类准确率较低。
为了改善这种情况，可以创建一个以 Φhog(x) 为输入，输出为 ˆd 维向量的新函数。例如：
[
\Phi(\Phi_{hog}(x)) =
\begin{bmatrix}
\varphi_1(\Phi_{hog}(x)) \
\varphi_2(\Phi_{hog}(x)) \
\vdots \
\varphi_{\hat{d}}(\Phi_{hog}(x))
\end{bmatrix}
=
\begin{bmatrix}
e^{-\gamma |\Phi_{hog}(x) - c_1|^2} \
e^{-\gamma |\Phi_{hog}(x) - c_2|^2} \
\vdots \
e^{-\gamma |\Phi_{hog}(x) - c_{\hat{d}}|^2}
\end{bmatrix}
]
其中，γ 是一个缩放常数，ci 是可以手动或自动定义的参数。通过这种方式，可以生成一个新的数据集 (\hat{X} = {(\Phi(\Phi_{hog}(x_1)), y_1), \ldots, (\Phi(\Phi_{hog}(x_n)), y_n)})，并在这个数据集上训练
