论文部分内容阅读
常规的KNN—SVM联合分类器中K-近邻算法没有充分挖掘训练样本的信息．使用遍历的方法来计算待识别样本与训练样本之间的距离，特别是在训练样本巨大时，存在大量的冗余计算。针对该问题，将训练样本训练成K—D树的结构，设计了K—D树KNN—SVM分类器，该分类器可以大大减少这些多余的计算．从而提高了搜索效率．有效缩短了搜索时间。进行了仿真和实验研究．分别设计了KNN、SVM、KNN—SVM分类器对两类水下目标进行了分类识别，并对相关参数的选取进行了优化。实验结果表明：在选定了最佳参数后的KNN—SVM联合分类器