2.
Получен новый гибридный метод
,
объединяющий преимущества
подходов
k
-NN
и Парзена
.
Гибридный метод повышает точность распо
-
знавания образа с признаками
x
за счет адаптивной подстройки окон
-
ного параметра
σ
в зависимости от плотности и веса обучающих пар
y
n
,
q
n
в окрестности
x
.
Описанный гибридный метод апробирован в
экспертной системе распознавания бумажных документов
.
СПИСОК ЛИТЕРАТУРЫ
1. D u d a, R. O. Pattern Classification and Scene Analysis. second ed. / R.O. Duda,
P.E. Hart, D.G. Stork. – NY: John Wiley & Sons, 2000.
2. T h e o d o r i d i s, S. Pattern Recognition / S. Theodoridis, K. Koutroumbas. — New
York: Academic Press, 1999.
3. D a v i e s, E. R. Machine Vision: Theory, Algorithms, Practicalities / E.R. Davies. –
Oxford: Academic Press, 1997.
4. J a i n, A. K. Statistical pattern recognition: A review / A.K. Jain, R.P.W. Duin,
J. Mao // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2000.
– Vol. 22, no. 1. – P. 4–37. citeseer.ist.psu.edu/jain99statistical.html.
5. S c h a l k o f f, R. Pattern recognition: Statistical, structural and neural approaches /
R. Schalkoff. – Wiley, 1992.
6. S c h u r m a n n, J. Pattern classification, a unified view of statistical and neural
approaches / J. Schurmann. – John Wiley & Sons, 1996.
7. W e b b, A. Statistical Pattern Recognition / A. Webb. – London: Arnold, 1999.
8. F u k u n a g a, K. Introduction to statistical pattern recognition, second edition /
K. Fukunaga. – Academic Press, 1990.
9. M c L a c h l a n, G. Discriminant Analysis and Statistical Pattern Recognition /
G. McLachlan. – John Wiley & Sons, 1992.
10. D e v r o y e, L. A probabilistic theory of pattern recognition / L. Devroye, L. Gyorfi,
G. Lugosi. – Springer, 1996.
11. H a s t i e, T. The Elements of Statistical Learning / T. Hastie, R. Tibishirani,
J. Friedman. – Berlin: Springer, 2001.
12. V a p n i k, V. Statistical Learning Theory / V. Vapnik. – New York: John Wiley &
Sons, 1998.
13. P a r z e n, E. On estimation of a probability density function and mode / E. Parzen //
Annals of Math. Statistics. – 1962. – Vol. 33. – P. 1065–1076.
14. K a t k o v n i k, V. Nonparametric density estimation with adaptive varying window
size. – Signal Processing Laboratory, Tampere University of Technology. – 2000.
.
15. I z e n m a n, A. J. Recent developments in nonparametric density estimation / A. J.
Izenman // J. Am. Statistical Assoc. – 1991. – Vol. 86. – P. 205–224.
16. J e o n, B. Fast parzen density estimation using clustering-based branch and bound /
B. Jeon, D. Landgrebe // IEEE Trans. Pattern Analysis and Machine Intelligence. –
1994. – Vol. 16, no. 9. – P. 950–954.
17. G i r o l a m i, M. Probability density estimation from optimally condensed data
samples / M. Girolami, C. He // IEEE TRANSACTIONS ON PATTERN ANALYSIS
AND MACHINE INTELLIGENCE. – 2003. – Vol. 25, no. 10. – P. 1253–1264.
18. V. A h o. A Data structures and algorithms / A. V.Aho, J.E. Hopkroft, J.D. Ullman. –
Addison-Wesley, 1983.
ISSN 0236-3933.
Вестник МГТУ им
.
Н
.
Э
.
Баумана
.
Сер
. “
Приборостроение
”. 2005.
№
3 57
