2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩70頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)在機(jī)器學(xué)習(xí)領(lǐng)域上是一種極具競(jìng)爭(zhēng)力的學(xué)習(xí)算法,它結(jié)構(gòu)簡(jiǎn)單,學(xué)習(xí)速度很快,與傳統(tǒng)的檢測(cè)技術(shù)支持向量機(jī)(Support Vector Machine,SVM)相比,在實(shí)際的檢測(cè)中能更加準(zhǔn)確高效的識(shí)別錯(cuò)誤。另外,仿真結(jié)果顯示,ELM有很強(qiáng)的擴(kuò)展性,泛化能力也較好,因而在很多領(lǐng)域都有其相關(guān)應(yīng)用。
  而Adaboost(Adaptive Boosting)是一種最流行的分

2、類器集成算法,意在提高分類的傳統(tǒng)性能。傳統(tǒng)的分類算法往往只針對(duì)于兩類問題的處理,如支持向量機(jī)。雖然也有一些針對(duì)多分類問題的算法,但通常計(jì)算的復(fù)雜度較高或者算法的識(shí)別準(zhǔn)確性不是很好。但到目前為止很少有將ELM與Adaboost相結(jié)合直接用于處理多分類問題的算法。鑒于此,本文提出了一個(gè)將ELM作為基礎(chǔ)分類器,以多類Adaboost算法為核心,并結(jié)合基于人臉識(shí)別的局部二值模式算法(Local Binary Pattern,LBP),用于處理多

3、類人臉圖像識(shí)別的問題。在實(shí)驗(yàn)中證明本算法較原始ELM算法的有效性。
  另一方面,隨著信息技術(shù)的高速發(fā)展,隨之而來的是大量復(fù)雜的高維數(shù)據(jù)。它們的日益劇增無疑給機(jī)器學(xué)習(xí)帶來了挑戰(zhàn)。而非負(fù)矩陣分解(Nonnegtive Matrix Factorization,NMF)是一個(gè)高效的降維方法,也在很多領(lǐng)域有其應(yīng)用。
  在學(xué)習(xí)了目前所存在的各種有效的NMF算法之后,本文提出了一個(gè)新的算法,在原有的NMF基礎(chǔ)上添加了正交非單位化以及

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論