注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 文献综述 范文 基于Adaboost算法的人脸检测

  2. 毕业设计的文献综述“Adaboost是一种自适应的boosting算法，该算法利用大量的分类能力一般的简单（弱）分类器(Basic Classifier)通过一定的方法叠加(Boost)起来，构成一个分类能力很强的强分类器(Strong Classifier)。其基本思想是：当分类器对某些样本正确分类时，则减少这些样本的权值；当错误分类时，则增加这些样本的权值，让学习算法在后续的学习中集中对比较难的训练样本进行学习，最终得到一个识别率理想的分类器。该算法的人脸检测对于单人脸正面图像的检测效果较

  3. 所属分类：Java

    • 发布日期：2011-04-07
    • 文件大小：158720
    • 提供者：ch5092159

  1. 车牌检测haar分类器文件

  2. 采用opencv haartrainning生产的分类器文件，10000个蓝牌，17000个负样本，训练太慢了，只训练了10级。对蓝牌漏检很低，但误检很高，连路面都误检。测试着玩吧。

  3. 所属分类：交通

    • 发布日期：2012-03-16
    • 文件大小：57344
    • 提供者：supperwfy

  1. 车牌检测分类器

  2. 针对传统AdaBoost算法的不足,分析了训练过程中出现过训练及分类器退化的问题,并提出了解决这一问 题的有效新方法。新方法主要对样本及时更新和样本权重的更新规则进行了调整。使用该方法训练级联车牌检 测器,实验结果表明,新方法较好地解决了传统AdaBoost算法中所出现的过训练及退化问题,在保证检测率的同时 降低了误检率,并且训练时间缩短了50%左右。

  3. 所属分类：C/C++

    • 发布日期：2013-06-03
    • 文件大小：355328
    • 提供者：liupeitong00

  1. 深度学习-样本误分类问题的分析及解决方案

  2. 针对训练集训练好的分类器在样本加入干扰后分类性能急剧下降的问题，文章给出解释，并提出解决方法。

  3. 所属分类：硬件开发

  1. 二维贝叶斯分类器.zip

  2. 画出训练样本的散布图 编写程序，估计类均值和协方差矩阵 按照最小错误率贝叶斯分类规则设计分类器，计算训练样本的误差率 计算分类器对于测试样本的错误率 画出两类样本的决策边界

  3. 所属分类：IT管理

    • 发布日期：2019-05-12
    • 文件大小：4096
    • 提供者：qq_41963679

  1. 基于贝叶斯和决策树的入侵检测方法

  2. 针对目前基于贝叶斯或决策树的入侵检测方法存在检测率低、误检率高的问题,提出了一种基于贝叶斯和决策树的入侵检测方法。该检测方法首先采用基于特征相似度的朴素贝叶斯方法对训练集中的样本进行分类,更新每个样本的类值;然后对训练集中的样本再次使用朴素贝叶斯方法进行分类,对存在误分类样本的类采用决策树的信息增益来确定属性划分子类,再对子类进行分类和划分操作;最后建立贝叶斯和决策树的混合模型进行入侵检测。实验结果表明,与单独使用贝叶斯或者决策树的检测方法相比,该检测方法具有较高的检测率。

  3. 所属分类：其它

    • 发布日期：2020-05-05
    • 文件大小：571392
    • 提供者：weixin_38626179

  1. 不平衡数据学习综述【附4篇经典论文】.zip

  2. 以下附上不平衡数据学习的4篇综述论文，非常有阅读价值。针对不平衡数据集解决方法主要分为两个方面：第一种方案主要从数据的角度出发，主要方法为抽样，既然我们的样本是不平衡的，那么可以通过某种策略进行抽样，从而让我们的数据相对均衡一些；第二种方案从算法的角度出发，考虑不同误分类情况代价的差异性对算法进行优化，使得我们的算法在不平衡数据下也能有较好的效果。

  3. 所属分类：机器学习

    • 发布日期：2020-02-07
    • 文件大小：3145728
    • 提供者：syp_net

  1. 基于矩阵模式的三重结构化分类器设计

  2. 传统的矢量化分类器应该包含类结构信息，但会忽略单个模式的单个结构。 相比之下，矩阵化分类器应该同时考虑类和单个结构，因此比矢量化分类器具有更好的性能。 在本文中，我们探索了一种中间粒度，称为类与个体之间的簇，并将簇的结构（即每个类内的结构）引入矩阵化的分类器设计中。 这样做可以从全局到点同时使用类，群集和单个结构。 因此，本文提出的分类器设计具有三层结构信息，可以使分类性能提高。 在实践中，我们采用Ho-Kashyap算法的修改，以误分类误差（MHKS）的平方近似为学习范式，并开发了三重结构的M

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：1048576
    • 提供者：weixin_38632825

  1. 数据挖掘分类技术

  2. 造成原因有：（1）噪声造成的过分拟合（因为它拟合了误标记的训练记录，导致了对检验集中记录的误分类）；（2）根据少量训练记录做出分类决策的模型也容易受过分拟合的影响。（由于训练数据缺乏具有代表性的样本，在没有多少训练记录的情况下，学习算法仍然继续细化模型就会产生这样的模型，当决策树的叶节点没有足够的代表性样本时，很可能做出错误的预测）（3）多重比较也可能会导致过分拟合（大量的候选属性和少量的训练记录最后导致了模型的过分拟合）（1）乐观估计（决策树归纳算法简单的选择产生最低训练误差的模型作为最终的模

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：404480
    • 提供者：weixin_38659311

  1. 用于图像分类的两级分层特征学习

  2. 在某些图像分类任务中，不同类别之间的相似性是不同的，并且样本通常被误分类为高度相似的类别。 为了区分高度相似的类别，需要更具体的功能，以便分类器可以提高分类性能。 在本文中，我们提出了一种基于深度卷积神经网络（CNN）的新颖的两级分层特征学习框架，该框架简单有效。 首先，使用转移学习方法训练不同级别的深度特征提取器，该方法将预训练的深度CNN模型朝新的目标数据集进行微调。 其次，将从所有类别中提取的一般特征和从高度相似的类别中提取的特定特征融合到特征向量中。 然后将最终的特征表示输入线性分类器。

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：711680
    • 提供者：weixin_38614377

  1. 基于代价敏感主动学习的氧化铝蒸发过程故障检测(英文)

  2. 针对氧化铝蒸发过程故障检测中标注者不切实际的假设和控制参数难以确定问题,提出改进的代价敏感主动学习方法。给出了代价敏感主动学习形式化描述和放松了标注者不切实际的假设。为了提高分类精度和减少标注代价,该方法结合粒子群优化和代价敏感主动学习。利用连续的粒子群优化代价敏感主动学习的控制参数,该参数用于最大化未标注样本的信息度和最小化标注代价。将所提出的方法应用于氧化铝蒸发过程故障检测,实验结果表明,该方法能正确地选择控制参数,有效地减少了误分类代价和标注代价,提高了故障检测率。

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：98304
    • 提供者：weixin_38614825

  1. 代价敏感分类策略在肺癌细胞识别诊断中的应用

  2. 目的 代价敏感分类策略可以最小化误分类代价并有效提高识别率.针对计算机辅助肺穿刺样本的病理图像分析,提出一种新的代价敏感图像层的肺癌诊断系统(cost-sensitive image-level lung cancer diagnosis system,CILCDS).方法基于潜在狄利克雷分配模型(latent dirichlet allocation,LDA)、代价敏感支持向量机(cost-sensitive support vector machine,CSSVM)以及多类支持向量机(mul

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：1048576
    • 提供者：weixin_38668225

  1. 数据挖掘分类技术

  2. 造成原因有：（1）噪声造成的过分拟合（因为它拟合了误标记的训练记录，导致了对检验集中记录的误分类）；（2）根据少量训练记录做出分类决策的模型也容易受过分拟合的影响。（由于训练数据缺乏具有代表性的样本，在没有多少训练记录的情况下，学习算法仍然继续细化模型就会产生这样的模型，当决策树的叶节点没有足够的代表性样本时，很可能做出错误的预测）（3）多重比较也可能会导致过分拟合（大量的候选属性和少量的训练记录最后导致了模型的过分拟合）（1）乐观估计（决策树归纳算法简单的选择产生最低训练误差的模型作为最终的模

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：404480
    • 提供者：weixin_38542148

  1. 基于判别协作表征分类器的人体行为识别

  2. 为了解决协作表征分类器(CRC)对相似样本误分类概率高的问题,提出一种判别协作表征分类器(DCRC)。该分类器考虑了所有训练样本和每一类样本对协作表征系数的影响,得到判别性强的协作表征系数,提升了对相似样本的判别性。基于DCRC进行人体行为识别研究。首先用深度运动映射图(DMMs)提取深度动作序列特征,得到DMMs特征描述子,然后利用DCRC对特征描述子进行协作表征编码,最后利用新的判别规则进行分类识别。在人体行为识别数据集上的实验结果表明,DCRC对相似动作具有一定的判别性,且识别精度优于现有

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：6291456
    • 提供者：weixin_38612437

  1. 基于移动平台热成像的行人检测随机蕨分类器

  2. 傍晚至清晨的照度低,成为交通意外、安全事故、犯罪事件的高发时间段。将适用于低照度环境下的热成像摄像机安装于移动平台,实现了监控区域的扩展。首先框选热成像图片中的行人及背景区域,然后提取亮度特征和方向中心对称-局部二值模式纹理特征进行随机蕨分类器的训练及分类;利用检测到的目标扩展训练样本库,更新分类器的后验概率分布,实现了分类器的在线自主学习。通过仿真测试,得到该算法对车载视频的运算速度为242.18 s,误检率为9.53%;对无人机视频的运算速度为14.93 s,误检率为4.52%。该算法的误检

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：3145728
    • 提供者：weixin_38638799

  1. 基于字节码图像的Android恶意代码家族分类方法

  2. 面对Android恶意代码高速增长的趋势，提出基于字节码图像的Android恶意代码家族分类方法，通过将Android恶意应用的字节码转化为256阶灰度图形式的字节码图像，利用GIST算法提取图像的纹理特征，并结合随机森林算法对特征进行分类。对常见的14种Android恶意代码家族的样本进行了实验验证，并与DREBIN方法进行比较，实验结果表明，该方法可有效进行Android恶意代码家族分类，具有检测精度高且误报率低的优点。

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：5242880
    • 提供者：weixin_38719643

  1. 基于边界值不变量的对抗样本检测方法

  2. 目前，深度学习成为计算机领域研究与应用最广泛的技术之一，在图像识别、语音、自动驾驶、文本翻译等方面都取得良好的应用成果。但人们逐渐发现深度神经网络容易受到微小扰动图片的影响，导致分类出现错误，这类攻击手段被称为对抗样本。对抗样本的出现可能会给安全敏感的应用领域带来灾难性的后果。现有的防御手段大多需要对抗样本本身作为训练集，这种对抗样本相关的防御手段是无法应对未知对抗样本攻击的。借鉴传统软件安全中的边界检查思想，提出了一种基于边界值不变量的对抗样本检测防御方法，该方法通过拟合分布来寻找深度神经网络

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：941056
    • 提供者：weixin_38674415

  1. 代价敏感支持向量机

  2. 以分类精度为目标的传统分类算法通常假定:每个样本的误分类具有同样的代价且每类样本数大致相等.但现实数据挖掘中该假定不成立时,这些算法的直接应用不能取得理想的分类和预测.针对此缺隙,并基于标准的SVM,通过在SVM的设计中集成样本的不同误分类代价,提出代价敏感支持向量机(CS-SVM)的设计方法.实验结果表明CS-SVM是有效的.

  3. 所属分类：其它

    • 发布日期：2021-01-15
    • 文件大小：351232
    • 提供者：weixin_38737283

  1. 基于改进的QBC和CS-SVM的故障检测

  2. 针对复杂工业过程样本集中的类不平衡、样本标注代价昂贵和样本孤点的问题, 研究基于委员会投票选择(MQBC) 和代价敏感支持向量机(CS-SVM) 的故障检测方法. 给出未标注样本信息度的定义, 提出改进的委员会投票选择算法. 主动代价敏感学习通过MQBC选择信息度高的未标注样本对其标注并添加到训练集. CS-SVM 将不同类样本的误分类赋予不同的误分类代价, 从而提高CS-SVM 的故障检测率. 最后, 以铜闪速熔炼过程为例，实验结果验证了所提出方法的有效性.

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：203776
    • 提供者：weixin_38574410

  1. 基于代价敏感极端学习机的电力系统暂态稳定评估方法

  2. 针对电力系统暂态稳定评估中稳定样本与不稳定样本误分类代价不同的特点，提出一种基于代价敏感极端学习机的电力系统暂态稳定评估方法。该方法在现有极端学习机的基础上，引入误分类代价的概念，以误分类代价最小为目标，构造代价敏感极端学习机，克服了现有极端学习机应用于暂态稳定评估时只追求高的分类准确率而忽略不稳定样本漏报率的缺点。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明，所提方法的评估结果更倾向于将样本划分为误分类代价大的不稳定样本，以减小总的误分类代价。通过调整误分类代价矩阵，不仅可以使

  3. 所属分类：其它

    • 发布日期：2021-01-13
    • 文件大小：986112
    • 提供者：weixin_38628953
« 12 »