Siempre que aplique los métodos de Aprendizaje automático / Reconocimiento de patrones / Inteligencia artificial, la misma idea es válida: obtenga las funciones y conéctelas.
En el caso de la clasificación de objetivos de radar, las características se pueden extraer de la FFT (Transformada rápida de Fourier) de la señal. Algunos autores usan el primer y segundo ancho del lóbulo principal y el número de lóbulos, por ejemplo (véase la página en thescipub.com)
Ahora es fácil: vamos con nuestros datos a kNN. Un cierto número de objetivos ya conocidos y clasificados llenan su espacio (digamos que es un espacio 3d con dimensiones como se mencionó anteriormente: primer y segundo ancho del lóbulo principal y número de lóbulos). Ahora crea un nuevo registro y desea clasificar el objetivo. Encuentra su lugar en el espacio entre los demás, y luego encuentras k vecinos más cercanos a él. Eliges k en tu fase de ajuste para que la clasificación tenga el menor error. Digamos que lo ha ajustado para que sea k = 10. Ahora, en la aplicación de su kNN, simplemente tomará 10 vecinos de su punto recién medido y contará cuántos de cada clase de objetivos hay en esos 10. Para ejemplo, si está clasificando sus objetivos en dos clases, A-ers y B-ers, y si tiene 7 A-ers y 3 B-ers en el vecindario 10-NN, su algoritmo coloca el nuevo objetivo en A- ers clase, y ahora ese objetivo también se puede usar para clasificar nuevos objetivos, es decir, su espacio se está poblando cada vez más.
- ¿Cómo pueden pasar las señales de alta frecuencia a través de la pared? Cual es el principio?
- ¿Por qué la prueba de circuito abierto produce pérdidas en el núcleo mientras que la prueba de cortocircuito produce pérdidas de cobre?
- ¿Por qué Tesla ya fabrica autos 100% eléctricos pero otras compañías no?
- ¿Cómo se da cuenta la electricidad de que hay un circuito abierto o un cortocircuito? ¿Cuál es una explicación del comportamiento de este fenómeno?
- ¿Por qué no podemos usar conexiones de 2 fases, como 1 fase y 3 fases, en el hogar?