As mentioned above, SBTSVM and BBTS

As mentioned above, SBTSVM and BBTSVM can separate classes
from the nodes of binary tree. However, the processing is random,
indicating that we do not know which classes are separated first.
Therefore, the separabilitymeasure should be calculated for the constructed
BT.
In order to reduce the classification error in the root node, the
class with long distance should be classified firstly. In general, hyperspectral
image has massive bands with abundance of information.
There are many separability rules as follows: average distance between
samples, relative distance between samples, and discrete degree,
etc. If the samples have same distance between different
classes or different distance appears in the same classes, the average
distance cannot measure the separability. Relative distance also is of

ผลลัพธ์ (ไทย) 1:

ดังกล่าวข้างต้น SBTSVM และ BBTSVM สามารถแยกชั้นเรียนจากโหนของต้นไม้ไบนารี อย่างไรก็ตาม การประมวลผลจะสุ่มแสดงว่า เราไม่ทราบว่าจะแยกครั้งแรกดังนั้น ควรคำนวณการ separabilitymeasure สำหรับการสร้างบาทเพื่อลดข้อผิดพลาดการจัดประเภทในโหน การด้วยระยะไกลควรจัดประเภทแรก ใน hyperspectral ทั่วไปภาพมีวงขนาดใหญ่ มีความอุดมสมบูรณ์ของข้อมูลมีหลาย separability กฎเป็นดังนี้: ห่างเฉลี่ยระหว่างตัวอย่าง ญาติระยะห่างระหว่างตัวอย่าง และแยกระดับฯลฯ ถ้ามีตัวอย่างห่างกันระหว่างความแตกต่างกันเรียนหรือระยะทางที่แตกต่างกันที่ปรากฏในชั้นเรียนเดียวกัน เฉลี่ยระยะทางไม่สามารถวัดการ separability ระยะทางสัมพัทธ์ยังเป็นของ

ผลลัพธ์ (ไทย) 2:

ดังกล่าวข้างต้นและ SBTSVM BBTSVM สามารถแยกชั้นเรียน
จากโหนดของต้นไม้ไบนารี แต่การประมวลผลเป็นแบบสุ่ม
แสดงให้เห็นว่าเราไม่ทราบว่าการเรียนจะถูกแยกออกเป็นครั้งแรก.
ดังนั้น separabilitymeasure ควรจะคำนวณสำหรับสร้าง
BT.
เพื่อลดข้อผิดพลาดในการจัดหมวดหมู่ในโหนดรากที่
เรียนกับทางไกลควรจะเป็น จำแนกแรก โดยทั่วไป Hyperspectral
ภาพมีวงดนตรีขนาดใหญ่ที่มีความอุดมสมบูรณ์ของข้อมูล.
มีกฎระเบียบที่แยกได้หลายมีดังนี้ระยะทางเฉลี่ยระหว่าง
กลุ่มตัวอย่างญาติห่างระหว่างตัวอย่างและการศึกษาระดับปริญญาต่อเนื่อง
ฯลฯ หากกลุ่มตัวอย่างมีระยะทางเดียวกันแตกต่างกันระหว่าง
เรียนหรือระยะทางที่แตกต่างกันจะปรากฏในชั้นเรียนเดียวกันค่าเฉลี่ยของ
ระยะทางไม่สามารถวัดแยก ระยะทางญาติยังเป็นของ

ผลลัพธ์ (ไทย) 3:

ดังกล่าวข้างต้น และ sbtsvm bbtsvm สามารถแยกชั้นเรียนจากโหนดของต้นไม้ไบนารี อย่างไรก็ตาม กระบวนการสุ่มแสดงว่าเราไม่รู้ที่เรียนจะแยกแรกดังนั้น separabilitymeasure ควรจะคำนวณสำหรับสร้างบาทเพื่อลดการผิดพลาดในปมราก ,ชั้นเรียนทางไกลควรจัดก่อน โดยทั่วไป hyperspectralภาพมีวงดนตรีขนาดใหญ่ที่มีความอุดมสมบูรณ์ของข้อมูลมีหลายการแยกออกกฎดังนี้ ระยะทางเฉลี่ยระหว่างตัวอย่าง ญาติห่างๆ ระหว่างตัวอย่าง และระดับที่ไม่ต่อเนื่องฯลฯ ถ้าตัวอย่างมีระยะห่างกันระหว่างที่แตกต่างกันบทเรียนที่แตกต่างกันหรือระยะทางที่ปรากฏในชั้นเรียนเดียวกัน เฉลี่ยไม่สามารถวัดระยะห่างที่แยกได้ . ยังเป็นญาติห่างๆของ