A.模式识别系统的某些优质算法的性能在任何情况下都会优于其他的算法。
B.在模式识别系统中，不存在与问题领域无关的最优的学习算法或模式识别系统。
C.在模式识别系统中，只有确定了问题的具体类型、先验分布情况、以及其他一些信息，才能确定哪种形式的分类器将提供最好的性能。
D.在监督模式识别系统中，可以用错误率来反映模式识别系统的性能。

A.在总的样本集不是很大的情况下，可以采用交叉验证法来较好的估计分类器性能。
B.n倍交叉验证法和留一法都是交叉验证法的具体形式。
C.在进行交叉验证时，一般让临时训练集较小，临时测试集较大，这样得到的错误率估计就更接近用全部样本作为训练样本时的错误率。
D.交叉验证法中的测试集过小会带来错误率估计方差大的问题，这个问题可以通过多轮实验的平均得到一定的缓解。

A.分枝定界法也是一种特征选择的最优算法
B.分枝定界法是一种自顶向下的方法，具有回溯的过程
C.分枝定界法是一种自顶向下的方法，没有回溯的过程
D.分枝定界法的计算量与具体问题和数据有关

A.特征选择不仅可以降低特征空间的维度，还可以消除特征之间的相关性
B.基于类内类间距离的可分性判据是通过计算各类特征向量之间的平均距离来作为评价准则
C.基于类内类间距离的可分性判据的值越大，说明可分离性越好
D.当各类的协方差矩阵相差不大时，采用基于类内类间距离的可分性判据的效果会好一些

A.当每一类均符合高斯分布时，可以通过调整二次判别函数中的阈值来减少错误率。
B.如果一类分布比较接近高斯分布，即分布为团状，而另外一类则较均匀的分布在第一类附近，需要分别求出每一类的判别函数来进行类别的划分。
C.每一类样本都满足高斯分布，可以定义每一类的判别函数为样本到各类均值的马氏距离的平方与给定阈值之间的比较。
D.如果其中一类分布比较接近高斯分布，即分布为团状，而另外一类则较均匀的分布在第一类附近，只求出一类的判别函数就可以进行类别的划分。

A.在分段线性判别函数的设计当中很重要的一个问题是子类的划分问题。
B.在类别的各个维度不对称的情况下，可以考虑使用分段线性距离分类器。
C.分段线性距离分类器在类别的各个维度不对称的情况下，分类结果是不准确的。
D.分段线性判别函数能够逼近任意的超曲面，具有很强的适应性。