青岛安全通道车牌识别供应厂家

　　决策树模型的特点:与其他分类算法相比，决策树模型有以下优点:可理解性强、速度快。一般决策树模型缺点是:缺乏伸缩性:由于进行深度优先搜索，所以算法受内存大小限制，难于处理大训练集。为了处理大数据集或连续量的种种改进算法（离散化、取样）  不仅增加了分类算法的额外开销，而且降低了分类的准确性，对连续性的字段比较难预测，当类别太多时，错误可能就会增加的比较快，对有时间顺序的数据，需要很多预处理的工作。在有噪声的情况下，拟合将导致过分拟合（overfitting），即对训练数据的拟合反而不具有很好的预测性能。

　　车牌识别系统可以在识别过程中比较数据，并与背景大数据中的可疑车辆进行比较。一旦确定，它可以自动报警并有效协助警察。同时，安装在社区和学校出入口的车牌识别器还可以自动识别内部和外部车辆，从而提高了社区、学校的安全性。

　　基于分类器的字符识别基于分类器的字符识别，是目前应用较广的一种车牌识别方式。其主要的思路是通过对样本数据的学，达到自动将数据分类到已知类型。分类器其实是一种数学模型，目前有很多类型的分类器，包括Bayes分类器、决策树模型、BP神经网络分类器等。 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有大后验概率的类作为该对象所属的类。也就是说，贝叶斯分类器是小错误率意义上的优化。

　　应用贝叶斯网络分类器进行分类主要分成两阶段。阶段是贝叶斯网络分类器的学，即从样本数据中构造分类器，包括结构学和CPT学；第二阶段是贝叶斯网络分类器的推理，即计算类结点的条件概率，对分类数据进行分类。这两个阶段的时间复杂性均取决于特征值间的依赖程度，因而在实际应用中，往往需要对贝叶斯网络分类器进行简化。根据对特征值间不同关联程度的假设，可以得出各种贝叶斯分类器，Naive Bayes、TAN、BAN、GBN就是其中较典型、研究较深入的贝叶斯分类器。