排序方式: 共有61条查询结果,搜索用时 15 毫秒
1.
一种基于粗糙集的决策规则综合方法 总被引:3,自引:1,他引:3
提出了一种基于粗糙集的决策规则综合的新方法——归类优选方法。该方法避开了求取最小规则集的NP-hard问题。同时,通过定义一个规则命中函数,以及根据条件属性的重要性,对决策规则进行归类优选,较好地解决了新数据事例的规则匹配问题和训练数据集中的噪声抑制问题。算例表明该方法是有效的。 相似文献
2.
针对模式识别系统中有效特征的选择问题,采用支持向量机作为分类器,提出了基于均匀设计的特征选择方法.根据均匀设计表的结构及采用的数据集进行训练、测试,最后检验所选的特征子集.实验结果表明,该方法能够有效地去除数据集的冗余特征,取得比使用特征全集更好的分类性能. 相似文献
3.
4.
针对机器人的应用场合通常存在各种噪声干扰的问题,提出了一种基于稀疏编码的语音特征提取方法.利用稀疏编码能稀疏表示语音的特性,在梅尔频域对语音增强后提取特征,将稀疏去噪与语音特征提取相融合,实现了混噪语音的有效补偿.在预设场景中的实验结果表明,与现有特征提取方法相比,所提出的语音特征提取方法能有效降低噪声对语音特征的影响,提高机器人语音控制的性能. 相似文献
5.
模糊粗糙数据模型:一种数据分析的新方法 总被引:7,自引:0,他引:7
提出了一种数据分析的新方法——模糊粗糙数据模型(Fuzzy Rough Data Model,FRDM).该方法采用动态自适应模糊聚类技术,将Kowalczyk方法中的粗糙数据模型(Rough Data Model,RDM)对输入数据空间的网格状“硬划分”转化为模糊划分,辨识输入数据空间中的模糊模式类,并通过定义各模糊模式类与决策类别之间的类型映射关系ftype:Ci→y,以及输入数据对各模式类分类规则的匹配度(Degree of Fulfillment,DoF(x))概念,建立起相应的FRDM模型.不同数据集的实验测试结果表明,与Kowalczyk的RDM方法相比,文中方法具有更好的数据概括能力、更强的噪声数据处理能力和更高的搜索效率. 相似文献
6.
基于模糊自适应遗传算法的数据校正方法 总被引:2,自引:2,他引:0
针对数据校正中的非线性数据分类还比较困难的问题,提出表上作业法,结合遗传算法同时进行数据协调与过失误差侦破.并将模糊数据协调模型中的三角形约束引入遗传算法界定其变异上下限,还对交叉算子进行自适应改进,从而形成了基于模糊自适应的数据校正方法并用该方法对一个稳态多组分精馏过程进行大量仿真试验,结果表明了算法的有效性. 相似文献
7.
基于高斯混合模型和Renyi熵的图像分割方法* 总被引:2,自引:1,他引:1
采用高斯混合模型(GMM)来估计图像灰度值的空间坐标概率分布,再在二阶Renyi熵的基础上构造目标熵函数,在图像灰度范围内搜索各个灰度级别的坐标集合,使此目标熵函数最大的灰度值作为最佳分割阈值。实验结果表明此方法对图像分割的精度较高,适应性较好,具有较稳定的性能。 相似文献
8.
现有算法对交通标志进行识别时,存在训练时间短但识别率低,或识别率高但训练时间长的问题。为此,综合批量归一化(BN)方法、逐层贪婪预训练(GLP)方法,以及把分类器换成支持向量机(SVM)这三种方法对卷积神经网络(CNN)结构进行优化,提出基于优化CNN结构的交通标志识别算法。其中:BN方法可以用来改变中间层的数据分布情况,把卷积层输出数据归一化为均值为0、方差为1,从而提高训练收敛速度,减少训练时间;GLP方法则是先训练第一层卷积网络,训练完把参数保留,继续训练第二层,保留参数,直到把所有卷积层训练完毕,这样可以有效提高卷积网络识别率;SVM分类器只专注于那些分类错误的样本,对已经分类正确的样本不再处理,从而提高了训练速度。使用德国交通标志识别数据库进行训练和识别,新算法的训练时间相对于传统CNN训练时间减少了20.67%,其识别率达到了98.24%。所提算法通过对传统CNN结构进行优化,极大地缩短了训练时间,并具有较高的识别率。 相似文献
9.
把基于粗集的属性约简方法与支持向量机分类器的基本理论相结合,以提高决策分类的综合性能。将所提方法应用于医疗诊断决策,并对属性约简前后的决策性能进行了比较分析。试验结果表明,利用约简后的数据集,计算复杂性降低,内存需求减少,同时仍能保持较高的决策准确率。 相似文献
10.
工业稳态过程的建模与优化设计 总被引:1,自引:0,他引:1
针对变量多、关系复杂的工业稳态过程,提出了一种建立静态数学模型与过程优化相结合的计算机辅助分析与设计软件的方案。 相似文献