排序方式: 共有104条查询结果,搜索用时 31 毫秒
21.
22.
23.
为了摆脱神经网络算法的黑箱操作,也是为了对一个分类器进行更有效的评判,提出了正、负判率概念.基于正、负判率和分组并行坐标下降算法,利用Windows的多线程得到了神经网络分类器学习算法的可视化实现.不仅改进了学习速度,同时为用户提供了一个观察分类器属性的视窗. 相似文献
24.
25.
分层分类与监督分类相结合的遥感分类法研究 总被引:2,自引:0,他引:2
遥感分类技术是获取土地利用/覆盖数据的主要方法.分层分类思想强调将分类过程逐级进行,每层选用不同的分类标准和方法;监督分类是基于传统统计分析的分类法,具有算法成熟,简便易行的特点.将2种方法相结合,建立起一个复合分类模型,并在SPOT影像上进行试验.试验证明:该方法能有效地提高分类精度,比单一使用监督分类法得到的结果精度提高了8.41%. 相似文献
26.
27.
28.
作物病害分类识别模型一直受被研究对象自身特性影响,为验证智能分类器在番茄常见病害中的识别效果,选择不同群智能分类器进行分类识别。采用主成分分析(principal component analysis,简称PCA)法对样本集的31个数据进行降维,筛选7个贡献率较高的主成分作为PCA-支持向量机(support vector machine,简称SVM)模型的输入;遗传算法(genetic algorithm,简称GA)具有全局寻优特点,正交变换可使变异率、交叉率、种群规模等参数之间快速最优化,构建GA-SVM智能分类器提高识别率;由于GA-SVM分类器增加了交叉变异计算,参数确定时间相对较长,而粒子群优化(particle swarm optimization,简称PSO)算法不存在交叉变异因子计算过程,因此选择PSO-SVM群智能分类器,把种群中具有最大适应度函数值的惩罚系数(r)和核函数参数(σ~2)作为支持向量机模型的最优参数,试验证明,PCA-SVM模型对3种病害类型中的分类效果总体较好。 相似文献
29.
30.
基于HOG特征和SVM的棉花行数动态计数方法 总被引:6,自引:6,他引:0
正确地进行棉花行数的动态计数是保证视觉植保车在田端横移过程中实现准确定位的前提。该研究以植保期间的棉花作物为研究对象,提出通过方向梯度直方图(Histogram of Oriented Gradient,HOG)和支持向量机(Support Vector Machine,SVM)实现棉田的棉花行动态计数方法。为了减少棉花行之间的粘连,以及缺苗和倒伏对棉花行识别造成的影响,设置图像的感兴趣区域(Region of Interest,ROI);为了减小相机抖动、光照变化以及刮风对动态数行造成的影响,使用HOG-SVM模型在视频序列图像ROI区域内窗口滑动检测,将棉花行和行间背景分别设置正、负样本,通过提取二者HOG特征、多次训练获得SVM分类器参数,固化HOG-SVM模型,再使用非极大值抑制(Non-Maximum Suppression,NMS)进行窗口的归一,通过归一化互相关(Normalized Cross Correlation,NCC)模板匹配实现棉花行的动态跟踪和计数。结果表明,该方法可以准确地对棉花行实现动态计数,有很好的泛化能力,识别率高于90%,平均每帧检测时间为32 ms,满足实际田间作业要求,可作为视觉植保车在地头横移的距离依据。 相似文献