首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   4篇
  免费   0篇
  国内免费   1篇
综合类   1篇
自动化技术   4篇
  2016年   2篇
  2011年   1篇
  2006年   2篇
排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
随着基因测序技术和人类基因组计划的发展,从大量的生物数据中寻找相似的序列就越来越成为当前研究的热点问题.本文提出了一种聚类的多解析度字符串索引结构,用于解决生物序列的相似性查询问题.首先,以较小容量的MBR(最小绑定矩形)构造基因序列的多解析度字符串索引结构,然后通过对MBR的聚类以夏保序技术的应用,减小索引中MBR的平均体积,从而增加了查询向量到索引的空间距离,提高了索引的过滤能力.还给出了一种新的后处理方法,通过大量的减少编辑距离的计算,提高索引的性能.文中给出了该索引结构并详细介绍了索引的相关算法.实验表明,该索引结构是一种有效的处理生物数据的相似性查询的索引结构.  相似文献   
2.
Identification of system predictors forms the first step towards formulating a predictive model. Approaches for identifying such predictors are often limited by the need to assume a relationship between the predictor and response. To address this limitation, (Sharma and Mehrotra, 2014) presented a nonparametric predictive model using Partial Informational Correlation (PIC) and Partial Weights (PW). This study describes the open source Nonparametric Prediction (NPRED) R-package. NPRED identifies system predictors using the PIC logic, and predicts the response using a k-nearest-neighbor regression formulation based on a PW based weighted Euclidean distance. The capabilities of the package are demonstrated using synthetic examples and a real application of predicting seasonal rainfall in the Warragamba dam near Sydney, Australia. The results show clear improvements in predictability as compared to the use of linear predictive alternatives, as well as nonparametric alternatives that use an un-weighted Euclidean distance.  相似文献   
3.
提出了一种新的高维数据空间的索引结构XSA—tree.它扩展了现有索引结构SA—tree,提出了卫星数据域的思想,以增强索引的过滤能力.通过对根节点中数据点选取进行优化,以得到相对平衡的索引树.文中给出了该索引结构并详细介绍了相关索引算法.实验结果表明,该索引结构显著提高了高维数据空间中相似性检索性能.是一种有效的高维索引结构.  相似文献   
4.
基于聚类改进的KNN文本分类算法   总被引:3,自引:0,他引:3  
传统的KNN文本分类算法是一种无监督的、无参数的、简单的、较流行的且容易实现的分类算法,但是KNN算法在处理文本分类的过程中需要不断的计算待测文本与样本的相似度,当文本数量更大时,算法的效率就会更差。为了提高传统KNN算法在文本分类中的效率,提出一种基于聚类的改进KNN算法。算法开始之前采用改进统计量方法进行文本特征提取,再依据聚类方法将文本集聚类成几个簇,最后利用改进的KNN方法对簇类进行文本分类。实验对比与分析结果表明,该方法可以较好的进行文本分类。  相似文献   
5.
针对Kalman预测跟踪和K-近邻数据关联算法的优缺点,研究一种基于Kalman预测和K-近邻的多目标跟踪方法.该方法首先利用Kalman滤波预测出运动目标在下一帧中最可能出现的位置,接着根据当前帧目标位置和预测目标位置的距离,确定搜索半径,利用K-近邻数据关联算法,在该半径范围内,计算与预测点欧式距离最短的目标,并将其确定为真实目标位置.在MATLAB仿真环境下实现该跟踪算法,实验结果表明,用该方法进行多目标跟踪时,跟踪效果和性能较为稳定和可靠.此外选择合理的K值,能减少运算量,加快系统处理速度.  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号