排序方式: 共有70条查询结果,搜索用时 15 毫秒
1.
2.
采用基于识别的分割方法进行手写数字串分割.在识别的过程中,运用反例样本估计分类器参数,实验数据表明,这种运用反例样本训练的分类器与没有经过反例样本训练的分类器相比,将提高拒识率到19%左右,从而保证了较高的识别率,验证了只有经过反例训练的分类器的输出结果才是可信赖的. 相似文献
3.
建立基于多分类器融合的近红外光谱技术判别蜂蜜品种的方法。采用Fisher,SVM,PLS-DA和Ada Boost作为单分类器,分别建立蜂蜜品种的判别模型,通过差异性度量值分别对单个分类器进行筛选,得到差异性最大的3个分类器,将这3个单分类器进行融合,将融合后的多分类器模型用于对蜂蜜品种的判别分析。单个分类器模型对蜂蜜验证集样本正确率最大值为89%,采用加权投票方法对分类器进行融合,得到各个分类器的权值,融合后的模型对蜂蜜的判别正确率提高到96%。该方法鉴别准速度快,确度高,适用于对蜂蜜品种的鉴别。 相似文献
4.
在医疗领域,医生做出有效正确的决策非常重要,为了提高医生诊断的准确性,避免诊断结果受到医生的直觉、潜意识和自身知识不全面等因素的干扰而造成误判。提出了将改进的ABC-NB算法应用于慢性病诊断领域,以提高诊断效率,减少误判几率。将基于改进尺度因子的人工蜂群算法应用于慢性病特征的选择,对数据进行降维,剔除冗余、无关的特征,提高收敛速度,增强算法搜索全局最优解的能力。接着将预处理后的数据各特征值进行训练和学习生成贝叶斯分类器,构建预测模型。预测模块将诊断结果显示出来供医护人员参考,辅助进行诊断和决策。实验表明该模型具有很好的柔性和鲁棒性,能够稳定的计算出慢性病的概率,有效的辅助医护人员进行诊断。 相似文献
5.
中高分辨力遥感图像中飞机目标自动识别算法研究 总被引:2,自引:0,他引:2
提出了一种中高分辨力的航空航天遥感图像中飞机目标快速自动识别的新算法。在分割和分类过程中充分利用飞机目标的先验知识,提出了一种改进区域分割方法,并应用树分类器对飞机目标进行自动识别。所提出的改进区域分割方法较好地实现了区域分割中阈值的准确自动选取,克服了复杂背景图像中小目标的全局阈值自动分割的失效问题。采用二叉树分类器,通过提取简单的目标几何特征,分层进行种类识别,提高了识别速度,降低了漏检率和虚警率。运用该方法进行了实验。结果表明,识别率达到了100%。 相似文献
6.
共享单车的租赁需求量预测对于单车企业提升运营效率十分必要,是单车再调度的前提。为了更加准确地预测出共享单车的租赁需求量,本文结合随机森林、XGBoost、GBDT三类数据驱动预测算法的优点,提出了一种基于向量投影法的加权对数平均组合模型。定义了组合模型的优性,非劣性,劣性的概念。并证明了该方法至少是一种非劣性的预测方法。通过将该方法运用于现实问题中,以解决实际单车租赁需求量预测问题。实例研究发现:该方法在单车租赁需求量预测中可以为优性预测模型, 能够对单车再调度起到正向作用。该方法可以为单车租赁需求量预测的相关研究提供一种切实有效的解决方向。 相似文献
7.
化学模式分类问题通常是非线性的,而且比较复杂,难以用经典统计方法建立分类判别模型。以支持向量机(SVM)构建的分类器具有更好的分类性能。对于非线性分类,SVM通过核函数将其映射到高维特征空间中,然后再进行线性分类。因此,核函数往往是决定SVM非线性分类性能的关键。实际应用时,一般通过选择几种核函数,并对其参数进行优化,然后根据分类器的预测性能来决定,训练过程非常耗时,而且结果难以保证最优。为此,采用一种通用性的核函数,即PersonⅦ核函数(PUKF),它可取代目前常用的几种核函数,可避免SVM非线性分类器训练过程的核函数选择问题。本研究将基于PUKF的SVM分类器应用于两个化学模式分类问题,均取得了较好的结果。对于多类分类,设计了一种子分类器的构造方法,它在分类性能保持较好的情况下,简化了多类分类器结构,大大降低了计算量。 相似文献
8.
语义地图构建对移动机器人导航与规划具有重要意义,而环境分类是语义地图构建的核心问题。目前所采用的环境分类方法匹配率较低,已成为语义地图构建所面临的主要问题。对此笔者提出了一种基于支持向量机的分类方法,该方法利用激光雷达数据提取环境几何特征,训练SVM分类器对机器人工作空间模式进行识别,并将所提算法用于室内环境的语义分类。实验结果表明,该分类方法具有较高的识别率,可有效地实现语义地图构建。 相似文献
9.
提出了一种基于人脸重要特征的人脸识别方法,首先选取人脸的重要特征并将其具体化,对得到的重要特征进行主成分分析,然后用支持向量机(Support Vector Machine,SVM)设计重要特征分类器来确定测试人脸图像中重要特征,同时设计支持向量机(SVM)人脸分类器,确定人脸图像的所属类别.对ORL人脸图像数据库进行仿真实验,结果表明,该方法要优于一般的基于整体特征的人脸识别方法并有较强的鲁棒性. 相似文献
10.
A joint clustering and classification approach is proposed.This approach exploits unlabeled data for efficient clustering,which is applied in the classification with support vector machine(SVM) in the case of small-size training samples.The proposed method requires no prior information on data labels,and yields better cluster structures.Through cluster assumption and the notions of support vectors,the most confident k cluster centers and data points near the cluster boundaries are labeled and used to train a reliable SVM classifier.Our method gains better estimation of data distributions and mitigates the unrepresentative problem of small-size training samples.The data set collected from Landsat Thematic Mapper(Landsat TM-5) validates the effectiveness of the proposed approach. 相似文献