检索结果-内蒙古大学图书馆

电子与信息学报 2004年第10期26卷 1613-1619页

作者：裴继红杨烜深圳大学现代教育技术与信息中心深圳518060 深圳大学信息工程学院深圳518060

本文提出了一种多色Voronoi分类器***在学习样本上有好的边界推广性随着样本数量的增加MCVC的分类面可以逼近任意的分类函数.MCVC具有好的局部特性,对新加样本的训练只影响其周围的局部性态,不会对全局产生大的影响,可以克服神经网络方... 详细信息

本文提出了一种多色Voronoi分类器***在学习样本上有好的边界推广性随着样本数量的增加MCVC的分类面可以逼近任意的分类函数.MCVC具有好的局部特性,对新加样本的训练只影响其周围的局部性态,不会对全局产生大的影响,可以克服神经网络方法对样本的过学习问题.实验表明MCVC对于线性和非线性分类问题都具有最优分类面。

关键词： Voronoi图多色分类器设计

来源：评论

学校读者我要写书评

暂无评论

分类器设计中的正则化技术研究

分类器设计中的正则化技术研究

引用

作者：薛晖南京航空航天大学

学位级别：博士

正则化技术诞生于20世纪60年代,最初是由数学领域提出用于解决不适定问题。随着80年代机器学习的兴起,正则化技术被广泛应用于模式识别的各个领域。其通过引入含有问题先验知识的正则化项使解稳定的思想渗透在各种算法的设计中,并衍生... 详细信息

正则化技术诞生于20世纪60年代,最初是由数学领域提出用于解决不适定问题。随着80年代机器学习的兴起,正则化技术被广泛应用于模式识别的各个领域。其通过引入含有问题先验知识的正则化项使解稳定的思想渗透在各种算法的设计中,并衍生出许多著名的方法,例如:正则化网络(Regularization Networks,RNs),正则化最小二乘分类器(Regularized Least-squares Classification,RLSC),支持向量机(Support Vector Machines,SVMs)和流形正则化(Manifold Regularization,MR)等等。本文着眼于模式识别中的重要环节之一――分类器设计,从正则化分类器的推广性能、正则化项的构建以及分类器对先验知识的融合等诸多层面,系统深入地研究了分类器设计中的正则化技术。本文的主要贡献在于: 1.从正则化的角度提出了一个新的基于平方误差准则分类器的推广误差界。新的局部性正则化推广误差界将分类器的推广误差限定在每个样本的局部邻域内,融入了数据空间的结构信息,克服了原有推广误差界(如VC维)只适用于线性分类器的缺点,并引入了可调节的正则化参数,增强了误差界的灵活性。在此基础上,本文进一步提出了一种新的分类器设计方法――局部性正则化方法(Locality Regularization,LR)。新方法具有两个显著的特点:(1)根据推广误差界,自然地由期望风险函数的定义导出正则化项;(2)通过与谱图理论、流形学习相结合,将正则化项构建在样本的局部可变邻域上,融合了数据空间的全局和局部结构信息,提高了分类器的推广性能。实验验证了新算法在所用数据集上,尤其是对于训练和测试样本分布不均衡的数据集,具有比经典正则化方法更优的分类性能。 2.进一步拓展了局部性正则化方法的应用领域,提出了一种基于局部性正则化推广误差界的特征选择算法。作为一种混合滤波-封装方法,新算法以局部性正则化推广误差界为评价函数,以局部性正则化方法为目标分类器,既保持了较高的计算效率,又保证了利用所选择特征设计的分类器具有良好的推广性能。 3.针对传统正则化方法仅关注分类器数据独立的光滑性惩罚这一缺点,提出了一种数据依赖正则化项的构建理念――判别正则化项(Discriminative Regularization Term,Rdisreg)。新的判别正则化项主要侧重于:(1)分类器输出空间中数据的可分性,通过采用不同的方式定义输出样本的类内紧凑性和类间分离性,逐步地在正则化项中引入有助于分类的样本判别信息和结构信息;(2)始终保持只含有一个需要调节的正则化因子,有效地避免多类分类优化问题中潜在的“维数灾难”;(3)较强的推广性,通过将其与不同的损失函数、正则化项相结合,可以衍生出更多新的算法,从而最终为分类器设计提供一种新的途径。本文以最小二乘损失函数为例,在嵌入了判别信息的基础上,逐步在判别正则化项中融入全局和局部结构信息,提出了两种判别性正则化方法(Discriminative Regularization,DR)。通过在目标函数中嵌入等性约束,新算法不但可解析求解,并且求解框架自然地涵盖了两类和多类问题。实验验证了新算法优越的推广性和良好的稳定性。 4.支持向量机(SVM)是一种典型的正则化分类器,本文首次尝试从数据结构粒度的观点揭示了SVM及其相关改进方法之间的关系,构建了一个结构正则化大间隔分类器框架,并在此基础上,进一步提出了一种新的大间隔算法――结构正则化支持向量机(Structurally Regularized Support Vector Machine,SRSVM)。通过将数据的聚类结构信息以一个新的正则化项的形式嵌入到传统的SVM目标函数中,新方法主要着重于:(1)保持传统SVM的优化框架,显著降低同类算法的计算复杂度,简化核化过程,快捷有效地收敛到全局最优解,并保持解的稀疏性;(2)从理论上严格证明,数据结构信息的引入确实能够得到比SVM更好的推广性能。 5.根据“没有免费午餐定理”,本文对正则化技术的研究都涉及如何在正则化分类器中尽可能地融入数据的先验知识,其中包括判别信息、结构信息等。因此,如何有效地从数据中挖掘出结构信息也是本文的一个研究方向,由此提出了一种新的鲁棒局部嵌入算法。新算法从样本的鲁棒重建入手,同时考虑了数据流形的全局和局部结构信息,具有比通常流形算法LLE更紧致的嵌入,并有效地抑制了野值对嵌入的影响。在分类器设计上的初步实验表明,新算法的引入进一步提高了正则化分类器的性能。

关键词：分类器设计正则化技术推广误差界正则化项结构信息判别信息流形学习模式识别

来源：评论

学校读者我要写书评

暂无评论

分类器设计中特征选择问题的研究

分类器设计中特征选择问题的研究

引用

作者：王振晓上海交通大学

学位级别：硕士

该文在详细阐述了这一框架之后,对特征选择的两个关键问题进行了研究和实验对比,并对其中一部分算法做出了改进,进一步提高了算法的效率.该文的工作主要可以分为两大部分:对于搜索算法的研究和对特征子集评价方式的研究.该文涉及了三种... 详细信息

该文在详细阐述了这一框架之后,对特征选择的两个关键问题进行了研究和实验对比,并对其中一部分算法做出了改进,进一步提高了算法的效率.该文的工作主要可以分为两大部分:对于搜索算法的研究和对特征子集评价方式的研究.该文涉及了三种搜索算法:①Branch& Bound算法;②连续选择算法(SequentialSelectionAlgorithm);③浮动搜索算法( FloatingSearchAlgorithm).Branch & Bound算法是一种计算复杂度高的全局最优算法,该文详细比较了这种算法的各种不同版本,并提出了对于算法的一种改进,实验表明这种改进可以进一步降低算法的复杂度.连续选择算法和浮动搜索算法是两个次优的搜索算法.该文给出了三种搜索算法在同一个数据集上的实验结果,进行了比较.最后该文还研究了用分类正确率作为特征子集评价标准的方法,采用了决策树和支持向量机两种分类器.采用决策树的特征选择方法在人工数据集和实际数据集上取得了很好的效果,不仅降低了数据的维数,而且使决策树的分类正确率得到了显著提高,同时实验结果也在其他的分类算法上进行了验证.对于针对支持向量机的特征选择方法进行了初步研究.

关键词：特征选择数据挖掘分类器设计搜索算法特征子集评价

来源：评论

学校读者我要写书评

暂无评论

分类器设计及其在序列图像目标识别中的应用研究

分类器设计及其在序列图像目标识别中的应用研究

引用

作者：唐杰国防科学技术大学

学位级别：硕士

随着现代计算机技术的不断进步,计算机因能够不断代替人类智能高效的工作,被赋予越来越重要的责任。其中,计算机视觉领域发展突飞猛进,而目标识别作为计算机视觉领域发展过程中的前沿方向,值得深入研究和探索。伴随着成像平台和成像技... 详细信息

随着现代计算机技术的不断进步,计算机因能够不断代替人类智能高效的工作,被赋予越来越重要的责任。其中,计算机视觉领域发展突飞猛进,而目标识别作为计算机视觉领域发展过程中的前沿方向,值得深入研究和探索。伴随着成像平台和成像技术的发展,视频序列图像逐渐成为常用的数据获取方式。本文针对当前目标识别存在的问题,重点考虑分类器的设计,结合序列图像数据的要求,进一步探索研究目标识别算法,完成了如下主要研究工作:1、通过阅读大量目标识别领域的国内外文献,归纳了针对序列图像数据的目标识别方法,并重点分析了基于统计学习目标识别算法的主体思想和关键技术,为分类器的设计奠定基础。2、提出了一种基于多分类器交互的目标识别算法,缓解了单分类器在小样本条件下训练不充分的问题,提高了目标正确识别率。首先,分别利用少量有标记样本集初步训练SVM、BP和Bayes分类器。然后轮流选择两个分类器对未标记样本进行分类,根据样本分类结果,用这些样本继续训练另外一个分类器,反复迭代,集成得到最终的目标分类器。本文用实测的可见光序列图像数据验证了所提方法的有效性。3、改进了一种基于AdaBoost分类器的目标识别算法,提高了训练效率和目标正确识别率。论文主要在弱分类器分类阈值设置上做了改进,包括两个方面:一是通过将特征值和类别标签结合的方式,快速确定使弱分类器错误率最小的最佳阈值区间;二是改变传统将阈值区间中值作为最佳分类阈值的设置方式,计算最佳分类阈值时考虑了样本特征值的分布概率,提升了阈值的稳健性。本文用实测可见光序列图像数据验证了所提方法的有效性。

关键词：目标识别特征提取序列图像分类器设计机器学习 AdaBoost分类器

来源：评论

学校读者我要写书评

暂无评论

基于确定性退火技术的分类器设计

引用

计算机工程与应用 2006年第3期42卷 172-174页

作者：曹治国邹飞勇张天序华中科技大学图像识别与人工智能研究所图像信息处理与智能控制国家教育部重点实验室武汉430074

针对传统分类器的缺陷,文章提出将分类问题看作一物理系统,把求解分类问题的最优解转化为模拟温度变化的物理系统的平衡态,通过求解一系列温度变化的物理系统自由能函数的极小来模拟物理系统的平衡态,最终达到物理系统的基态,即分类问... 详细信息

针对传统分类器的缺陷,文章提出将分类问题看作一物理系统,把求解分类问题的最优解转化为模拟温度变化的物理系统的平衡态,通过求解一系列温度变化的物理系统自由能函数的极小来模拟物理系统的平衡态,最终达到物理系统的基态,即分类问题的最优解。由确定性退火技术构造学习规则用于优化分类器参数,目的是减少分类误差以及待识别空间的系统熵。试验表明,将确定性退火技术用于分类器设计中,降低了分类误差,取得了良好的分类性能。

关键词：确定性退火技术分类器设计物理系统分类问题温度变化自由能函数学习规则平衡态最优解

来源：评论

学校读者我要写书评

暂无评论

基于张量模式的特征提取及分类器设计综述

引用

山东大学学报（工学版） 2009年第1期39卷 6-14,40页

作者：张丽梅乔立山陈松灿南京航空航天大学计算机科学与工程系江苏南京210016 聊城大学数学科学学院山东聊城252000

(高阶)张量模式作为传统向量模式的扩展和补充,近年来已引起机器学习、模式识别等领域的广泛关注.对现有张量型学习算法进行总结:针对向量模式表示存在的问题,讨论了设计张量型学习算法的必要性和重要意义;从特征提取和分类器设计2个层... 详细信息

(高阶)张量模式作为传统向量模式的扩展和补充,近年来已引起机器学习、模式识别等领域的广泛关注.对现有张量型学习算法进行总结:针对向量模式表示存在的问题,讨论了设计张量型学习算法的必要性和重要意义;从特征提取和分类器设计2个层面,对现有张量型学习算法进行分类和汇总,并着重从多线性投影方式出发,讨论了其内在联系及优缺点;分析了张量模式与向量模式表示间的本质关系及各自优势;探讨了张量型学习算法有待解决的问题及可能的研究趋势.

关键词：张量模式表示特征提取降维分类器设计

来源：评论

学校读者我要写书评

暂无评论

结合先验知识的分类器设计研究

结合先验知识的分类器设计研究

引用

作者：汪云云南京航空航天大学

学位级别：博士

分类器设计是模式识别系统的关键环节，其目的在于根据给定的观测或训练数据学习分类规则，实现对未见样本的预测，并达到尽可能好的泛化或推广性能。然而实际应用中可资利用的训练数据数量有限，且往往含有噪声，导致能够正确分类训练... 详细信息

分类器设计是模式识别系统的关键环节，其目的在于根据给定的观测或训练数据学习分类规则，实现对未见样本的预测，并达到尽可能好的泛化或推广性能。然而实际应用中可资利用的训练数据数量有限，且往往含有噪声，导致能够正确分类训练数据的分类器未必能在未见或测试数据上获得好的分类推广性能，此时，为提高推广性能，必须在分类器设计中尽可能多地利用与当前分类任务相关的先验知识（或信息）。同时，由著名的“没有免费午餐定理（No FreeLunch Theorem, NFL）”可知，不存在任何一种分类算法具有“与生俱来”的优越性，想要获得“最佳”分类性能，必须结合与特定分类任务相关的先验知识。因此，分类器推广性能=数据+先验知识！本文通过分析发现最常用和有效的基于判别函数的支持向量机（Support VectorMachine, SVM）及其改进算法在一些分类学习任务中并没有充分利用先验知识，性能仍有进一步提升的空间。因此我们尝试在其学习过程中嵌入先验知识以进一步提升其推广性能。本文所结合的先验信息类型包括特征判别能力信息和样本聚类结构信息，所采用的结合方式包括正则化方式和改变模型刻画的方式。本文主要贡献在于： 1)首次尝试在分类器设计中考虑反映特征判别能力的先验信息，并通过在SVM中结合该信息提出了结合特征判别性的SVM算法FDSVM (Feature Discrimination incorporated SVM）。SVM同等程度地惩罚各特征权值，而FDSVM约束各特征权值的惩罚程度反比于对应的判别能力值，使具有强判别能力的特征在学习过程中被赋予更高的重要性。实验表明，FDSVM能达到优于SVM的推广性能，同时保持相当的计算效率。 2)通过在AUC-SVM (AUC-maximized SVM)中嵌入样本对的整体聚类结构信息提出了结构嵌入的AUC-SVM算法SAUC-SVM（Structure-embeddedAUC-SVM）。一方面，AUC-SVM仅关注与支持向量对相关的数据局部判别信息，忽略了数据分布的全局结构信息。另一方面，通过样本采样技术降低AUC-SVM训练复杂度的策略会进一步导致数据整体分布信息的丢失。而SAUC-SVM通过将数据局部判别信息和全局聚类结构信息相融合弥补了上述不足，进而提升了推广性能。实验表明，SAUC-SVM能达到比AUC-SVM更优的性能，并能保持相当的计算效率。 3)指出在基于ECOC (Error Correcting Output Codes)的多类分类器设计中，利用多个原有类组成各二类子问题中的“超类”，并将各“超类”视为单个类掩盖了由各原有类所构成的内在结构信息。为此，我们将其嵌入基于ECOC的多类分类器设计中提出改进的多类分类方法。实验表明，改进方法确实能够获得性能提升，从而验证了在基于ECOC的多类分类器设计中利用各原有类结构信息的有效性。 4)提出修正的聚类假设，并据此提出新的半监督分类算法SSCCM （Semi-SupervisedClassification based on Class Membership）。通过将“相似样本共享相近类标号”的聚类假设修正为“相似样本共享相近类标号隶属度”，SSCCM允许各样本同时属于多个类，对应不同的类标号隶属度。SSCCM返回决策函数和类标号隶属度函数，两者预测结果通常一致，可以相互印证，而不一致结果则可被利用以增强半监督分类学习的可靠性。实验表明，相比于基于聚类假设的半监督分类方法，SSCCM的分类性能具有相当的竞争力，从而验证了修正聚类假设的合理性。 5)进一步将修正聚类假设应用于大间隔聚类中，发展出了软大间隔聚类算法SLMC（SoftLarge Margin Clustering）。SLMC最大化聚类间间隔，并允许各样本以相应的软聚类隶属度同时属于多个聚类，因此结合了大间隔原理和软聚类思想的优点。实验表明，SLMC的性能优于大间隔聚类方法MMC（maximum margin clustering）和典型的模糊聚类方法FCM(Fuzzy c-means)。

关键词：分类器设计推广性能性能度量先验知识聚类结构假设特征判别能力支持向量机(SVM) ROC曲线下面积(AUC)

来源：评论

学校读者我要写书评

暂无评论

面向模式表示与模式源的分类器设计方法研究

面向模式表示与模式源的分类器设计方法研究

引用

作者：王喆南京航空航天大学

学位级别：博士

模式识别是研究利用计算机来模仿或实现人类的识别能力,以实现对研究对象的自动识别,其相关技术已被广泛应用于人工智能、机器学习、神经生物学、医学等众多领域。在模式识别学习中,分类器作为模式识别研究的基本工具,模式作为其研究对... 详细信息

模式识别是研究利用计算机来模仿或实现人类的识别能力,以实现对研究对象的自动识别,其相关技术已被广泛应用于人工智能、机器学习、神经生物学、医学等众多领域。在模式识别学习中,分类器作为模式识别研究的基本工具,模式作为其研究对象,因此分类器设计与模式已成为模式识别的研究重点。本文从模式识别研究对象――模式出发,力图设计出能尽可能考虑模式先验知识的分类器,即面向模式表示及模式源的分类算法。本文的主要贡献在于: (1)提出一种面向模式表示的分类器设计方法。该方法能直接操作非向量模式(矩阵),从而形成不同于向量型分类器的传统设计理念。新的分类模型可直接操作矩阵(包括那些原为向量模式而通过矩阵化重构的矩阵模式)使传统向量型分类模型作为其特例。本文从现有性能优越的向量型线性分类器入手,通过选出合适的模型进行合理地非向量化(矩阵化)改造。力图在保持分类器线性性的同时,设计出性能更优的面向非向量(矩阵)模式的新型分类器,并探究其性能提升的本质所在。这种新的设计理念有助于:i)在仍保持分类器线性、简单和数学易处理的同时,探究非向量化(矩阵化)的模式表示对分类器推广性能的影响;ii)分类器存储空间的大规模约简。最终为分类器设计提供一个新的途径。 (2)设计了两种矩阵型分类器算法:i)矩阵型最小平方支持向量机(MatLSSVM);ii)矩阵型正则化Ho-Kashyap分类器算法(MatMHKS)。实验验证了所设计的矩阵型分类器算法在所用的数据集尤其是图像上,相比向量型分类器具有显著的推广性及存储复杂度上的优势。 (3)针对矩阵型分类器存在的矩阵化依赖问题,提出了基于AdaBoost的矩阵型分类器设计方法以达成去依赖的目的,并以MatLSSVM为例设计了改进型的AdaMatLSSVM算法。 (4)提出了一种全矩阵化的分类学习方法,即将矩阵型特征提取与矩阵型分类器设计相结合的学习方法(MatFE+MatCD)。为验证该方法的有效性,本文给出了特征提取与分类器设计两个阶段中模式分别以向量和矩阵表示的所有可能组合,包括:矩阵型特征提取+向量型分类(MatFE+VecCD),向量型特征提取+向量型分类(VecFE+VecCD),矩阵型分类(MatCD),向量型分类(VecCD)以及向量型特征提取+矩阵型分类(VecFE+MatCD)。实验验证了:i)在原本包含结构或空间信息的图像模式上,全矩阵化方法即MatFE+MatCD能有效提高分类性能;ii)模式的矩阵表示为特征提取与分类器设计两个阶段的学习提供了又一简单有效的表示形式。 (5)发展了一个更为广泛的结合模式源的多视角学习框架,主要体现在:i)设计了一系列将单源模式多视角化的方法。现有多视角学习要求多源模式各视角间满足条件独立性,但现实中这一条件往往难以满足,导致已有多视角方法较难有效工作。提出的将单源模式多视角化方法则能有效解决这一问题;ii)不同于现有多视角学习在每个视角上的各自训练,本文提出了同时在生成的多视角模式上进行联合优化训练的方式;iii)所给出的多视角学习框架并不限于某一具体算法;iv)类似于模式可分为单视角(单源)和多视角(多源),本文通过将单一体系结构的分类器与具有多个体系结构的分类器分别视为单视角分类器和多视角分类器,从而将现有的分类学习模型分为单源模式+单视角分类器、多源模式+单视角分类器、单源模式+多视角分类器与多源模式+多视角分类器的四种形式。考虑到现有分类研究主要集中于前两种模型,因此本文以单源模式+多视角分类器模型为例进行了重点研究,并针对单源模式设计出五种不同的多视角分类学习算法,即a)MultiK-MHKS;b)MultiV-KMHKS;c)MVNA-KMHKS;d)MultiV-MHKS;e)MVDR。并实验验证了它们的有效性。

关键词：分类器设计模式表示矩阵模式向量模式单视角学习多视角学习正则化学习模式识别

来源：评论

学校读者我要写书评

暂无评论

概率统计在分类器设计中的应用及朴素贝叶斯分类器改进研究

概率统计在分类器设计中的应用及朴素贝叶斯分类器改进研究

引用

作者：叶土生中山大学

学位级别：硕士

分类是数据挖掘中一项非常重要的任务，在现实生活中有着广泛的应用。例如，根据电子邮件的标题和内容判断某邮件是否为垃圾邮件。在分类任务中，构造合理的分类器是顺利完成一项分类任务的必要条件。\n 现在构造分类器的方法很多，... 详细信息

分类是数据挖掘中一项非常重要的任务，在现实生活中有着广泛的应用。例如，根据电子邮件的标题和内容判断某邮件是否为垃圾邮件。在分类任务中，构造合理的分类器是顺利完成一项分类任务的必要条件。\n 现在构造分类器的方法很多，比较常用的有贝叶斯网络、决策树、基于实例的学习、人工神经网络、支持向量机等。很多方法在构建分类器时往往忽略了一点：概率统计在分类器里的应用。统计分析所提供的方差分析、假设检验、相关性分析等功能都有助于数据挖掘前期对数据进行探索，发现数据挖掘的题目，找出数据挖掘的目标，确定数据挖掘所需涉及的变量，对数据源进行抽样等等。这些前期工作的成功与否都会对数据挖掘的效果产生重大的影响，但这些方法常常会被一些数据挖掘工作者忽略。数据挖掘的结果也需要概率统计分析的描述功能进行具体描述，以使数据挖掘的结果更容易被用户了解。因此，概率统计分析和数据挖掘是相辅相成的过程，两者的合理配合是数据挖掘成功的重要条件。为说明以上观点，本文通过分析Adult数据并挖掘Adult数据中的信息，给出概率统计在构建分类器时作用。本文最主要的工作和成果包括：\n ●给出一种新的属性相关系数定义。依据该定义独立地给出一种连续属性离散化的算法，并利用该算法离散了Adult数据的6个连续属性，取得很满意的结果。\n ●基于发散度以及新定义的相关系数，给出了一种特征子集选择算法。通过实验验证了该算法的性能：使原来14维数据降到9维数据，并使朴素贝叶斯分类器的分类准确率由82.92％提高到83.60％。\n ●在没有增加算法复杂度的前提下，给出了一种改进的朴素贝叶斯分类器。通过实验验证了改进后的朴素贝叶斯：其分辨率由原来的82.92％提高到85.58％。\n 全文以Matlab为平台，以分析Adult数据为例，给出了相应的分析数据和结果，从而支持了本文的成果。

关键词：数据挖掘分类器设计朴素贝叶斯分类器概率统计

来源：评论

学校读者我要写书评

暂无评论

藏文联机手写识别特征提取及分类器设计

藏文联机手写识别特征提取及分类器设计

引用

作者：孟凡强中国科学院软件研究所

学位级别：硕士

随着人机交互技术的发展，笔式输入以其方便性和易用性变的越来越流行，适合于个人计算机特别是手持移动设备。因此藏文联机手写识别的研究不仅有理论意义，更具有实用价值，藏文文字的自动识别研究就显得非常迫切了，这就要求我们针对... 详细信息

随着人机交互技术的发展，笔式输入以其方便性和易用性变的越来越流行，适合于个人计算机特别是手持移动设备。因此藏文联机手写识别的研究不仅有理论意义，更具有实用价值，藏文文字的自动识别研究就显得非常迫切了，这就要求我们针对藏文文字字型特点的机器识别进行广泛而深入的研究，找出实际有效的解决办法。\n 藏文联机手写识别属于模式识别的范畴，本文详细论述了藏文联机手写识别系统设计的整个过程，包括藏文手写样本的收集、预处理过程(归一化，加虚拟笔划，平滑处理，调整点的密度)、特征提取过程以及分类器的设计。根据藏文的字型特点，本文提出了一种基于笔划方向的(8方向)特征提取方法，对于每个手写样本生成8×8的采样点，在每个采样点上加上一个Gaussian滤波器，这里的Gaussian滤波器是从Gabor滤波器的Gaussian包络求得而来的；利用动态时间弯折算法(DTW)计算两个模式之间的相似度，然后利用两种聚类算法(动态聚类算法K均值算法和谱聚类算法)分别进行了分类器的设计，并给出了实验数据，最后对得出的实验数据进行了分析。

关键词：手写识别特征提取笔式输入藏文字型分类器设计

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：