排序方式: 共有8条查询结果,搜索用时 0 毫秒
1
1.
针对人体动作识别中传统方法在分类决策方面存在问题和缺陷,提出了一种新颖的基于深度神经网络(DNN)和遗传算法(GA)合并算法的非线性分类决策方法。首先,提出的合并算法在整个训练集合上对特征提取器进行组合,进而组合成不同的两个独立网络;再利用DNN对两个独立网络进行初始化,进一步利用GA对两个网络进行合并。然后将网络的偏差和权重表示为每层网络间的一个矩阵;最后,利用DNN对网络的偏差和权重进行训练,并在合并过程中将矩阵中的每一行当作一个染色体。实验采用了标准MNIST数据集对提出算法的性能进行评估。评估结果显示实验过程中的交叉和突变操作增加了神经元节点,提高了识别性能,并且弱化了不相关和相关神经元节点。因此,提出算法的错误率更低,网络性能更优异。 相似文献
2.
带有传感器的可穿戴式医疗设备不断生成大量数据,由于数据的复杂性,难以通过处理和分析大数据来找到有价值的决策信息。为了解决这个问题,提出了一种新的物联网体系结构,用于存储和处理医疗应用的可扩展传感器数据(大数据)。所提出的架构主要由两个子架构组成:Meta Fog重定向(MF-R)架构和AWS密钥管理机制。MF-R架构使用Apache Pig和Apache HBase等大数据技术来收集和存储不同传感器设备生成的传感器数据,并利用卡尔曼滤波消除噪声。AWS密钥管理机制使用密钥管理方案,目的是保护云中的数据,防止未经授权的访问。当数据存储在云中时,所提出的系统能够使用随机梯度下降算法和逻辑回归来开发心脏病的预测模型。仿真实验表明,和其他几种算法相比,提出的算法具有更小的误差,且在吞吐量、准确度等方面具有一定的优越性。 相似文献
3.
针对现有面向大数据的计算框架在可扩展性机器学习研究中面临的挑战,提出了基于MapReduce和Apache Spark框架的分布式朴素贝叶斯文本分类方法。通过研究MapReduce和Apache Spark框架的适应性来探索朴素贝叶斯分类器(NBC),并研究了现有面向大数据的计算框架。首先,基于朴素贝叶斯文本分类模型将训练样本数据集分为◢m◣类;进一步在训练阶段中,将前一个MapReduce的输出作为后一个MapReduce的输入,采用四个MapReduce作业得出模型。该设计过程充分利用了MapReduce的并行优势,最后在分类器测试时取出最大值所属的类标签值。在Newgroups数据集进行实验,在所有五类新闻数据组上的分类都取得了99%以上的结果,并且均高于对比算法,证明了提出方法的准确性。 相似文献
4.
一种基于混沌理论的数据加密算法设计 总被引:4,自引:0,他引:4
研究混沌理论的数据加密算法设计,针对传统利用混沌系统对数据加密时运算开销大、运算效率不高.为解决上述问题,提出了一种利用混沌系统的迭代序列进行加密的方法.首先将混沌产生的序列映射成由整数构成的伪随机序列来充当加密密钥,然后将其均匀分布在某一区间上.再利用Logistic公式迭代若干次与经过置换的明文异或获得加密密文.通过对混沌序列加密算法的设计,使加和解密运算开销和运算效率得到了提高;分析算法具有较强的抗密钥穷举攻击和抗攻击的能力.仿真实验结果表明方法是有效的和可行的,并且数据加密/解密的效果良好. 相似文献
5.
研究一种新的数字图像盲水印算法.针对目前基于的离散小波变换算法和 DCT 变换算法中,对噪音和几何变形攻击抵抗力弱,需要原始水印的缺点,提出了一种利用多小波域和离散余弦变换相结合的数字盲水印算法.结合离散多小波变换的多分辨率特性和离散余弦变换所固有的特征,首先对原灰度图像 DMWT 变换,而后对低频系数作分块 DCT 变换,再将经过 Arnold 预处理的二值图像水印信息分别嵌入到经过 DCT 变换的较好的块中.提取水印时不需要原始图像的参与,实现了盲水印提取.实验结果表明,嵌入算法容易实现,并增强了水印的稳健性和不可见性,算法对锐化、JPEG 压缩、剪切和噪声等常见的图像攻击有较好的鲁棒性. 相似文献
6.
针对基于稀疏表示分类方法的训练样本于与类别标签信息提取不足,特别是在训练样本和待测样本都受到噪声污染的情况下将会明显下降及算法复杂度较高的问题,提出以Gabor特征以及加权协同为基础的人脸识别算法;最初需要对人脸图像内所包含的各个尺度以及方向的Gabor特征完成提取,在稀疏表示中引入Gabor特征,将降维后的Gabor特征矩阵作为超完备字典,再用稀疏表示增强加权协同表示得到该字典下的的稀疏表示系数,然后利用增强系数与训练样本的标签矩阵完成对测试样本进行分类识别,从而得到Gabor特征以及加权的协同表示分类方法,在Yale人脸数据库、Extended Yale B和AR人脸数据库上以及在FERET人脸数据库对人脸姿态变化的实验表明新算法具有更好的识别率和较短的计算时间. 相似文献
7.
针对原始k均值法在MapReduce建模中执行时间较长和聚类结果欠佳问题,提出一种基于MapReduce的分治k均值聚类方法。采取分治法处理大数据集,将所要处理的整个数据集拆分为较小的块并存储在每台机器的主存储器中;通过可用的机器传播,将数据集的每个块由其分配的机器独立地进行聚类;采用最小加权距离确定数据点应该被分配的类簇,判断收敛性。实验结果表明,与传统k均值聚类方法和流式k均值聚类方法相比,所提方法用时更短,结果更优。 相似文献
8.
1