大分类余量是实现良好泛化的最常用方法。 最著名的最大裕度算法是 SVM，已经针对不同的内核进行了研究。 不幸的是，在一些现实世界问题的背景下，例如动态对象检测，由于在每个图像帧的扫描过程中要分类的窗口数量很多，非线性内核的使用意味着计算成本过高. 请注意，在具有非线性内核的 SVM 的情况下，决策函数需要递归计算，当支持向量的数量很大时，这需要大量时间。 因此，提出了 MMGDX，以实现具有良好泛化性和较低计算量的非线性分类。 例如，在行人检测应用中，由 MMGDX 训练的神经网络可以达到类似于带有 RBF 核的 SVM 的精度。 然而，神经网络对裁剪后的图像进行分类的速度比 SVM-RBF 快一百倍。 该算法必须接收以下输入数据：F_train，它必须包含所有输入数据（每一列代表一个输入向量），t_train，它是一个行向量，其中每个元素都是其各自输入数据的目标输出，以及 nneu，决定
