1、分类器对像素分类的低错分率为信任域算法提供了更好的基础。

2、另一方面提出了在一定错分率存在的条件下的模糊集合间的相对错分率，之后结合这两个理论给出了基于模糊邻域算子的模糊变精度粗糙集模型。

3、对两种阈值和偏置计算方法的仿真实验结果表明，在错分率降可接受的范围内，二者均使用较少的弱分类器便可获得高识别率的强分类器。

4、通过计算抽取模式的上下文之间的语义相似度可以降低模式聚类的错分率，提高词典内涵属性值抽取的准确率。

5、同时为了保证学习的精度，采用往初始训练样本集中加入边界样本和错分样本的策略来更新训练样本集，迭代训练直到错分样本数目不变为止。

6、给出决策树的生成算法，提出了利用交叠系数来控制交叠，从而克服错分积累，提高分类准确率。

7、对仿真脑部MR图像分割，该算法错分率低于基于核函数的FCM算法其及改进算法。

8、与其错分不如不分，我索性统统使用“模因”这个术语。

9、它较好地匹配了树的复杂性和训练样本量及错分率界。

10、核函数生成既考虑了训练集样本自身的类别因素，又考虑了错分样本与邻近类别的关系。

11、应用效果表明，该方法简单有效，但对于混合光谱容易错分。