分类器 | 分类方式 | 优点 | 缺点 |
分类决策树 | 用多级分类结构,每一级结构都是根据一个或多个特征参数识别调制类型。 | 方法相对简单,实时性好。 | 很大程度上依赖于特征参数的选取,需要事先确定判决门限。 |
人工神经网络 | 模拟人脑或自然神经网络的一种分类结构,通过调整网络权重和阈值来发现变量之间的关系,从而实现分类识别。 | 系统的识别率主要与特征整体性能有关,自动选取判决门限,具有自学习自适应能力,可以获取更高的识别率。 | 需要大量的训练数据,在非并行处理系统中的模拟运行速度很慢,容易出现欠学习和过学习,以及陷入局部极值,泛化能力不好控制。 |
支持向量机(SVM) | 从线性可分情况下的最优分类面引出的,对于非线性情况,把样本映射到特征空间,然后在高维的特征空间中构建出广义的线性分类面。 | 具有更强的泛化能力,并且不存在过学习和局部极值问题,具有良好的推广性,能在训练样本较少的情况下得到较好的效果。 | 大样本问题时,非线性支持矢量机存在支持矢量数目多,特征矢量多,占用存储空间大及训练时间长的问题。 |