訓(xùn)練樣本
- 基于互鄰信息的樹(shù)型近鄰分類(lèi)方法
類(lèi)算法輸入：訓(xùn)練樣本集(X1,X2,…,Xn),訓(xùn)練樣本的類(lèi)別標(biāo)簽(C1,C2,…,Cn),測(cè)試樣本Y,測(cè)試樣本的k值。輸出：測(cè)試樣本的預(yù)測(cè)標(biāo)簽L。①計(jì)算測(cè)試樣本Y與訓(xùn)練樣本集(X1,X2,…,Xn)之間的距離(D1,D2,…,Dn);②根據(jù)距離(D1,D2,…,Dn)的遞增關(guān)系完成排序;③選取距離最小的k個(gè)樣本(X1,X2,…,Xk)以及對(duì)應(yīng)的類(lèi)別標(biāo)簽(C1,C2,…,Ck);④計(jì)算k個(gè)樣本所屬類(lèi)別的出現(xiàn)頻率;⑤返回k個(gè)樣本出現(xiàn)頻率最高的類(lèi)別作為測(cè)試樣本
南京理工大學(xué)學(xué)報(bào) 2023年2期2023-05-24
- 葉分量分析(LCA)在靜態(tài)圖像識(shí)別中的應(yīng)用①
始化過(guò)程中將訓(xùn)練樣本的類(lèi)標(biāo)號(hào)賦給該葉分量，通過(guò)訓(xùn)練樣本的葉分量和測(cè)試樣本的葉分量進(jìn)行對(duì)比，將訓(xùn)練樣本的葉分量類(lèi)標(biāo)號(hào)賦予與其最為接近的測(cè)試樣本的葉分量，從而判定測(cè)試樣本對(duì)應(yīng)的具有標(biāo)號(hào)的類(lèi)，從而可以達(dá)到模式識(shí)別的目的。模式識(shí)別過(guò)程如圖2所示。圖2 本文模式識(shí)別過(guò)程2 人臉圖片樣本識(shí)別結(jié)果2.1 樣本來(lái)源與分類(lèi)此以O(shè)RL人臉數(shù)據(jù)(http://download.csdn.net/detail/kyszp123/1583590)作為研究對(duì)象，包括400幅不同臉部姿
- 基于對(duì)抗推演的訓(xùn)練樣本生成框架
發(fā)展的核心是訓(xùn)練樣本數(shù)據(jù)，缺乏高質(zhì)量強(qiáng)對(duì)抗的訓(xùn)練樣本數(shù)據(jù)支撐。為了有效解決上述問(wèn)題，本文提出了基于對(duì)抗推演的訓(xùn)練樣本數(shù)據(jù)生成框架，建立了訓(xùn)練樣本分類(lèi)體系，提出了軍事目標(biāo)圖像、目標(biāo)航跡等典型訓(xùn)練樣本表征模型；建立了基于對(duì)抗推演的的訓(xùn)練樣本生成框架，提出了基于規(guī)則與微分方程求解相結(jié)合的智能空戰(zhàn)訓(xùn)練樣本生成方法，依據(jù)紅藍(lán)雙方的行為決策模型，開(kāi)展對(duì)抗式仿真推演，積累訓(xùn)練樣本數(shù)據(jù)。生成的訓(xùn)練樣本數(shù)據(jù)一方面，用于軍事智能目標(biāo)識(shí)別、情報(bào)處理、智能態(tài)勢(shì)認(rèn)知、智能指揮決策等
火力與指揮控制 2022年4期2022-07-25
- 基于隸屬度的模糊加權(quán)k 近質(zhì)心近鄰算法
過(guò)已知類(lèi)別的訓(xùn)練樣本尋找待測(cè)樣本的k個(gè)近鄰，將k個(gè)近鄰中出現(xiàn)頻率最高的類(lèi)別作為待測(cè)樣本的類(lèi)別。由于KNN 算法具有理論簡(jiǎn)單、易于操作等優(yōu)點(diǎn)，被認(rèn)為是數(shù)據(jù)挖掘中最簡(jiǎn)單的方法之一［13］。但是，KNN 算法也存在不足：第1 個(gè)問(wèn)題是它沒(méi)有考慮樣本的分布，當(dāng)樣本分布不均勻或樣本中存在噪聲樣本時(shí)，分類(lèi)精度會(huì)明顯下降；第2 個(gè)問(wèn)題是所有訓(xùn)練樣本具有同等重要性，判斷待分類(lèi)樣本的類(lèi)別時(shí)沒(méi)有考慮k個(gè)近鄰的區(qū)別；第3 個(gè)問(wèn)題是使用單一的多數(shù)投票原則進(jìn)行分類(lèi)決策。以上3 個(gè)問(wèn)
計(jì)算機(jī)工程 2022年7期2022-07-14
- 基于條件變分自編碼器的射線樣本生成算法*
絡(luò)的射線數(shù)據(jù)訓(xùn)練樣本數(shù)為5 900（該樣本是從所有，即59 000 個(gè)樣本中，挑選出并能代表整體樣本特征的樣本集），預(yù)測(cè)樣本數(shù)為1 000。將預(yù)測(cè)誤差>10%的用戶稱(chēng)為高誤差用戶，預(yù)測(cè)誤差≤10%的用戶稱(chēng)為普通用戶。將輸入預(yù)測(cè)樣本到訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)中得出的信道幅值與系統(tǒng)級(jí)仿真得出的信道幅值相比，會(huì)發(fā)現(xiàn)存在較多的偏差。通過(guò)觀察BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果可以發(fā)現(xiàn)，預(yù)測(cè)誤差較大的高誤差用戶普遍與訓(xùn)練集中訓(xùn)練樣本的相似度較低。故根據(jù)預(yù)測(cè)用戶與訓(xùn)練集之間的余弦距
通信技術(shù) 2022年4期2022-05-10
- 基于輸出信雜噪比的機(jī)載雷達(dá)訓(xùn)練樣本選擇算法
[3-4]，訓(xùn)練樣本的雜波特性可能與CUT 不一致，導(dǎo)致利用訓(xùn)練樣本對(duì)CUT 的CCM 的估計(jì)精度降低，從而使STAP性能惡化。為解決非均勻訓(xùn)練樣本對(duì)STAP 性能的影響，研究者提出了一系列非均勻檢測(cè)器，用于剔除非均勻樣本?；趶V義內(nèi)積(generalized inner product,GIP)的訓(xùn)練樣本選擇算法可用于非均勻訓(xùn)練樣本的篩選[5]，然而GIP 算法采用樣本協(xié)方差矩陣表征CUT 雜波特性，并不能直接表征CUT 本身的雜波特性，因此所選擇的樣本
電子科技大學(xué)學(xué)報(bào) 2021年5期2021-10-13
- 回波功率篩選與數(shù)字地表分類(lèi)數(shù)據(jù)輔助的低空風(fēng)切變風(fēng)速估計(jì)方法
距離單元作為訓(xùn)練樣本對(duì)待測(cè)距離單元的雜波協(xié)方差矩陣進(jìn)行估計(jì)，進(jìn)而得到一個(gè)最大似然準(zhǔn)則下的最優(yōu)濾波器[9]，但在雷達(dá)的實(shí)際工作環(huán)境中，由于地表起伏等原因，不同的訓(xùn)練樣本之間很難滿足獨(dú)立同分布的條件，同時(shí)不同距離單元的雜波回波功率存在嚴(yán)重的非均勻性，導(dǎo)致估計(jì)得到的雜波協(xié)方差矩陣失配，無(wú)法充分抑制強(qiáng)雜波，嚴(yán)重影響風(fēng)速估計(jì)結(jié)果的準(zhǔn)確性。圍繞非均勻雜波環(huán)境下的STAP問(wèn)題，研究者開(kāi)展了大量的研究，提出了很多具有重要意義和實(shí)際應(yīng)用價(jià)值的雜波抑制算法，主要包括功率選擇訓(xùn)
電子與信息學(xué)報(bào) 2021年8期2021-08-26
- 廣義近鄰選取的KGNN 改進(jìn)算法研究
足夠近的那些訓(xùn)練樣本，即只使用了輸入樣本的近鄰信息，可以看作是一種單向選擇過(guò)程。在實(shí)際應(yīng)用中，訓(xùn)練樣本的近鄰信息對(duì)于分類(lèi)判決同樣具有重要作用，它們的近鄰也可以被用來(lái)判斷它們與輸入樣本之間的鄰近性[1]。因此，為了同等地考慮輸入樣本和訓(xùn)練樣本的作用，提出一種雙向近鄰選擇方法，即K 廣義近鄰（KGNN，k-general nearest neighbor）算法[2]。算法的基本思想是：尋找輸入樣本的K 近鄰訓(xùn)練樣本，采用K 近鄰包含輸入樣本的訓(xùn)練樣本作為廣義近
- 一種半監(jiān)督人臉數(shù)據(jù)可分性特征提取方法?
接對(duì)人臉數(shù)據(jù)訓(xùn)練樣本進(jìn)行特征提取，存在以下問(wèn)題：1）訓(xùn)練樣本過(guò)少，造成類(lèi)內(nèi)散布矩陣奇異，無(wú)法求解；2）無(wú)法利用無(wú)類(lèi)標(biāo)樣本，即不能提取出無(wú)類(lèi)標(biāo)樣本中的可分性信息；3）原始數(shù)據(jù)維數(shù)過(guò)高，使得特征提取速度慢；4）單一的可分性特征提取方法，導(dǎo)致效果不理想，數(shù)據(jù)在LDA 特征子空間識(shí)別率較低。為提高人臉數(shù)據(jù)的識(shí)別率和識(shí)別速度，本文提出一種結(jié)合SCC 和LDA 的人臉數(shù)據(jù)半監(jiān)督可分性特征提取方法——SCC-LDA。SCC-LDA 先采用SCC 獲取保留人臉數(shù)據(jù)固有空間
計(jì)算機(jī)與數(shù)字工程 2020年7期2020-10-09
- 極坐標(biāo)變換下的基于表示的分類(lèi)方法
測(cè)試樣本能被訓(xùn)練樣本（近似）線性表示，并通過(guò)求最小表示誤差來(lái)對(duì)測(cè)試樣本進(jìn)行分類(lèi). 早在2007 年，文獻(xiàn)[1]提出一種基于回歸分析的分類(lèi)方法，該方法的基本思想與Naseem 等[2]在2010 年提出的著名的線性回歸分類(lèi)器（Linear Regression Classification，LRC）相似. 2009 年，Wright 等[3]提出了稀疏表示分類(lèi)器（Sparse Representation Classification，SRC）.文獻(xiàn)[4]提
- 基于多樣本擴(kuò)充的卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別算法*
樣本作為新的訓(xùn)練樣本集，輸入CNN網(wǎng)絡(luò)得到更新權(quán)值，然后通過(guò)目的訓(xùn)練樣本集訓(xùn)練CNN提取更多隱藏的人臉圖像特征，最后使用支持向量機(jī)SVM（Support VectorMachine）［13］特征提取后進(jìn)行分類(lèi)。SVM在解決小樣本、非線性和高維模式識(shí)別問(wèn)題具有良好的性能。該算法與其他算法不同之處在于：1）在鏡像圖的基礎(chǔ)上，利用平滑中值樣本構(gòu)造新的虛擬樣本作為新的訓(xùn)練樣本集；2）新的訓(xùn)練樣本集輸入CNN網(wǎng)絡(luò)得到更新的權(quán)值，訓(xùn)練CNN網(wǎng)絡(luò)更好地進(jìn)行特征提??；3）
計(jì)算機(jī)與數(shù)字工程 2020年4期2020-06-18
- 基于英語(yǔ)翻譯應(yīng)用視角下的計(jì)算機(jī)智能校對(duì)系統(tǒng)開(kāi)發(fā)研究
智能校對(duì); 訓(xùn)練樣本中圖分類(lèi)號(hào)： TP311 ? ? ?文獻(xiàn)標(biāo)志碼： AResearch on the Development of Computer Intelligent Proofreading SystemBased on the Perspective of English Translation ApplicationSUN Rui（Xian Innovation College， Yanan University， Xian 710100）A
微型電腦應(yīng)用 2020年2期2020-05-11
- 人工智能
林;決策樹(shù);訓(xùn)練樣本中圖分類(lèi)號(hào)：TP18? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）06-0151-02Abstract： This paper gives an in-depth and brief introduction of the random forest system， which is a commonly used artificial intelligence algorithm， intro
科技創(chuàng)新與應(yīng)用 2020年6期2020-02-29
- 應(yīng)用于小樣本的差異字典人臉識(shí)別
]。一是由于訓(xùn)練樣本存儲(chǔ)空間的有限性所致，二是因?yàn)樵谳^短的時(shí)間內(nèi)難以取得大量的訓(xùn)練樣本。測(cè)試人臉具有難以預(yù)測(cè)的光照、面部表情和姿勢(shì)變換，使得人臉識(shí)別的準(zhǔn)確度仍需提高。因此，為了應(yīng)對(duì)這些挑戰(zhàn)，許多研究人員將注意力集中在小樣本問(wèn)題上，并且設(shè)計(jì)了許多相應(yīng)的方法。其中大多數(shù)研究者使用生成虛擬樣本的方法以解決樣本不足的問(wèn)題。如Hao Zhang等使用正臉和非正臉的角度變化來(lái)生成虛擬訓(xùn)練樣本[2]，Yong Xu等提出的生成鏡像臉以擴(kuò)充訓(xùn)練樣本的算法[3]，和Ning
計(jì)算機(jī)工程與設(shè)計(jì) 2020年1期2020-02-08
- 基于稀疏恢復(fù)的MIMO-STAP離散干擾抑制方法
需獨(dú)立同分布訓(xùn)練樣本數(shù)至少為2倍系統(tǒng)自由度。然而，雷達(dá)的工作環(huán)境復(fù)雜、多變，在不同距離單元可能存在著除探測(cè)目標(biāo)以外的其他運(yùn)動(dòng)目標(biāo)，這些運(yùn)動(dòng)目標(biāo)會(huì)對(duì)訓(xùn)練樣本形成離散干擾。離散干擾的存在會(huì)導(dǎo)致實(shí)際環(huán)境中雜波分布的非均勻性更加嚴(yán)重，使得用于估計(jì)雜波協(xié)方差矩陣的訓(xùn)練樣本很難滿足要求。針對(duì)訓(xùn)練樣本存在的離散干擾問(wèn)題，一般有兩種解決思路：一為研究訓(xùn)練樣本挑選方法，將存在離散干擾的訓(xùn)練樣本直接剔除；二為直接數(shù)據(jù)域法，只使用待檢測(cè)距離單元的數(shù)據(jù)，完全避免訓(xùn)練樣本中離散干擾
探測(cè)與控制學(xué)報(bào) 2019年6期2020-01-08
- 結(jié)構(gòu)化加權(quán)稀疏低秩恢復(fù)算法在人臉識(shí)別中的應(yīng)用
的字典，消除訓(xùn)練樣本中的遮擋帶來(lái)的影響，但是并沒(méi)有考慮到測(cè)試樣本中存在遮擋的情況。如果測(cè)試樣本中也存在遮擋且沒(méi)有通過(guò)算法被有效地移除，也將導(dǎo)致測(cè)試樣本無(wú)法正確分類(lèi)，會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生很大的影響。針對(duì)樣本中存在污染的問(wèn)題，本文提出一種結(jié)構(gòu)化加權(quán)稀疏低秩恢復(fù)算法。該算法在原始低秩表示的基礎(chǔ)上對(duì)低秩系數(shù)進(jìn)行了加權(quán)和結(jié)構(gòu)化稀疏約束，可以得到一個(gè)結(jié)構(gòu)化的判別低秩系數(shù)，而且同類(lèi)樣本的表示系數(shù)會(huì)有更強(qiáng)的相關(guān)性。跟上述方法不同的是，受到Chen等[19]提出的DLRR(di
智能系統(tǒng)學(xué)報(bào) 2019年3期2019-05-22
- 局部稀疏表示的魯棒PCA人臉識(shí)別
魯棒。而且對(duì)訓(xùn)練樣本有一定的依賴(lài)性。近年來(lái)一種對(duì)遮擋魯棒的RPCA[5,6]算法被提出,實(shí)驗(yàn)表明RPCA在圖像恢復(fù)、聚類(lèi)等方面也效果顯著。在文獻(xiàn)[6]中Luan等提出通過(guò)RPCA將測(cè)試樣本分解成低秩和誤差人臉,最后分析誤差人臉,構(gòu)建平滑因子和稀疏因子用于人臉的識(shí)別。然而當(dāng)字典較大時(shí),低秩分解會(huì)變得更復(fù)雜。針對(duì)此問(wèn)題我們提出一種局部稀疏表示的魯棒PCA人臉識(shí)別算法。受稀疏表示的影響,本文提出用稀疏系數(shù)來(lái)選取臨近樣本組成新的字典,即選取前K個(gè)稀疏系數(shù)絕對(duì)值和最
微型電腦應(yīng)用 2019年4期2019-04-26
- 基于鏡像臉的FLDA單訓(xùn)練樣本人臉識(shí)別方法?
的，充分利用訓(xùn)練樣本的類(lèi)別信息，尋找到最有助于分類(lèi)的投影方向子空間。FLDA不僅可以實(shí)現(xiàn)將高維數(shù)據(jù)降低到低維，而且可以盡可能地分離不同類(lèi)的樣本特征，并盡可能壓縮相同的類(lèi)樣本特征。通過(guò)將其應(yīng)用于臉部識(shí)別，Belhumeur［11］提出了的 Fisherface算法，即首先采用PCA將高維數(shù)據(jù)降維，然后運(yùn)用FLDA提取面部判別特征，相關(guān)研究表明基于FLDA算法在實(shí)現(xiàn)分類(lèi)與識(shí)別時(shí)效果將大大超過(guò)PCA算法［13］。使用FLDA進(jìn)行特征提取很大程度上取決于由訓(xùn)練樣本
計(jì)算機(jī)與數(shù)字工程 2019年1期2019-03-01
- 適用于海量負(fù)荷數(shù)據(jù)分類(lèi)的高性能反向傳播神經(jīng)網(wǎng)絡(luò)算法
效果,其根據(jù)訓(xùn)練樣本不斷迭代更新網(wǎng)絡(luò)參數(shù),具有良好的學(xué)習(xí)和容錯(cuò)能力,且不受負(fù)荷成分和特性限制,具有描述復(fù)雜動(dòng)態(tài)行為方面的優(yōu)勢(shì)。其中,反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)算法作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多、也是最成熟的分類(lèi)算法之一,具有極強(qiáng)的函數(shù)逼近與模式分類(lèi)能力,在負(fù)荷模型辨識(shí)中應(yīng)用廣泛。文獻(xiàn)[5]提出了一種基于模糊聚類(lèi)與改進(jìn)的反向傳播(BP)算法的負(fù)荷特性曲線分類(lèi)方法,在C-均值聚類(lèi)得到典型負(fù)荷曲線后,結(jié)
電力系統(tǒng)自動(dòng)化 2018年21期2018-11-26
- 最大似然分類(lèi)的訓(xùn)練樣本敏感度研究
根據(jù)是否需要訓(xùn)練樣本，遙感影像分類(lèi)方法分為非監(jiān)督分類(lèi)和監(jiān)督分類(lèi)。非監(jiān)督分類(lèi)是在沒(méi)有先驗(yàn)類(lèi)別知識(shí)的情況下，根據(jù)圖像自身的統(tǒng)計(jì)特征以及自然點(diǎn)群的分布情況來(lái)劃分地物類(lèi)別的分類(lèi)技術(shù)[2]。監(jiān)督分類(lèi)是以建立的統(tǒng)計(jì)識(shí)別函數(shù)為理論基礎(chǔ)，依據(jù)典型的樣本訓(xùn)練方法進(jìn)行分類(lèi)的技術(shù)，例如最小距離法、最大似然法和神經(jīng)元網(wǎng)絡(luò)分類(lèi)法等[3]。相比非監(jiān)督分類(lèi)，監(jiān)督分類(lèi)不僅能確定分類(lèi)類(lèi)別，而且具更高的精度。在監(jiān)督分類(lèi)中，樣本的選取對(duì)分類(lèi)結(jié)果的精度十分重要。許多學(xué)者從樣本數(shù)量和質(zhì)量等方面，分
中國(guó)農(nóng)業(yè)信息 2018年2期2018-07-28
- 基于稀疏樣本選優(yōu)的機(jī)載雷達(dá)動(dòng)目標(biāo)檢測(cè)算法
協(xié)方差矩陣的訓(xùn)練樣本充足、滿足獨(dú)立同分布(independent and identically distributed,IID)時(shí)才不會(huì)影響動(dòng)目標(biāo)的檢測(cè)性能。然而,機(jī)載雷達(dá)實(shí)際工作在非均勻環(huán)境中,上述條件很難滿足。當(dāng)訓(xùn)練樣本中存在干擾目標(biāo)時(shí)會(huì)引起信號(hào)相消,造成漏警,降低對(duì)動(dòng)目標(biāo)的檢測(cè)性能。針對(duì)此問(wèn)題,學(xué)者們提出利用非均勻檢測(cè)器(nonhomogeneous detector,NHD)[5]來(lái)檢測(cè)訓(xùn)練樣本中是否含有干擾目標(biāo),對(duì)含有干擾目標(biāo)的訓(xùn)練樣本加以剔除
系統(tǒng)工程與電子技術(shù) 2018年5期2018-04-26
- 基于先驗(yàn)信息稀疏恢復(fù)的非均勻樣本檢測(cè)方法
(IID)的訓(xùn)練樣本來(lái)估計(jì)雜波協(xié)方差矩陣。然而，雜波環(huán)境并不是理想的，而是非均勻的、非平穩(wěn)的，尤其是當(dāng)訓(xùn)練樣本被干擾目標(biāo)(運(yùn)動(dòng)目標(biāo)或者強(qiáng)散射點(diǎn))污染時(shí)，將會(huì)引起雜波協(xié)方差矩陣估計(jì)不準(zhǔn)，進(jìn)而導(dǎo)致目標(biāo)信號(hào)自相抵消[3]。為了解決樣本非均勻?qū)е耂TAP目標(biāo)檢測(cè)性能下降的問(wèn)題，必須要剔除被干擾目標(biāo)污染的訓(xùn)練樣本。廣義內(nèi)積(GIP)方法[4-5]作為一種典型的非均勻檢測(cè)器(NHD)，可以用來(lái)剔除非均勻環(huán)境中被污染的訓(xùn)練樣本，但是當(dāng)訓(xùn)練樣本中包含的被污染樣本數(shù)比較多時(shí)
兵工學(xué)報(bào) 2018年2期2018-03-20
- 基于常數(shù)矩陣改進(jìn)的SRC算法
該樣本在所有訓(xùn)練樣本構(gòu)成的字典上的稀疏系數(shù)，之后利用稀疏系數(shù)與訓(xùn)練樣本重構(gòu)測(cè)試樣本，最后將測(cè)試樣本分配給重構(gòu)誤差最小的類(lèi)別。SRC算法可以直接利用原始像素進(jìn)行人臉識(shí)別，從而避免了預(yù)處理的過(guò)程。除此之外，SRC算法對(duì)表情變化、圖像遮擋具有一定程度的魯棒性。但是，在將稀疏表示人臉識(shí)別算法應(yīng)用于實(shí)際中，常常需要在兩個(gè)方面進(jìn)行改進(jìn)。首先，是要突破人臉圖像對(duì)齊的假設(shè)，因?yàn)樵趯?shí)際環(huán)境中人臉的圖像是不對(duì)齊。但是更重要的是，在實(shí)際環(huán)境中，常常會(huì)發(fā)現(xiàn)可用的訓(xùn)練樣本非常稀少。
現(xiàn)代計(jì)算機(jī) 2018年3期2018-03-15
- 支持向量機(jī)研究綜述
兩類(lèi)分類(lèi)對(duì)于訓(xùn)練樣本是線性可分的情況，即只要一個(gè)超平面H就能正確劃分所有訓(xùn)練樣本的類(lèi)別。給定一個(gè)訓(xùn)練樣本（G1，a1），（G2，a2），…，（G1，a1），其中，G1∈Rn，i=1，2，…，l，a1 ∈{-1，+1}是Gi對(duì)應(yīng)的類(lèi)別，則線性可分兩類(lèi)分類(lèi)支持向量機(jī)求解下列問(wèn)題：3.有向無(wú)環(huán)圖分類(lèi)有向無(wú)環(huán)圖分類(lèi)是在一對(duì)一分類(lèi)方法的基礎(chǔ)上提出的。對(duì)于類(lèi)別數(shù)量為M的訓(xùn)練樣本，與一對(duì)一分類(lèi)方法類(lèi)似地，有向無(wú)環(huán)圖方法構(gòu)造M（M-1）/2個(gè)兩類(lèi)分類(lèi)支持向量機(jī)，每個(gè)兩類(lèi)分
知識(shí)窗·教師版 2018年12期2018-02-22
- 基于結(jié)構(gòu)化低秩表示和低秩投影的人臉識(shí)別算法*
思想是將所有訓(xùn)練樣本作為字典，得到測(cè)試樣本在字典矩陣上的編碼系數(shù)，然后通過(guò)最小殘差法分類(lèi)。SRC處理遮擋或隨機(jī)像素破壞時(shí)在原始字典上添加了單位矩陣作為遮擋字典，這樣可以很好地處理測(cè)試樣本中存在的遮擋和像素破壞。然而，當(dāng)樣本維數(shù)比較高時(shí)，SRC的時(shí)間復(fù)雜度隨之升高。為了解決這個(gè)問(wèn)題，Yang等人[6]提取圖像的Gabor特征，然后對(duì)遮擋部分進(jìn)行字典學(xué)習(xí)，這樣遮擋字典的規(guī)模會(huì)降低，加快了稀疏編碼的速度。Ou等人[7]提出了遮擋字典學(xué)習(xí)方法，使得測(cè)試樣本在原始訓(xùn)
計(jì)算機(jī)工程與科學(xué) 2018年1期2018-01-26
- 基于自步學(xué)習(xí)的加權(quán)稀疏表示人臉識(shí)別方法
本相差較大的訓(xùn)練樣本，并且沒(méi)有考慮到表示系數(shù)的局部信息，從而導(dǎo)致分類(lèi)結(jié)果不穩(wěn)定。提出一種基于自步學(xué)習(xí)的加權(quán)稀疏表示算法SPL-WSRC，在字典中有效剔除與待測(cè)樣本相差較大的訓(xùn)練樣本，并利用加權(quán)手段考慮樣本間的局部信息，以提高分類(lèi)精度和穩(wěn)定性。通過(guò)3個(gè)典型的人臉數(shù)據(jù)集中的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明,所提算法優(yōu)于原稀疏表示算法SRC，特別是當(dāng)訓(xùn)練樣本足夠多時(shí),效果更明顯?；谙∈璞硎镜姆诸?lèi)方法；分類(lèi)；自步學(xué)習(xí); 加權(quán)系數(shù)；人臉識(shí)別0 引言人臉識(shí)別作為模式識(shí)別中最為典型
計(jì)算機(jī)應(yīng)用 2017年11期2018-01-08
- 基于分水嶺的圖像分割訓(xùn)練樣本的自動(dòng)選擇和標(biāo)注
嶺的圖像分割訓(xùn)練樣本的自動(dòng)選擇和標(biāo)注張榮1，張爍2(1.山西醫(yī)科大學(xué),山西 太原 030001；2.山西青年職業(yè)學(xué)院,山西 太原 030032)圖像分割是圖像理解、模式識(shí)別、計(jì)算機(jī)視覺(jué)等研究方向的一個(gè)重要研究?jī)?nèi)容。圖像分割的方法有很多,將支持向量機(jī)(Support Vector Machine,SVM)應(yīng)用于圖像分割已是一種較為廣泛的分割方法,但該方法大多采用人工方式來(lái)選取訓(xùn)練樣本,降低了圖像分割的自適應(yīng)性,且有可能影響圖像分割的質(zhì)量,因此基于支持向量機(jī)的
- 訓(xùn)練樣本不足時(shí)的子空間信號(hào)檢測(cè)方法*
10046)訓(xùn)練樣本不足時(shí)的子空間信號(hào)檢測(cè)方法*楊 星1，王利才2，楊 洋3，王鶴磊2，劉維建**2(1.解放軍94402部隊(duì)，濟(jì)南 250022；2.空軍預(yù)警學(xué)院 黃陂士官學(xué)校，武漢 430019；3.解放軍駐720廠軍事代表室，南京 210046)為了解決訓(xùn)練樣本不足時(shí)的子空間信號(hào)檢測(cè)問(wèn)題，提出了兩種有效的降秩檢測(cè)器?；谥鞣至糠治?PCA)的思想，先把常規(guī)自適應(yīng)子空間檢測(cè)器中采樣協(xié)方差矩陣(SCM)的求逆運(yùn)算用噪聲特征子空間矩陣與其共軛轉(zhuǎn)置的乘積代替
電訊技術(shù) 2017年9期2017-09-18
- 概率神經(jīng)網(wǎng)絡(luò)的平滑參數(shù)分析及在地震屬性分析中的應(yīng)用
對(duì)平滑參數(shù)和訓(xùn)練樣本的選取方法進(jìn)行研究。在分析了平滑參數(shù)對(duì)網(wǎng)絡(luò)分類(lèi)符合率的影響后,利用取值試驗(yàn)得到樣本歸一化情況下平滑參數(shù)的最優(yōu)取值區(qū)間。在此基礎(chǔ)上進(jìn)行訓(xùn)練樣本選取的隨機(jī)性、均勻性及數(shù)量試驗(yàn),發(fā)現(xiàn)均勻選取各類(lèi)訓(xùn)練樣本時(shí),小樣本量能使網(wǎng)絡(luò)獲得較高的分類(lèi)符合率,而大樣本量則能得到更高的分類(lèi)符合率。X工區(qū)的實(shí)際應(yīng)用結(jié)果表明,概率神經(jīng)網(wǎng)絡(luò)在少井情況下具備一定的應(yīng)用潛力,可作為勘探初期利用地震屬性進(jìn)行模式識(shí)別的一種選擇。概率神經(jīng)網(wǎng)絡(luò);訓(xùn)練樣本;平滑參數(shù);地震屬性分析
石油物探 2017年4期2017-08-30
- 基于兩段稀疏表示方法的3D掌紋識(shí)別方法
c個(gè)類(lèi)和n個(gè)訓(xùn)練樣本：x1，x2，……，xn。如果訓(xùn)練樣本來(lái)自第l類(lèi)（l=1，2，……，n），則將l作為類(lèi)標(biāo)簽。用全局方法假設(shè)的測(cè)試樣本可以近似地看成所有訓(xùn)練樣本的線性組合表示。不同地，TIPS僅使用訓(xùn)練樣本的一部分作為測(cè)試樣本。1.1 TPTSR的第一階段TPTSR的第一階段使用所有訓(xùn)練樣本來(lái)表示每個(gè)測(cè)試樣本，并利用表示結(jié)果來(lái)從訓(xùn)練樣本集合中識(shí)別測(cè)試樣本的M個(gè)最近鄰。如果首先假定以下等式近似滿足：式（1）中，y是測(cè)試樣本，ai是系數(shù)?？梢詫⑹剑?）重寫(xiě)為
河南科技 2017年3期2017-04-15
- 基于小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)研究
為小波網(wǎng)絡(luò)的訓(xùn)練樣本，成功實(shí)現(xiàn)了該網(wǎng)絡(luò)的流量預(yù)測(cè)。試驗(yàn)仿真結(jié)果表明，構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)模型可以很好地實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)流量的高精度預(yù)測(cè)。關(guān)鍵詞： 小波神經(jīng)網(wǎng)絡(luò)； 網(wǎng)絡(luò)流量； 預(yù)測(cè)研究； 訓(xùn)練樣本中圖分類(lèi)號(hào)： TN711?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）23?0098?02Research on network traffic prediction based on wavelet neural networkLI Xin， SUN
現(xiàn)代電子技術(shù) 2016年23期2017-01-12
- 基于稀疏學(xué)習(xí)的kNN分類(lèi)
定的，另外，訓(xùn)練樣本中可能存在的噪聲能影響分類(lèi)結(jié)果。針對(duì)以上存在的兩個(gè)問(wèn)題，本文提出一種新的基于稀疏學(xué)習(xí)的kNN分類(lèi)方法。本文用訓(xùn)練樣本重構(gòu)測(cè)試樣本，其中，l1-范數(shù)導(dǎo)致的稀疏性用來(lái)對(duì)每個(gè)測(cè)試樣本用不同數(shù)目的訓(xùn)練樣本進(jìn)行分類(lèi)，這解決了kNN算法固定k值問(wèn)題；l21-范數(shù)產(chǎn)生的整行稀疏用來(lái)去除噪聲樣本。在UCI數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，本文使用的新算法比原來(lái)的kNN分類(lèi)算法能取得更好的分類(lèi)效果。稀疏學(xué)習(xí)；重構(gòu)；l1-范數(shù)；l21-范數(shù)；噪聲樣本0 引言模式分類(lèi)是人工
- 寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究萬(wàn)曉霞， 梁金星， 劉強(qiáng)(武漢大學(xué) 印刷與包裝系， 湖北，武漢 430079)為解決現(xiàn)有標(biāo)準(zhǔn)色卡或顏色樣本集因數(shù)量大、存在嚴(yán)重顏色冗余而導(dǎo)致的光譜成像工作繁重的問(wèn)題，提出一種基于寬帶光譜成像系統(tǒng)光譜重建誤差最小化的最優(yōu)訓(xùn)練樣本選擇方法. 通過(guò)現(xiàn)有顏色樣本集中最有效樣本的選擇，實(shí)現(xiàn)寬帶光譜成像系統(tǒng)訓(xùn)練樣本的優(yōu)化. 研究通過(guò)偽逆方法進(jìn)行光譜重建，以光譜均方根誤差作為評(píng)價(jià)依據(jù)，從顏色樣本集中逐步挑選訓(xùn)練樣本，實(shí)現(xiàn)每次迭代所確定訓(xùn)練
北京理工大學(xué)學(xué)報(bào) 2016年6期2016-11-22
- 基于樣本差異的多標(biāo)簽分類(lèi)器評(píng)價(jià)標(biāo)準(zhǔn)預(yù)估
的方法是觀察訓(xùn)練樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值，訓(xùn)練樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值與測(cè)試樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值無(wú)明確關(guān)系，但是通過(guò)對(duì)訓(xùn)練樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值的觀察，估計(jì)測(cè)試樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值有一定意義。對(duì)于Hamming loss、One-error、Coverage和Ranking loss，這些評(píng)價(jià)標(biāo)準(zhǔn)關(guān)于測(cè)試樣本集的值往往高于或等于這些評(píng)價(jià)標(biāo)準(zhǔn)在訓(xùn)練樣本集中的估計(jì)值，那么關(guān)于訓(xùn)練樣本集的這些評(píng)價(jià)標(biāo)準(zhǔn)值過(guò)高，其在測(cè)試樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)估計(jì)值也不會(huì)低。對(duì)于Average p
計(jì)算機(jī)應(yīng)用與軟件 2016年9期2016-11-09
- 基于稀疏表示的人臉識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
結(jié)果表明，在訓(xùn)練樣本充分的情況下，系統(tǒng)對(duì)正面無(wú)表情人臉識(shí)別率在99%以上，滿足正常人臉識(shí)別的使用需求；在訓(xùn)練樣本不充分的情況下，識(shí)別率仍可以達(dá)到70%以上，可用于安防預(yù)警。計(jì)算機(jī)圖像處理；人臉識(shí)別；稀疏表示；主成分分析人臉識(shí)別技術(shù)（Face Recognition，F(xiàn)R）［1］涵蓋了生物技術(shù)和計(jì)算機(jī)技術(shù)，涉及到計(jì)算機(jī)圖像處理、機(jī)器學(xué)習(xí)、模式識(shí)別、人體生理學(xué)和認(rèn)知科學(xué)等多個(gè)技術(shù)領(lǐng)域［2］。人臉識(shí)別算法已經(jīng)經(jīng)歷了長(zhǎng)時(shí)間的研究，在圖像背景簡(jiǎn)單、樣本充分的情形下，
電子設(shè)計(jì)工程 2016年17期2016-10-22
- 融合原始樣本和虛擬樣本的人臉識(shí)別算法
能獲得少量的訓(xùn)練樣本，但是，在小訓(xùn)練樣本情況下大多數(shù)人臉識(shí)別算法都會(huì)遇到困難。因此，為了提高人臉識(shí)別的分類(lèi)正確率，提出了一種融合原始樣本和虛擬樣本的人臉識(shí)別方法。該方法先利用人臉的對(duì)稱(chēng)性來(lái)構(gòu)造虛擬訓(xùn)練樣本；然后，利用協(xié)同表示方法分別對(duì)原始訓(xùn)練樣本和虛擬訓(xùn)練樣本進(jìn)行分析，并且分別得到每一類(lèi)訓(xùn)練樣本的重建誤差；最后，將原始訓(xùn)練樣本和虛擬訓(xùn)練樣本的同一類(lèi)重建誤差進(jìn)行加權(quán)融合并得到最終的分類(lèi)結(jié)果。大量的實(shí)驗(yàn)結(jié)果比較分析表明，該方法可以獲得更好的識(shí)別效果。人臉識(shí)別；
電視技術(shù) 2016年9期2016-10-17
- 論訓(xùn)練樣本集結(jié)構(gòu)和稀疏表示分類(lèi)算法的關(guān)系
006）?論訓(xùn)練樣本集結(jié)構(gòu)和稀疏表示分類(lèi)算法的關(guān)系向順靈 （廣西民族大學(xué)信息科學(xué)與工程學(xué)院，廣西南寧，530006）摘要：近年來(lái)，基于表示法的人臉識(shí)別技術(shù)主要都集中在約束條件和字典學(xué)習(xí)。很少有研究用樣本數(shù)據(jù)特征來(lái)確定基于表示分類(lèi)算法的性能。本文定義了結(jié)構(gòu)離散度，表示樣本集的結(jié)構(gòu)特征。實(shí)驗(yàn)結(jié)果表明，具有較高的結(jié)構(gòu)離散度的集合能讓一個(gè)分類(lèi)算法獲得更高的識(shí)別率。關(guān)鍵詞：模式識(shí)別；人臉識(shí)別0 引言1 SRC和訓(xùn)練樣本集的結(jié)構(gòu)關(guān)系在基于標(biāo)準(zhǔn)的分類(lèi)算法中，訓(xùn)練樣本集的
電子測(cè)試 2016年6期2016-05-23
- 基于訓(xùn)練樣本集擴(kuò)展的隱式篇章關(guān)系分類(lèi)
006)基于訓(xùn)練樣本集擴(kuò)展的隱式篇章關(guān)系分類(lèi)朱珊珊，洪 宇，丁思遠(yuǎn)，嚴(yán)為絨，姚建民，朱巧明(蘇州大學(xué) 江蘇省計(jì)算機(jī)信息處理技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 蘇州 215006)隱式篇章關(guān)系分類(lèi)主要任務(wù)是在顯式關(guān)聯(lián)線索缺失的情況下，自動(dòng)檢測(cè)特定論元之間的語(yǔ)義關(guān)系類(lèi)別。前人研究顯示，語(yǔ)言學(xué)特征能夠有效輔助隱式篇章關(guān)系的分類(lèi)。目前，主流檢測(cè)方法由于缺少足夠的已標(biāo)注隱式訓(xùn)練樣本，導(dǎo)致分類(lèi)器無(wú)法準(zhǔn)確學(xué)習(xí)各種分類(lèi)特征，分類(lèi)精確率僅約為40%。針對(duì)這一問(wèn)題，該文提出一種基于訓(xùn)練樣本
中文信息學(xué)報(bào) 2016年5期2016-05-04
- 基于混合模重構(gòu)的kNN回歸
值固定問(wèn)題和訓(xùn)練樣本中的噪聲問(wèn)題，提出一種新的基于重構(gòu)的稀疏編碼方法。該方法用訓(xùn)練樣本重構(gòu)每一個(gè)測(cè)試樣本，重構(gòu)過(guò)程中，l1-范數(shù)被用來(lái)確保每個(gè)測(cè)試樣本被不同數(shù)目的訓(xùn)練樣本來(lái)預(yù)測(cè)，以此解決kNN算法固定k值問(wèn)題；l2,1-范數(shù)導(dǎo)致的整行稀疏被用來(lái)去除噪聲樣本，以避免數(shù)據(jù)集上的噪聲對(duì)重構(gòu)產(chǎn)生不利影響。實(shí)驗(yàn)在UCI數(shù)據(jù)集上顯示：新的改進(jìn)算法比原來(lái)的kNN算法在線性回歸中具有更好的預(yù)測(cè)效果。關(guān)鍵詞線性回歸稀疏編碼重構(gòu)l1-范數(shù)l2,1-范數(shù)噪聲樣本KNN REGR
計(jì)算機(jī)應(yīng)用與軟件 2016年2期2016-03-17
- 基于圖像邊緣位移的有監(jiān)督的稀疏表示分類(lèi)方法
法的準(zhǔn)確度與訓(xùn)練樣本個(gè)數(shù)有很大的關(guān)聯(lián).通常訓(xùn)練樣本越充分，則該算法分類(lèi)準(zhǔn)確率越高，然而遇到小樣本問(wèn)題時(shí)，該算法分類(lèi)準(zhǔn)確率會(huì)明顯降低.針對(duì)小樣本問(wèn)題，提出使用基于圖像邊緣位移的方法，得到和原始訓(xùn)練圖像樣本高度相關(guān)的新樣本，達(dá)到擴(kuò)充訓(xùn)練樣本容量的目的，進(jìn)而提高算法的分類(lèi)準(zhǔn)確率.同時(shí)，對(duì)于帶仿射約束的稀疏表示分類(lèi)算法，也可以經(jīng)過(guò)圖像邊緣位移方法來(lái)提高分類(lèi)準(zhǔn)確率.實(shí)驗(yàn)結(jié)果證明，所用方法能夠取得較好的圖像識(shí)別效果.圖像分類(lèi)；稀疏表示；訓(xùn)練樣本；仿射約束0 引 言在近
- 基于加權(quán)稀疏近鄰表示的人臉識(shí)別
沒(méi)有考慮不同訓(xùn)練樣本對(duì)測(cè)試樣本的重構(gòu)權(quán)重，同時(shí)為了提高基于稀疏近鄰表示人臉識(shí)別的識(shí)別率，文中提出一種加權(quán)稀疏近鄰表示的人臉識(shí)別算法。首先在每一類(lèi)訓(xùn)練樣本中尋找與測(cè)試樣本最近的k個(gè)樣本，構(gòu)成這一類(lèi)新的訓(xùn)練樣本；然后在每一類(lèi)中都進(jìn)行同樣的操作，從而構(gòu)造一個(gè)新的訓(xùn)練字典，在求解l1范數(shù)最小化的稀疏系數(shù)時(shí)，為每一個(gè)新的訓(xùn)練樣本對(duì)應(yīng)的稀疏系數(shù)賦上一個(gè)權(quán)值；最后在新的字典下，根據(jù)重構(gòu)誤差最小化來(lái)完成識(shí)別任務(wù)。在YaleB數(shù)據(jù)庫(kù)和ORL數(shù)據(jù)庫(kù)上的大量實(shí)驗(yàn)結(jié)果表明，文中所
計(jì)算機(jī)技術(shù)與發(fā)展 2016年2期2016-02-23
- 支持向量機(jī)在預(yù)測(cè)配煤灰熔點(diǎn)中的應(yīng)用
熔點(diǎn)時(shí)，針對(duì)訓(xùn)練樣本代表性不足的問(wèn)題，提出了一種選取訓(xùn)練樣本的方法。在國(guó)內(nèi)具有代表性的煤灰成分和灰熔點(diǎn)數(shù)據(jù)庫(kù)的基礎(chǔ)上，分別添加現(xiàn)場(chǎng)實(shí)際中不同數(shù)量的灰熔點(diǎn)實(shí)驗(yàn)數(shù)據(jù)，將二者的集合作為訓(xùn)練樣本集對(duì)灰熔點(diǎn)進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析。結(jié)果表明：訓(xùn)練樣本的選取對(duì)支持向量機(jī)的預(yù)測(cè)結(jié)果有較大的影響，而向數(shù)據(jù)庫(kù)中添加灰熔點(diǎn)實(shí)驗(yàn)數(shù)據(jù)可以有效改善訓(xùn)練樣本代表性不足的問(wèn)題，配煤灰熔點(diǎn)預(yù)測(cè)值的均方誤差MSE=5.76，最大相對(duì)誤差為6.91%。關(guān)鍵詞：配煤；灰熔點(diǎn)；支持向量機(jī)；
電力科學(xué)與工程 2015年8期2016-01-26
- 基于半監(jiān)督學(xué)習(xí)方法的軟件故障定位研究
同訓(xùn)練算法;訓(xùn)練樣本軟件故障定位是軟件調(diào)試過(guò)程中最為耗時(shí)和合耗資源的活動(dòng)之一。為了減輕程序員手工排查程序語(yǔ)句的工作量，提高代碼調(diào)試效率和可靠性，研究人員提出了一系列自動(dòng)化的故障定位方法。機(jī)器學(xué)習(xí)方法被廣泛采用?；诒O(jiān)督學(xué)習(xí)方法應(yīng)用較廣，且可靠性高。但是存在一個(gè)重要問(wèn)題，就是大量標(biāo)記樣本的獲取，因?yàn)樵趯?shí)際項(xiàng)目中大量標(biāo)記樣本的獲取極其困難且代價(jià)高昂［1］。針對(duì)標(biāo)記樣本獲取困難這一問(wèn)題，本文提出基于半監(jiān)督學(xué)習(xí)的軟件故障定位方法，應(yīng)用Zhou等人給出的一種命名為C
西北工業(yè)大學(xué)學(xué)報(bào) 2015年2期2016-01-19
- 訓(xùn)練樣本對(duì)遙感影像分類(lèi)精度影響研究
0500)?訓(xùn)練樣本對(duì)遙感影像分類(lèi)精度影響研究高文杰，王金亮*，劉廣杰(云南師范大學(xué) 旅游與地理科學(xué)學(xué)院，云南 昆明 650500)以大理SPOT-5 HRG影像和Landsat TM影像作為數(shù)據(jù)源，在構(gòu)建標(biāo)準(zhǔn)訓(xùn)練樣本數(shù)據(jù)集的基礎(chǔ)上，探索訓(xùn)練樣本對(duì)遙感影像分類(lèi)的影響。選取不同訓(xùn)練樣本數(shù)量組合，分別對(duì)監(jiān)督分類(lèi)中的平行六面體、最小距離、馬氏距離、最大似然法、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)6種分類(lèi)方法進(jìn)行多次實(shí)驗(yàn)，并采用Kappa系數(shù)和總體分類(lèi)精度對(duì)實(shí)驗(yàn)分類(lèi)結(jié)果的精度進(jìn)行
云南地理環(huán)境研究 2015年2期2015-12-26
- 訓(xùn)練樣本數(shù)量選擇和總體分類(lèi)精度的關(guān)系研究
方法上，而對(duì)訓(xùn)練樣本數(shù)量選擇和分類(lèi)精度的關(guān)系研究較少。2004年Foody針對(duì)SVM分類(lèi)提出:以地物邊界上較少數(shù)量的混合像元作為訓(xùn)練樣本，可以達(dá)到選取大量純凈樣本作為訓(xùn)練樣本得到的分類(lèi)精度［1］。2005年Van Niel T G等指出，訓(xùn)練樣本數(shù)量選取規(guī)則是每個(gè)地物類(lèi)別需要的樣本數(shù)量為遙感數(shù)據(jù)波段數(shù)的10～30倍，并在此基礎(chǔ)上越多越好［2］。2006年Foody又結(jié)合統(tǒng)計(jì)學(xué)理論，給出了訓(xùn)練樣本數(shù)量的計(jì)算公式［3］。而國(guó)內(nèi)的學(xué)者薄樹(shù)奎、丁琳等于2010年選
河南城建學(xué)院學(xué)報(bào) 2015年3期2015-12-04
- 帶虛警抑制的基于歸一化殘差的野值檢測(cè)方法
法。首先利用訓(xùn)練樣本計(jì)算待考查模式的NR值，其次比較NR值與野值檢測(cè)門(mén)限的相對(duì)大小，從而判斷待考查模式是否為野值。該文理論上推導(dǎo)了野值門(mén)限與虛警概率之間的關(guān)系表達(dá)式，以此為依據(jù)設(shè)置檢測(cè)門(mén)限，可實(shí)現(xiàn)在少量訓(xùn)練樣本情況下仍能抑制虛警率的目的。計(jì)算機(jī)仿真和實(shí)測(cè)數(shù)據(jù)測(cè)試驗(yàn)證了所提方法在野值檢測(cè)和虛警抑制方面的優(yōu)越性能。模式識(shí)別；監(jiān)督；野值檢測(cè)；虛警概率；歸一化殘差1 引言野值定義為這樣的樣本，它偏離其他模式太遠(yuǎn)以至于可認(rèn)為它是由不同機(jī)制產(chǎn)生的［1］。野值檢測(cè)被廣泛
電子與信息學(xué)報(bào) 2015年12期2015-08-17
- 基于道路信息的知識(shí)輔助空時(shí)自適應(yīng)處理
STAP)的訓(xùn)練樣本，導(dǎo)致空時(shí)自適應(yīng)處理時(shí)的目標(biāo)自相消，引起漏警。針對(duì)這一問(wèn)題，該文提出一種基于道路信息的知識(shí)輔助(KA)空時(shí)自適應(yīng)處理方法。該方法首先根據(jù)主波束中道路相對(duì)于雷達(dá)的位置估計(jì)道路上車(chē)輛相對(duì)于雷達(dá)的徑向速度，然后得到可能含有主波束車(chē)輛回波信號(hào)的距離-多普勒單元，接著根據(jù)訓(xùn)練樣本與雜波導(dǎo)向矢量和主波束導(dǎo)向矢量的匹配程度判斷這些訓(xùn)練樣本是否包含主波束車(chē)輛回波信號(hào)，最后在進(jìn)行空時(shí)自適應(yīng)處理估計(jì)雜波協(xié)方差矩陣時(shí)剔除被主波束車(chē)輛回波信號(hào)污染的訓(xùn)練樣本。理
電子與信息學(xué)報(bào) 2015年3期2015-07-05
- 基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程模型研究與應(yīng)用
S高程模型；訓(xùn)練樣本1 引言BP神經(jīng)網(wǎng)絡(luò)算法是一種反向傳播學(xué)習(xí)算法，把學(xué)習(xí)的結(jié)果反饋到中間層次的隱單元，改變它們的權(quán)系矩陣，從而達(dá)到預(yù)期的學(xué)習(xí)目的，它是一種自適應(yīng)的映射方法，沒(méi)做假設(shè)，能減少模型誤差，它是迄今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。（本文原刊于《煤礦開(kāi)采》2014年5月）2 BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)算法包括兩個(gè)方面：信號(hào)的前向傳播和誤差的反向傳播。即計(jì)算實(shí)際輸出時(shí)按從輸入到輸出的方向進(jìn)行，而權(quán)值和閾值的修正從輸出到輸入的方向進(jìn)行，其網(wǎng)絡(luò)模型如圖2-1
卷宗 2015年3期2015-05-13
- 基于ELM的作戰(zhàn)方案樣本驗(yàn)證及評(píng)估方法*
制定作戰(zhàn)方案訓(xùn)練樣本時(shí)容易受主觀性影響的問(wèn)題，提出了基于ELM的樣本驗(yàn)證及評(píng)估方法。首先根據(jù)ELM建立作戰(zhàn)方案樣本的預(yù)測(cè)模型，然后更正錯(cuò)誤標(biāo)記的樣本。仿真實(shí)驗(yàn)表明，利用ELM模型訓(xùn)練更正后的樣本集能有效降低均方根誤差值和提高預(yù)測(cè)的準(zhǔn)確率。與RBF神經(jīng)網(wǎng)絡(luò)相比，訓(xùn)練ELM模型的時(shí)間縮短了98.8%，而且無(wú)需調(diào)節(jié)激活函數(shù)的參數(shù)就可以得到足夠好的泛化性能。超限學(xué)習(xí)機(jī); 徑向基函數(shù)；作戰(zhàn)方案；評(píng)估；泛化性能0 引言現(xiàn)代化作戰(zhàn)需要在戰(zhàn)前經(jīng)過(guò)嚴(yán)格論證，建立多個(gè)可行的作
現(xiàn)代防御技術(shù) 2015年4期2015-05-05
- 適用于智能傳感器系統(tǒng)的SVM集成研究
M本質(zhì)是根據(jù)訓(xùn)練樣本集構(gòu)造出最優(yōu)分類(lèi)超平面，使得樣本集可以被該超平面盡可能正確地分開(kāi)，并使離超平面最近的向量與超平面之間的距離最大，因此，SVM是無(wú)法進(jìn)行增量學(xué)習(xí)的，這種特性顯然是不滿足智能傳感器系統(tǒng)實(shí)時(shí)性要求。其次，SVM是性能穩(wěn)定的分類(lèi)器，有“災(zāi)難性遺忘”現(xiàn)象。對(duì)于上述問(wèn)題，國(guó)內(nèi)外學(xué)者提出了各種方法用于SVM的增量學(xué)習(xí)[7～9]。與此同時(shí)，不少文獻(xiàn)提出利用分類(lèi)器集成來(lái)實(shí)現(xiàn)對(duì)SVM分類(lèi)性能和精度的進(jìn)一步改進(jìn)，如Boosting算法和Bagging算法[1
傳感器與微系統(tǒng) 2014年8期2014-07-01
- 一種基于類(lèi)間類(lèi)內(nèi)雙權(quán)重圖像分塊PCA的人臉識(shí)別技術(shù)
法是根據(jù)所有訓(xùn)練樣本分塊圖像的平均圖像來(lái)建立總體散布矩陣，因此在特征提取時(shí)沒(méi)有考慮到不同位置分塊圖像的特征差異．為進(jìn)一步提高人臉識(shí)別的正確率，本文提出一種新的方法．該法首先對(duì)訓(xùn)練樣本圖像建立同類(lèi)圖像空間，根據(jù)同類(lèi)訓(xùn)練樣本的平均圖像與所有訓(xùn)練樣本平均圖像的距離，定義類(lèi)間圖像加權(quán)函數(shù)，以增強(qiáng)不同類(lèi)圖像在特征提取中的類(lèi)間區(qū)分度，同時(shí)計(jì)算類(lèi)內(nèi)訓(xùn)練樣本圖像與該類(lèi)平均圖像的距離，定義類(lèi)內(nèi)圖像加權(quán)函數(shù)，將此和類(lèi)間加權(quán)函數(shù)相乘，這樣每個(gè)圖像均可獲得一個(gè)權(quán)重．如果權(quán)重越小，
- 自適應(yīng)通用學(xué)習(xí)框架改進(jìn)FLDA的人臉識(shí)別
算法在處理單訓(xùn)練樣本人臉識(shí)別時(shí)由于類(lèi)內(nèi)散布矩陣為零而不能進(jìn)行特征提取的問(wèn)題，提出了一種基于自適應(yīng)通用學(xué)習(xí)框架改進(jìn)FLDA的人臉識(shí)別算法。首先選取一個(gè)合適的通用訓(xùn)練樣本集，計(jì)算其類(lèi)內(nèi)散布矩陣和樣本平均向量;然后，利用雙線性表示算法預(yù)測(cè)單訓(xùn)練樣本的類(lèi)內(nèi)、類(lèi)間散布矩陣，巧妙地解決了單訓(xùn)練樣本類(lèi)內(nèi)散布矩陣為零的問(wèn)題;最后，利用Fisher線性判別分析進(jìn)行特征提取，同時(shí)借助于最近鄰分類(lèi)器完成人臉的識(shí)別。在Yale及FERET兩大通用人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)驗(yàn)證了所提算法的
電視技術(shù) 2014年7期2014-01-27
- 基于FBG傳感器網(wǎng)絡(luò)的結(jié)構(gòu)應(yīng)力定位*
長(zhǎng)漂移值進(jìn)行訓(xùn)練樣本的采集，最終通過(guò)對(duì)測(cè)試數(shù)據(jù)與樣本數(shù)據(jù)的差異度進(jìn)行對(duì)比計(jì)算完成應(yīng)力定位。1 應(yīng)力定位算法本文提出的基于參考數(shù)據(jù)的應(yīng)力定位算法主要基于:施加相同強(qiáng)度應(yīng)力時(shí)，應(yīng)力位置距離傳感器越近，傳感器的中心波長(zhǎng)漂移越大。該方法屬于基于靜力學(xué)理論的損傷檢測(cè)方法，在應(yīng)力定位過(guò)程中不需要對(duì)結(jié)構(gòu)的材料特性進(jìn)行分析研究。假設(shè)結(jié)構(gòu)體表面分布有m只FBG傳感器，在對(duì)結(jié)構(gòu)體某個(gè)位置施加應(yīng)力時(shí)，該位置會(huì)產(chǎn)生應(yīng)變，同時(shí)，應(yīng)變會(huì)以一個(gè)極快的速度傳遞到結(jié)構(gòu)體其他位置，此時(shí)FBG
傳感器與微系統(tǒng) 2013年7期2013-10-22
- 改進(jìn)SRC算法在人臉識(shí)別中的應(yīng)用
決測(cè)試樣本與訓(xùn)練樣本存在偏移誤差的問(wèn)題，本文提出了基于SRC的改進(jìn)算法。該算法將每一類(lèi)的訓(xùn)練樣本單獨(dú)作為訓(xùn)練字典，利用迭代校正和基于金字塔分層機(jī)構(gòu)的運(yùn)動(dòng)偏移估計(jì)方法得到最終的偏移量，最后對(duì)校正后的測(cè)試樣本使用SRC算法實(shí)現(xiàn)分類(lèi)。實(shí)驗(yàn)結(jié)果表明該方法對(duì)于有偏移誤差的人臉圖像具有較好的魯棒性及識(shí)別率。SRC；人臉識(shí)別；迭代校正；運(yùn)動(dòng)偏移估計(jì)基于圖像的人臉識(shí)別技術(shù)是近年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域研究熱點(diǎn)之一，人臉識(shí)別技術(shù)利用從人臉圖像中提取出有效特征信息，與數(shù)據(jù)庫(kù)中的已知人
電子設(shè)計(jì)工程 2013年4期2013-07-13
- 基于表示的簡(jiǎn)單快速人臉識(shí)別方法
而是首先使用訓(xùn)練樣本子集的線性組合來(lái)表示測(cè)試樣本，然后基于表達(dá)式的結(jié)果，對(duì)測(cè)試樣本進(jìn)行分類(lèi)。這種方法已經(jīng)獲得了非常不錯(cuò)的性能，并且被一致認(rèn)為是人臉識(shí)別研究的一個(gè)突破[2]。然而，稀疏表示法有非常高的計(jì)算開(kāi)銷(xiāo)，主要是因?yàn)樗蕾?lài)迭代算法來(lái)實(shí)現(xiàn)解決方案。稀疏表示法也可用于乳腺癌的識(shí)別分類(lèi)、信號(hào)處理及圖像分解等[3]。以前的人臉識(shí)別方法通常由特征提取、分類(lèi)器的選擇及分類(lèi)這三個(gè)階段組成。通常，特征提取階段由變換方法實(shí)現(xiàn)，如基于獨(dú)立成分分析方法[4]、主成分分析方法[
電視技術(shù) 2013年17期2013-02-13
- 基于遺傳算法的形聲輸入法訓(xùn)練樣本生成研究與實(shí)現(xiàn)
的形聲輸入法訓(xùn)練樣本生成研究與實(shí)現(xiàn)李錕華，段利華，桑志強(qiáng)（大理學(xué)院數(shù)學(xué)與計(jì)算機(jī)學(xué)院，云南大理 671003）在用戶利用輸入法練習(xí)軟件學(xué)習(xí)時(shí)，輸入法練習(xí)軟件使用的訓(xùn)練樣本設(shè)計(jì)是否合理，是影響學(xué)習(xí)好壞的重要因素。討論以形聲編碼輸入法練習(xí)軟件訓(xùn)練樣本生成作為研究對(duì)象，根據(jù)用戶設(shè)定的訓(xùn)練目標(biāo)，通過(guò)遺傳算法生成符合訓(xùn)練要求的最優(yōu)訓(xùn)練樣本，來(lái)滿足用戶訓(xùn)練要求。輸入法；訓(xùn)練樣本；遺傳算法隨著科學(xué)技術(shù)的不斷發(fā)展，計(jì)算機(jī)被廣泛應(yīng)用于人們的生產(chǎn)生活。在我國(guó)，計(jì)算機(jī)應(yīng)用主要圍繞
大理大學(xué)學(xué)報(bào) 2012年4期2012-11-03
- 基于壓縮感知的SAR圖像目標(biāo)識(shí)別
別應(yīng)用時(shí)需由訓(xùn)練樣本構(gòu)造稀疏基，測(cè)試樣本表示為稀疏基的線性組合。當(dāng)假設(shè)任意亮度和表情變化的人臉圖像取決于一個(gè)低維的人臉子空間時(shí)，利用壓縮感知的重構(gòu)算法，可以從稀疏表示的結(jié)果中精確恢復(fù)出人臉圖像的表示，根據(jù)各類(lèi)訓(xùn)練樣本的重構(gòu)圖像與測(cè)試樣本之間的距離度量實(shí)現(xiàn)對(duì)目標(biāo)的有效識(shí)別?；谶@種基本思路，壓縮感知理論又被進(jìn)一步引入到人臉表情識(shí)別［5］和三維人臉識(shí)別［6］等領(lǐng)域。本文主要研究將壓縮感知理論應(yīng)用于SAR圖像目標(biāo)識(shí)別，以獲得對(duì)SAR目標(biāo)更優(yōu)的識(shí)別性能。但是值得注
火控雷達(dá)技術(shù) 2012年4期2012-09-30
- 用于七段碼識(shí)別的BP網(wǎng)絡(luò)中虛擬樣本的生成
須搜集大量的訓(xùn)練樣本，這通常要消耗大量人力物力，且在工業(yè)環(huán)境下難以實(shí)現(xiàn)，因此，如何在少量訓(xùn)練樣本下，提高BP網(wǎng)絡(luò)的泛化能力，就值得深入研究。1992年，Poggio T和Vetter T［5］提出了虛擬樣本的思想，目前虛擬樣本構(gòu)造方法有:添加噪聲［6］、基于模板［7］、基于高斯變換［8］等方法。本文根據(jù)工業(yè)用七段碼數(shù)顯儀表的特征，采用特定的構(gòu)造方法在原有樣本的基礎(chǔ)上，模擬七段碼碼段重疊，構(gòu)造一定量的虛擬樣本，并增加到訓(xùn)練樣本集中，使訓(xùn)練樣本集的樣本在樣本空
傳感器與微系統(tǒng) 2012年3期2012-07-25