排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
摘 要: 多维分类根据数据实例的特征向量将数据实例在多个维度上进行分类,具有广泛的应用前景。在多维分类算法的模型学习过程中,海量的训练数据使得准确的分类算法需要很长的模型训练时间。为了提高多维分类的执行效率,同时保持高的预测准确性,本文提出了一种基于贝叶斯网络的多维分类学习方法。首先,将多维分类问题描述为条件概率分布问题。其次,根据类别向量之间的依赖关系建立了条件树贝叶斯网络模型。最后,根据训练数据集对条件树贝叶斯网络模型的结构和参数进行学习,并提出了一种多维分类预测算法。大量的真实数据集实验表明,本文提出的方法与当前最好的多维分类算法MMOC相比,在保持高准确性的同时将模型的训练时间降低了两个数量级。因此,本文提出的方法更适用于海量数据的多维分类应用中。 相似文献
3.
4.
机器人技术发展到现在,虽然已经得到了突飞猛进的进步,但是对于并联机器人运动学正解的封闭解问题依然是机器人技术的瓶颈,在实际应用中采用的广义几何法和方程组的数值解法等,不但推导过程非常复杂,而且在求解的过程中还存在解不唯一的问题。为了避免上述问题,根据多元函数的Taylor公式推导出了一种基于三元非线性方程组牛顿迭代法的并联机器人运动学正解算法;同时,基于其数学原理,也可以得到并联机器人的反解。Taylor法以其自身的优势,巧妙地解决繁琐的并联机器人运动学正解多解取舍问题,直接获得了工作空间内满足运动连续性的合理解。该算法的迭代次数少,收敛速度快,是一种非常有潜力的方法。最后将该算法应用到CoDeSys开发环境,通过配置方式,证明Codesys环境下并联机器人运动学可实时灵活应用。 相似文献
1