排序方式: 共有9条查询结果,搜索用时 234 毫秒
1
1.
母猪繁殖障碍性疾病是以妊娠母猪发生流产、死胎、木乃伊、产出畸形无活力的弱仔及母猪不育症为特征的一种征候群 ,又称猪繁殖障碍综合征 (SMEDI) ,随着规模化养猪的发展 ,SMEDI已成为一些养猪场的重要疫病之一 ,给养猪业造成了巨大的经济损失。SMEDI的病因十分 相似文献
2.
传统机器学习方法的有效性依赖于大量的有效训练数据,而这难以满足,因此迁移学习被广泛研究并成为近年来的研究热门.针对由于训练数据严重不足导致多分类场景下分类性能降低的挑战,提出一种基于DLSR(discriminative least squares regressions)的归纳式迁移学习方法(TDLSR).该方法从归纳式迁移学习出发,通过知识杠杆机制,将源域知识迁移到目标域并同目标域数据同时进行模型学习,在提升分类性能的同时保证源域数据的安全性.TDLSR继承了DLSR在多分类任务中扩大类别间间隔的优势,为DLSR注入了迁移能力以适应数据不足的挑战,更加适用于复杂的多分类任务.通过在12个真实UCI数据集上进行实验,验证了所提出方法的有效性. 相似文献
3.
近年来 ,非典型猪瘟在各地普遍时有发生 ,给养猪业带来重大损失。非典型猪瘟有何特点 ,为什么会引发猪瘟病毒持续感染 ,怎样才能有效防制 ?为系统回答这些问题 ,本刊特邀原黑龙江省兽医研究所所长、黑龙江省兽医卫生防疫站站长潘兴广研究员撰写此文 ,以飨读者 相似文献
4.
目的克隆鹅细小病毒(Goose parvovirus,GPV)黑龙江各分离株和疫苗株的VP3基因,并进行序列分析,为小鹅瘟的诊断与防治奠定理论基础。方法根据GenBank中登录的GPV B株全基因序列设计1对特异性引物,PCR扩增、克隆VP3基因,并进行测序和同源性分析。结果克隆的VP3基因大小699 bp,编码233个氨基酸;7个分离株的VP3基因核苷酸序列同源性为99.4%~100%,各分离株与疫苗株的核苷酸序列同源性为98.7%~99.3%,与标准B株的核苷酸序列同源性为97.6%~97.7%,与MDPV核苷酸序列的同源性为80.8%~81.7%;各分离株之间亲缘关系较近,其中QTH分离株与疫苗株亲缘关系最近,氨基酸序列同源性为97.8%,其他分离株与疫苗株的亲缘关系相对较远,氨基酸序列同源性为96.6%~97.4%;所有分离株和疫苗株与标准B株亲缘关系相对较远,与MDPV的亲缘关系最远。结论黑龙江省各分离株与疫苗株的核苷酸和氨基酸序列存在一定的差异。 相似文献
5.
6.
步态周期是步态的一个重要特征。本文提出了一个新的步态周期检测方法,首先对视频中的单帧图像进行灰度变换,然后计算各像素点在逐帧中的中值,以此作为整个序列图像的背景,用背景减除法提取人体目标,利用数学形态学方法和区域跟踪算法填补二值图像中的空洞,然后利用下肢摆动的面积变化来计算步态周期。本方法计算量小,精确度高,抗干扰性强,对步态的周期检测十分有效。 相似文献
7.
该文提出一种新型的集成TSK模糊分类器(IK-D-TSK),首先通过并行学习的方式组织所有0阶TSK模糊子分类器,然后每个子分类器的输出被扩充到原始(验证)输入空间,最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典,从而利用KNN对测试数据进行快速预测。IK-D-TSK具有以下优点:在IK-D-TSK中,每个0阶TSK子分类器的输出被扩充到原始入空间,以并行方式打开原始(验证)输入空间中存在的流形结构,根据堆栈泛化原理,可以保证提高分类精度;和传统TSK模糊分类器相比,IK-D-TSK以并行方式训练所有的子分类器,因此运行速度可以得到有效保证;由于IK-D-TSK是在以IFCM & KNN所获得的数据字典的基础上进行分类的,因此具有强鲁棒性。理论和实验验证了模糊分类器IK-D-TSK具有较高的分类性能、强鲁棒性和高可解释性。 相似文献
8.
步态周期是步态的一个重要特征,步态识别是建立在准确的步态周期分割之上的。本文提出了一个基于下肢轮廓的步态周期检测方法,首先对步态序列图像进行灰度化,然后计算各像素点在步态图像序列中的中值,获取整个步态序列图像的背景,提取人体目标后,利用数学形态学方法和区域跟踪算法填补二值化图像中的空洞;采用轮廓跟踪算法获得人体下肢轮廓,并将其转换为对应距离向量,在一个步态系列中利用距离向量范数研究步态周期。本算法计复杂度低,鲁棒性好,精确度高。 相似文献
9.
对含有不重要特征、冗余特征的数据进行聚类,采用特征缩减模糊聚类(feature reduction fuzzy c-means, FRFCM)算法是有效的.该算法使用特征的均值方差比(mean-to-variance ratio,MVR)度量特征的重要性,删除权重小于阈值的特征,仅保留重要特征进行聚类,以提升算法的性能和速度.但该算法存在以下不足:1)数据归一化后,特征的MVR值会发生改变,重要特征的MVR值可能会变小,不重要特征的MVR值可能会变大;2)一些数据的重要特征,其MVR指标未必大;3)FRFCM算法特征权重分配依赖于初始化,不恰当的初始化会使算法给出错误的权重分配,使得聚类过程中算法会删除重要特征而保留不重要特征,造成FRFCM算法的聚类结果不正确.对此,首先构造边缘峰度度量(marginal kurtosis measuree,MKM)指标来度量特征的重要性;然后基于该指标提出一种新的、具有鲁棒的特征缩减模糊聚类算法.通过在人工数据集和真实数据集上的验证,表明所提出的算法是有效的. 相似文献
1