导读:本文包含了最小词分类错误论文开题报告文献综述及选题提纲参考文献，主要关键词:纹理分类,无抽样小波变换,高阶统计量,最小分类错误
最小词分类错误论文文献综述
殷保忠[1]（2007）在《基于小波高阶统计量和最小分类错误概率的纹理分类算法研究》一文中研究指出纹理图像是由紧密交织在一起的基元组成的某种结构，具有局部的不变规则和整体的规律性。纹理分类是计算机视觉研究领域的一个基础性问题，有着重要的研究意义，其研究成果在图像分割、图像检索、模式识别、机器视觉等领域中都有重要的应用。纹理图像的一个本质特性是具有超高斯概率密度分布；另外，当选取小波变换作为纹理变换的算法时，图像的小波表达具有非高斯分布特征。在特征选取方面，目前大家用的最多的是二阶统计量(如方差)。但是二阶统计量本质上是无法全面描述非高斯特征的。为了解决这一问题，本研究中，我们选取高阶统计量，如偏态系数(skewness)和尖态系数(kurtosis)作为描述纹理图像信息的特征。将高阶统计量融入到纹理的特征表达可以有两种方式。第一种是将高阶统计量和二阶统计量结合使用的紧凑表达方式，这种方式可以提高所提取的特征对于图像信息的描述能力，进而在此基础上提高图像的分类准确率。另外一种是选取谱直方图(spectral histograms)作为特征来描述纹理信息的全面表达方式，它是采用图像滤波变换后的概率分布来特征化图像信息，这样更有利于纹理图像信息的表达。该研究中，这两种方式均得到了运用。分类器的性能是和判别式准则的选择紧密相联的，一个令人满意的判别式准则应该与分类的性能相一致，并且应该易于实现分类器参数的最优化。目前普遍使用的判别式准则有感知器准则、松弛准则和最小平方误差(MSE)准则。以上叁种判别式准则的最大缺点在于：它们的决策准则没有深入到用函数形式表示的适合最优化的误差函数里，结果导致判别式准则与最小分类错误概率的目标不相一致。因此，使用这叁种判别式准则去设计分类器的话，分类器并不能达到最优化的效果，从而分类的结果也达不到最小错误率的要求。为了解决这一问题，本研究中，我们使用了一种新的判别式准则一最小分类错误(MCE)准则，它用函数的形式来表达决策过程，这样更利于最优化的实现。同传统的判别式准则相比，MCE准则与最小分类错误概率的目标更加一致。因此，建立在MCE准则基础上的分类器设计将能真正的满足最优化的条件，从而达到一个另人满意的分类效果。从上述两点出发，本文研究开发了一种新的纹理分类的算法，使用该算法对25类BrodTex纹理图像进行了评估，分类精确度达到90％以上。(本文来源于《合肥工业大学》期刊2007-12-01）
张江安,杨洪柏,林良明,颜国正[2]（2002）在《基于最小分类错误训练的神经网络分类器设计》一文中研究指出提出了一种基于最小分类错误 (MCE)训练的采用多层感知器 (MLP)结构的模式分类器设计方法 .这是一种以分类错误率最小化为目标的模式分类器设计方法 ,将它用于 MLP分类器设计能够进一步提高分类器的性能 .采用 MLP实现 MCE训练中的分类损失计算 ,从而将 MCE训练过程与 MLP分类器设计统一在一个神经网络结构中 ,通过 BP算法予以实现 .这不仅能达到提高MLP分类器性能的目的 ,而且简化了它的设计过程(本文来源于《上海交通大学学报》期刊2002年07期）
韩纪庆[3]（2001）在《基于最小分类错误准则的判别学习方法》一文中研究指出介绍了一种近年来正被广泛重视的模式识别方法——基于最小分类错误准则的判别学习方法 ,讨论了该方法的基本原理及其可能的应用领域(本文来源于《电子工程师》期刊2001年02期）
王巍,王成友,唐朝京[4]（2000）在《基于最小错误分类训练算法的说话人识别研究》一文中研究指出本文在隐马尔可夫模型(Hidden Markov Model,简写为HMM)的基础上,对HMM参数的估计提供了一种新的训练算法——最小错误分类(Minimum Classification Error,简写为MCE)训练算法,介绍了算法的基本思想和基本原理;建立了一个依赖于数字的说话人辨认系统,训练过程中采用了MCE算法,识别的正确率达到了93.3%.(本文来源于《中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集》期刊2000-08-01）
最小词分类错误论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出了一种基于最小分类错误 (MCE)训练的采用多层感知器 (MLP)结构的模式分类器设计方法 .这是一种以分类错误率最小化为目标的模式分类器设计方法 ,将它用于 MLP分类器设计能够进一步提高分类器的性能 .采用 MLP实现 MCE训练中的分类损失计算 ,从而将 MCE训练过程与 MLP分类器设计统一在一个神经网络结构中 ,通过 BP算法予以实现 .这不仅能达到提高MLP分类器性能的目的 ,而且简化了它的设计过程
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
最小词分类错误论文参考文献
[1].殷保忠.基于小波高阶统计量和最小分类错误概率的纹理分类算法研究[D].合肥工业大学.2007
[2].张江安,杨洪柏,林良明,颜国正.基于最小分类错误训练的神经网络分类器设计[J].上海交通大学学报.2002
[3].韩纪庆.基于最小分类错误准则的判别学习方法[J].电子工程师.2001
[4].王巍,王成友,唐朝京.基于最小错误分类训练算法的说话人识别研究[C].中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集.2000