公共文化服务平台

搜索到146篇“ RELIEF算法“的相关文章

基于Relief算法的不平衡数据分类分级算法仿真: 2024年; 不平衡数据的分类分级是保证大数据技术高效使用过程中不可缺少的环节,但分类分级过程易受数据属性、冗余性、不均衡性等问题的干扰。为解决上述问题,提出不平衡数据朴素贝叶斯分类分级算法。采用合成少数类过采样技术降低数据的不平衡度,通过距离相关系数与最大信息系数完成不平衡数据的特征选择与筛选,采用Relief算法对筛选的特征做权重分配,并输入到朴素贝叶斯模型中实现分类,再结合动态阈值算法完成数据的分级。实验结果表明,所提算法的运行时间短、分类精度高,能够有效提升数据处理效果。; 梁丹凝梁坚; 关键词：不平衡度特征矩阵后验概率

基于Relief算法的智能车辆牌照模糊识别方法: 2023年; 由于当前已有方法未能对车牌照进行降维处理,导致车牌照识别结果不准确,为此,提出一种基于Relief算法的智能车辆牌照模糊识别方法。采用Relief算法计算不同车牌图像特征的权重系数,对特征集进行降维处理。通过序列视频图像对智能车牌进行增强处理,利用全卷积网络对车牌照显著区域进行检测,粗略提取图像中的显著区域,使用滑动窗方法对候选区域车牌进行精准检测,定位车牌准确位置,加入字符的上下文信息,对字符进行精确检测和识别,最终实现智能车辆牌照模糊识别。仿真实验结果表明,所提方法可获取高精度的车牌照识别结果。; 刘洋宇; 关键词：RELIEF算法模糊识别显著区域检测图像增强

基于Relief算法和Adaboost-SVM的铸件缺陷自动识别技术研究: 铸造是装备零部件的主要加工手段之一,铸件生产过程中出现的气孔、夹杂等缺陷需要在铸件精整时进行识别,目前铸件缺陷识别大多采用人工识别,而人工识别准确度受限于操作人员的技能水平和职业责任感。本文提出了一种基于Relief算法...; 刘骁佳周鹏飞陈锦华蒋孝乾杨陈程陆彦辰; 关键词：无损检测 RELIEF算法

基于Relief算法的集成测试仪器故障图像自动识别被引量：1: 2021年; 为了实现对集成测试仪器故障的优化识别,结合图像处理方法,进行集成测试仪器故障检测,提出基于Relief算法的集成测试仪器故障图像自动识别方法。采用差异化的帧扫描技术进行集成测试仪器故障特征检测,结合高分辨的信息和技术进行集成测试仪器故障图像的边缘轮廓特征检测和模糊度辨识,通过模糊中心像素特征分离方法进行集成测试仪器故障图像的特征点检测,采用细化分割技术对图像的故障特征点进行高分辨标记和信息增强处理,采用Relief算法对集成测试仪器故障图像的特征点进行自适应寻优计算,提取集成测试仪器故障图像的显著性特征点,根据特征点提取结果实现对集成测试仪器故障图像的优化识别。仿真结果表明,采用该方法进行集成测试仪器故障图像识别的准确性较高,特征辨识度较好,提高了对故障点的准确标识和检测能力。; 付琳; 关键词：RELIEF算法图像特征提取

基于Relief算法的激光干涉仪故障图像自动识别方法研究被引量：1: 2020年; 传统激光干涉仪故障图像识别方法将提取的所有故障图像特征作为输入进行故障图像识别,计算量大,且影响识别结果的准确性。为此,提出一种基于Relief算法的激光干涉仪故障图像自动识别方法。计算灰度共生矩阵,依据灰度共生矩阵求解获取纹理特征参数,构成特征子集对图像纹理特征进行描述。利用Relief算法对实例集合任意采样,求出各属性的权重对特征进行选择,从而实现对特征的排序,得到对识别作用最大的前几个特征,把特征权向量和原始样本数据共同输入相关向量机中进行训练,建立故障图像识别分类器,自动实现激光干涉仪故障图像的自动识别。经验证,Relief算法选择的特征可有效区分故障样本与非故障样本,所提方法对故障图像的识别准确性高。; 李嘉恩; 关键词：RELIEF算法激光干涉仪

基于信息粒化的高效Relief算法研究: 随着互联网技术的飞速发展，信息的多样化及产生速度有着质的飞跃，促使数据呈现爆发式的增长。大量的数据中势必蕴含着很多有价值的信息，数据挖掘就是在这些数据中“沙里淘金”的过程。在数据挖掘领域中，分类问题受到广泛关注。特征选择...; 王达; 关键词：RELIEF算法信息熵; 文献传递

基于Relief算法的webshell检测方法及装置: 本发明涉及恶意脚本检测领域，本发明旨在解决现有的webshell检测方法存在的误报和漏报率高的问题，提出一种基于Relief算法的webshell检测方法及装置，技术方案概括为：收集样本，所述样本包括webshell样本...; 张兰徐曼马小勤赵凌彦

基于Relief算法的汽车车载承压焊缝图像缺陷融合识别研究: 2019年; 当前汽车车载承压焊缝图像缺陷识别过程中的特征类别重叠,冗余度高,造成识别精度低,提出基于Relief算法的汽车车载承压焊缝图像缺陷融合识别方法。采用Relief算法计算汽车车载承压焊缝图像特征权值。利用最大相关最小冗余算法(mRMR)进行焊缝图像缺陷特征降维,通过互信息方法权衡特征和类别之间、特征和特征之间的相关度,选出与类别具有最大相关性、最小冗余性的图像特征,通过缺陷特征选择获取图像缺陷特征集合。对缺陷特征集合进行融合处理,得到待选特征子集。采用优化后的SVM分类器对待选子集进行分类,输出汽车车载承压焊缝图像缺陷融合识别结果。实验结果显示,本文方法能够有效除去冗余特征,区分缺陷特征类别,准确识别汽车车载承压焊缝图像缺陷。; 付琳; 关键词：RELIEF算法

基于不平衡数据集分类的Relief算法研究与应用: 随着信息技术和计算机技术的高速发展，如何从海量数据中挖掘有价值的信息是一项具有现实意义的工作，并得到了研究者的持续关注。其中不平衡数据的处理，尤其是少数类的识别问题仍是一项具有挑战性的工作。　　传统的Relief算法是一...; 何元钰; 关键词：数据挖掘 RELIEF算法; 文献传递

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法被引量：5: 2019年; 采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。; 张萌张萌; 关键词：高光谱成像无损检测极限学习机

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈