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。