排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
为了构造一个能够较好反映数据真实分布的图以提高分类性能,文中提出基于l1范数和k近邻叠加图的半监督分类算法。首先构造一个l1范数图,作为主图,然后构造一个k近邻图,作为辅图,最后将二者按一定比例叠加,得到l1范数和k近邻叠加(LNKNNS)图。实验中选择标记样本比例从5%到25%,将基于LNKNNS图的半监督分类算法在USPS数据库上对比其它图(指数权重图、k近邻图、低秩表示图和l1范数图)的算法。实验表明,文中算法的分类识别率更高,更适合基于图的半监督学习。 相似文献
2.
3.
基于Gaussian-Hermite矩的指纹奇异点定位 总被引:5,自引:0,他引:5
在指纹分类和识别算法中,提取的奇异点(core点和delta点)数目和奇异点的准确位置是非常重要的.介绍了一种基于Gaussian-Hermite矩分布属性的自适应指纹奇异点定位方法,为了准确地确定奇异点,用到了指纹图像在多种尺度下的不同阶Gaussian-Hermite矩分布,并用一种基于主分量分析(principal component analysis,简称PCA)的方法分析指纹图像的Gaussian-Hermite矩分布.实验结果表明,该算法能够准确地确定奇异点位置. 相似文献
4.
分析了正交Gaussian Hermite矩的一些性质 ,指出它在运动检测中的应用 ,并提出运动检测中正交Gaussian Hermite矩的最佳参数的估计方法 .最后我们给出了对比实验结果 .实验表明我们的方法是有效的 . 相似文献
1