排序方式: 共有22条查询结果,搜索用时 15 毫秒
1.
贝叶斯在训练样本不完备的情况下,对未知类别新增训练集进行增量学习时,会将分类错误的训练样本过早地加入到分类器中而降低其性能,另外增量学习采用固定的置信度评估参数会使其效率低下,泛化性能不稳定.为解决上述问题,提出一种动态置信度的序列选择增量学习方法.首先,在现有的分类器基础上选出分类正确的文本组成新增训练子集.其次,利用置信度动态监控分类器性能来对新增训练子集进行批量实例选择.最后,通过选择合理的学习序列来强化完备数据的积极影响,弱化噪声数据的消极影响,并实现对测试文本的分类.实验结果表明,本文提出的方法在有效提高分类精度的同时也能明显改善增量学习效率. 相似文献
2.
提出一种拥有DSA数字签名的零知识证明方案。签名者不向签名接收方显式提供信息的DSA数字签名,而是给出一个拥有该DSA数字签名的零知识证明。方案可以限制数字签名的任意传播,适用于电子产品的版权保护。 相似文献
3.
印鉴分割是正确识别真假印鉴的关键问题,本文给出了一种新的印鉴图像分割算法。该算法基于样本章(印鉴)和待验章(印鉴)在具有相同的笔划宽度时,分割效果最佳,最利于真假印鉴的识别。选定一定范围的灰度值作为可能的阈值,从中选 出使待验章和样本章的笔划宽度相差最小的阈值作为最佳阈值。对位于待验章和样本章的交集中的边缘点分别在待验章和样本章中求水平和垂直方向上的笔划宽度,并且仅取宽度差最小的一个方向上的宽度差,很好地避免了印泥的浓淡、盖印时用力的深浅、印泥污染、笔划断裂和分裂带来的干扰。实验和实践证明,该方法分割效果好,并具有很好的稳定性,在识别真假印鉴的实践中得到了很好的应用。 相似文献
4.
5.
6.
模糊时间序列模型和季节模型都是基于时间序列的模型,为了探讨在时间序列表现出一定的周期性时,哪种模型的预测效果会更好,分别利用模糊时间序列模型和季节模型对南京某商场的客流量进行预测,计算并比较两种方法下的相对误差值和RMSE(Root Mean Square Error)值,发现季节模型的相对误差值图形的平滑度要优于模糊时间序列模型,季节模型的RMSE值小于模糊时间序列模型,这表明考虑到数据特征的模型有更好的预测结果。 相似文献
7.
8.
9.
10.