论文部分内容阅读
提出了一种基于类内类间离散度的最小距离分类器设计方法。该方法解决了分类过程中样本点分散和样本不可分问题。基本思想是:利用训练样本定义类内类间离散度矩阵,根据对离散度矩阵的分析,建立目标函数,求解目标函数,得到一组最优解。在分类时,应用最优解进行加权定义,从而获得更好的识别结果。采用UCI标准数据集实验,实验结果表明该算法具有一定的优越性。