18、分类器技术全解析：从实例到函数的深入探讨

分类器技术全解析：从实例到函数的深入探讨

1. 实例基分类器

1.1 受限库仑能量（RCE）网络

RCE网络得名于其受限库仑能量的特性。与最近邻分类器不同，它不受边界问题的影响。当输入模式远超出训练集原型所覆盖的区域时，该输入模式与任何原型的距离都不足以被分类。不过，要近似复杂的类别边界，仍需要高密度的原型。

1.2 向量量化

在RCE网络的基础上，向量量化技术在合适的情况下能显著减少原型的数量。RCE网络以现有原型模式为圆心（对于高维问题则是超球体的中心），通过调整圆的半径来实现对特定类别的最佳覆盖。向量量化还可以改变中心点的位置，使其成为一种“平均模式”，以更好地代表相应的类别或部分类别。

具体操作是找到一组特征向量 $q_j$，使得用最接近的向量 $q_j$ 替换每个向量 $i_k$ 所产生的误差最小化。根据具体过程，代表性特征向量的数量可以事先给定，也可以动态确定。由于所有可能的特征向量集由离散（即量化）的质心向量集表示，所以这种方法被称为向量量化。

1.3 模板匹配

模板匹配通常在分割的背景下讨论，但它的机制与带有额外拒绝阈值的最近邻分类器相同。每个图像部分都与所有现有模板进行比较，并分配给最相似模板的类别。与标准最近邻分类器相比，它有两个主要区别：
- 相似性度量 ：使用模板与图像部分之间的相关性，而不是欧几里得距离。
- 拒绝阈值 ：需要一个最小相关值才能进行类别分配，类似于模板匹配用作分割方法时所需的最小相似度。

模板匹配在计算要求和处理复杂类别边界的行为上与