CN106599924A - 一种基于三支决策的分类器构建方法 - Google Patents
一种基于三支决策的分类器构建方法 Download PDFInfo
- Publication number
- CN106599924A CN106599924A CN201611170422.9A CN201611170422A CN106599924A CN 106599924 A CN106599924 A CN 106599924A CN 201611170422 A CN201611170422 A CN 201611170422A CN 106599924 A CN106599924 A CN 106599924A
- Authority
- CN
- China
- Prior art keywords
- decision
- domain
- makings
- feature
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明涉及一种基于三支决策的分类器构建方法,其步骤:设论域U={x1,...xn,...,xN},xn是其中的某一对象,A={a1,...,ad,...,aD}是对象的D维特征集合,设V={V1,...,Vd,...,VD}为对象xn特征集合A的数值集合,其中 为xn的特征ad的值,设集合类别X={X1,...,Xk,...,XK},表示对象类别;将高维数据降维映射到二维平面;对于某一测试数据,以该测试数据在各特征上的数值为中心,选取长度r为判断半径;对于一条待测数据对象xn,其特征ad的值为在特征ad上若以为中心,以长度r为半径,划分判断区间Rd;分别计算该判断区间内属于不同类别的样本的数目ck,得到特征ad上该数据属于某一类别Xk的概率;根据概率判断测试数据类别,完成分类。本发明具有较好的可解释性。
Description
技术领域
本发明涉及一种分类器构建方法,特别是关于一种基于三支决策的分类器构建方法。
背景技术
三支决策将传统的正域和负域二支决策语义拓展为正域、边界域、负域的三支决策语义,认为在数据信息不充分和获取数据信息代价较高额情况下,边界域决策(延迟决策)是一类可行的决策形式。
经典的分类器,都是二支分类器,只考虑接受或者拒绝两种情况,非此即彼,当信息充分时,二支分类器有很好的分类效果,但在实际应用中,信息常常缺乏精确性和完整性,因此二支分类器就会有较高的误分率。虽然目前有研究将传统二支分类器结合三支决策的思想进行改进,但本质上仍然以二支决策分类器为基础,仍无法克服信息缺乏精确性、完整性及精确度的问题。
发明内容
针对上述问题,本发明的目的是提供一种基于三支决策的分类器构建方法,该方法具有较好的可解释性,在信息不足或者不完备时,不会硬性的做出判断,而是做出第三种选择,即不承诺。
为实现上述目的,本发明采取以下技术方案:一种基于三支决策的分类器构建方法,其特征在于包括以下步骤:1)设论域U={x1,...xn,...,xN},xn是其中的某一对象,A={a1,...,ad,...,aD}是对象的D维特征集合,设V={V1,...,Vd,...,VD}为对象xn特征集合A的数值集合,其中 为xn的特征ad的值,设集合类别X={X1,...,Xk,...,XK},表示对象类别;2)将高维数据降维映射到二维平面,降维映射后,每一个数列就表示一个特征,判断区间也变为一维;3)对于某一测试数据,以该测试数据在各特征上的数值为中心,选取长度r为判断半径;4)对于一条待测数据对象xn,其特征ad的值为在特征ad上若以为中心,以长度r为半径,划分判断区间Rd;5)分别计算该判断区间内属于不同类别的样本的数目ck,0≤ck≤B,得到在特征ad上该数据属于某一类别Xk的概率;6)根据概率判断测试数据类别,完成分类。
进一步,所述步骤4)中,判断区间
进一步,所述步骤4)中,判断区间半径r的选取过程如下:4.1)将测试数据归一化后,全部特征的数值都分布在区间[0,1]上,根据实际需求的预设精度,首 先将半径r的初始值rsta设定为0,步进rstp为0.01个单位,最大rend为1;4.2)经步骤4.1)计算后,选出分类最高精度P1,并且得到该精度下的r值:r=n1·0.01,式中,1≤n1≤100;此时有:n1·0.01≥(n1-1)·0.01,且n1·0.01≥(n1+1)·0.01;4.3)重设初始值rsta值和最大rend:
4.4)经步骤4.3)计算后,得出分类最高精度P2,如果有P2>P1,则此时:
r=(n1-1)·0.01+n2·0.001;4.5)根据上述步骤进行迭代,直至Pi+1≤Pi结束,得到最高分类精度Pi和此时半径:
进一步,所述步骤5)中,在特征ad上该数据属于某一类别Xk的概率为:
式中,B为判断区间内所有类别样本总数。
进一步,所述步骤6)中,具体分类过程如下:6.1)在阈值为[0,1]的情况下,若概率则说明在此种特征上做判断,该数据属于类Xk,对于类Xk而言,判断区间Rd相当于三支决策中的正域;6.2)若概率则说明该数据不属于类别Xk,对于类Xk而言,判断区间Rd相当于三支决策中的负域;6.3)若则不做决断,然后进行下一个特征判断,直到所有对于类Xk,判断区间Rd相当于三支决策中的边界域;等到所有的特征都判断完毕,再分别将各个类别在所有特征上的概率加和:
得到集合P=[P1,...,Pk,...PK],每一个概率Pk分别对应一个类别Xk,取max[P1,...,Pk,...,PK]所对应的类别为最终的判断结果。
进一步,所述步骤6)中,正域POS(X)、负域NEG(X)和边界域BNG(X)确定方法如下:(1)根据三支决策获得接受决策、拒绝决策和延迟决策;(2)根据粗糙集重新设定正域POS(X)、负域NEG(X)和边界域BNG(X)。
进一步,所述步骤(1)中,具体过程为:(1.1)假定论域U为唯一优先非空集合,为论域U上的等价关系;apr=(U,R)为近似空间,而等价关系R可形成对论域U上的一个划分,记为U/R。设X为论域U的子集,即为集合类别,则U的下近似集apr(X)与上近似集分别为: 式中,[x]R为对象x在等价关系R中的等价类;以下以[x]表示等价类[x]R;(1.2)根据子集X的上、下近似集,将整个论域U划分为互不相交的正域POS(X)、边界域BND(X)和负域NEG(X):
(1.3)由正域POS(X)生成一个正则为接受决策,由负域NEG(X)生成的负规则为拒绝决策,由边界域BNG(X)生成的边界规则为延迟决策。
进一步,所述步骤(2)中,正域POS(X)、负域NEG(X)和边界域BNG(X)为:
进一步,所述步骤(2)中,具体设定过程如下:(2.1)粗糙集隶属度的公式如下:
式中,|·|表示一个集合的基数;P(X|[x])表示分类的条件概率,与粗糙隶属度对应;(2.2)根据粗糙集隶属度将正域、负域和边界域改写为:
由此可知,论域U中隶属度的值在0和1之间的对象被划分到了边界域;(2.3)引入一对阈值a和b来代替隶属度中的0和1,得到重新设定后的正域POS(X)、负域NEG(X)和边界域BNG(X)。
本发明由于采取以上技术方案,其具有以下优点:本发明的基于三支决策的分类器构建方法,采用判断区间的概念,对于不同的数据集,三支决策分类器达到了与经典分类器的同水平的分类器效果,并确保了信息的精确性、完整性及精确度。
附图说明
图1是本发明的iris数据集降维示意图;
图2是本发明的iris数据判断区间示意图。
具体实施方式
本发明在三支决策和粗糙集的基础上提出判断区间的概念,此概念是实现三支决策的核心所在。通过综合多特征上判断区间的决策结果来实现最终的决策功能。最后利用UCI数据库的一些数据集进行测试,并且同传统的二支决策分类器进行横向对比,测试结果表明,三支决策分类器在分类性能上达到了与传统分类器相同的水平。下面结合附图和实施例对本发明进行详细的描述。
本发明提供一种基于三支决策的分类器构建方法,其包括以下步骤:
1)设论域U={x1,...xn,...,xN},xn是其中的某一对象,A={a1,...,ad,...,aD}是对象的D维特征集合,设V={V1,...,Vd,...,VD}为对象xn特征集合A的数值集合,其中 为xn的特征ad的值,设集合类别X={X1,...,Xk,...,XK},表示对象类别。
2)将高维数据降维映射到二维平面,以iris数据为例,如图1所示。降维映射后,每一个数列就表示一个特征,判断区间也变为一维。
3)对于某一测试数据,以该测试数据在各特征上的数值为中心,选取长度r为判断半径,如图2所示。
4)对于一条待测数据对象xn,其特征ad的值为在特征ad上若以为中心,以长度r为半径,划分判断区间Rd,
5)分别计算该判断区间内属于不同类别的样本的数目ck,0≤ck≤B,则在特征ad上该数据属于某一类别Xk的概率为:
式中,B为判断区间内所有类别样本总数。
6)根据概率判断测试数据类别,完成分类;具体过程如下:
6.1)在阈值为[0,1]的情况下,若概率则说明在此种特征上做判断,该数据属于类Xk,对于类Xk而言,判断区间Rd相当于三支决策中的正域;
6.2)若概率则说明该数据不属于类别Xk,对于类Xk而言,判断区间Rd相当于三支决策中的负域;
6.3)若则不做决断,然后进行下一个特征判断,直到所有对于类Xk,判断区间Rd相当于三支决策中的边界域;等到所有的特征都判断完毕,再分别将各个类别在所有特征上的概率加和:
得到集合P=[P1,...,Pk,...PK],每一个概率Pk分别对应一个类别Xk,取 max[P1,...,Pk,...,PK]所对应的类别为最终的判断结果。
上述步骤4)中,由于在分类器建模时,判断区间半径r的选取直接关系着分类效果。因此,本发明在该分类器r的选择时,采取单位距离步进的方法来选取,通过地毯式的搜索来选取最佳r值。具体过程如下:
4.1)将测试数据归一化后,全部特征的数值都分布在区间[0,1]上,根据实际需求的预设精度,首先将半径r的初始值rsta设定为0,步进rstp为0.01个单位,最大rend为1。
4.2)经步骤4.1)计算后,选出分类最高精度P1,并且得到该精度下的r值:
r=n1·0.01 (3)
式中,1≤n1≤100。此时有:
n1·0.01≥(n1-1)·0.01 (4)
且n1·0.01≥(n1+1)·0.01。
4.3)重设初始值rsta值和最大rend:
4.4)经步骤4.3)计算后,得出分类最高精度P2,如果有P2>P1,则此时:
r=(n1-1)·0.01+n2·0.001(6)
4.5)根据上述步骤进行迭代,直至Pi+1≤Pi结束,得到最高分类精度Pi和此时半径:
上述步骤6)中,正域POS(X)、负域NEG(X)和边界域BNG(X)确定方法如下:
(1)根据三支决策获得接受决策、拒绝决策和延迟决策;
(1.1)假定论域U为唯一优先非空集合,为论域U上的等价关系;apr=(U,R)为近似空间,而等价关系R可形成对论域U上的一个划分,记为U/R。设X为论域U的子集,即为集合类别,则U的下近似集apr(X)与上近似集 分别为:
式中,[x]R为对象x在等价关系R中的等价类;以下以[x]表示等价类[x]R。
(1.2)根据子集X的上、下近似集,将整个论域U划分为互不相交的正域POS(X)、边界域BND(X)和负域NEG(X):
(1.3)由正域POS(X)生成一个正则为接受决策,由负域NEG(X)生成的负规则为拒绝决策,由边界域BNG(X)生成的边界规则为延迟决策。
(2)根据粗糙集重新设定正域POS(X)、负域NEG(X)和边界域BNG(X);
(2.1)粗糙集隶属度的公式如下:
式中,|·|表示一个集合的基数;P(X|[x])表示分类的条件概率,与粗糙隶属度对应。
(2.2)根据粗糙集隶属度将式(9)改写为:
由此可知,论域U中隶属度的值在0和1之间的对象被划分到了边界域。
(2.3)为了增加容错率,引入一对阈值a和b来代替隶属度中的0和1,以克服以0和1做隶属度的边界值会因容错率太小而降低效果,则式(11)改写为:
式中,0≤β<α≤1;当α=1,β=0时,式(12)即为Pawlak的粗糙集模型;当α=β=0.5时,式(12)转化为0.5概率粗糙集模型;当β=1-α时,式(12)转化为对称变精度粗糙集模型;当β≠1-α时,式(12)转化为非对称性变精度粗糙集模型。
阈值α和β的选取决定了决策结果的风险度,选择高α值和低β值可以减少风险测度;反之选择低α值和高β值会增加风险测度。风险测度过高或者过低都会加大分类错误率,在大多数情况下,α和β都是凭经验设定。
实施例:
为了进一步介绍本发明测试三支决策数据集的性能,选取了机器学习库UCI中的数据集进行性能测试,选取了7个数据集合进行测试,所选数据集如表1所 示。
表1实验测试用数据集
表中,PID和LD是维度较低的二分类数据集Iris、Wine、GLS用于多分类的测试。ION和BC的特征维度都在30以上,所以用于多维度的二分类测试。
测试时对全部数据及全部采用留一法进行测试。测试时需要同一些经典的分类器进行横向对比,才能显示出三支决策分类器的分类性能,本发明参考几种比较经典的分类器与三支决策分类器对比,包括LDA、QDA、KNN、SVM。采用留一法,原始TWDC的测试结果如表2所示。
表2三支决策分类器分类精度及判断区间半径
多种分类器对比测试数据如表3所示。
表3多分类器数交叉验证对比实验结果
通过表3可知,对比传统的分类器,三支决策分类器在分类效果同传统的分类器达到同等水平。
综上所述,本发明提出的基于三支决策的分类器构建方法,在分类器的构造过程中,提出判断区间的概念,判断区间半径的计算为三支决策性能的关键所在。测试时选择UCI数据集的一些数据集进行测试,并且横向的同多种经典分类器进行比较。通过横向对比可知,对于不同的数据集,三支决策分类器达到了与经典分类器的同水平的分类器效果,实验结果证明了三支决策分类器的可行性,并确保了信息的精确性、完整性及精确度。
上述各实施例仅用于说明本发明,各部件的结构、尺寸、设置位置及形状都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别部件进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (9)
1.一种基于三支决策的分类器构建方法,其特征在于包括以下步骤:
1)设论域U={x1,...xn,...,xN},xn是其中的某一对象,A={a1,...,ad,...,aD}是对象的D维特征集合,设V={V1,...,Vd,...,VD}为对象xn特征集合A的数值集合,其中 为xn的特征ad的值,设集合类别X={X1,...,Xk,...,XK},表示对象类别;
2)将高维数据降维映射到二维平面,降维映射后,每一个数列就表示一个特征,判断区间也变为一维;
3)对于某一测试数据,以该测试数据在各特征上的数值为中心,选取长度r为判断半径;
4)对于一条待测数据对象xn,其特征ad的值为在特征ad上若以为中心,以长度r为半径,划分判断区间Rd;
5)分别计算该判断区间内属于不同类别的样本的数目ck,0≤ck≤B,得到在特征ad上该数据属于某一类别Xk的概率;
6)根据概率判断测试数据类别,完成分类。
2.如权利要求1所述的一种基于三支决策的分类器构建方法,其特征在于:所述步骤4)中,判断区间
3.如权利要求1所述的一种基于三支决策的分类器构建方法,其特征在于:所述步骤4)中,判断区间半径r的选取过程如下:
4.1)将测试数据归一化后,全部特征的数值都分布在区间[0,1]上,根据实际需求的预设精度,首先将半径r的初始值rsta设定为0,步进rstp为0.01个单位,最大rend为1;
4.2)经步骤4.1)计算后,选出分类最高精度P1,并且得到该精度下的r值:
r=n1·0.01
式中,1≤n1≤100;此时有:
n1·0.01≥(n1-1)·0.01
且n1·0.01≥(n1+1)·0.01;
4.3)重设初始值rsta值和最大rend:
4.4)经步骤4.3)计算后,得出分类最高精度P2,如果有P2>P1,则此时:
r=(n1-1)·0.01+n2·0.001;
4.5)根据上述步骤进行迭代,直至Pi+1≤Pi结束,得到最高分类精度Pi和此时半径:
4.如权利要求1所述的一种基于三支决策的分类器构建方法,其特征在于:所述步骤5)中,在特征ad上该数据属于某一类别Xk的概率为:
式中,B为判断区间内所有类别样本总数。
5.如权利要求1所述的一种基于三支决策的分类器构建方法,其特征在于:所述步骤6)中,具体分类过程如下:
6.1)在阈值为[0,1]的情况下,若概率则说明在此种特征上做判断,该数据属于类Xk,对于类Xk而言,判断区间Rd相当于三支决策中的正域;
6.2)若概率则说明该数据不属于类别Xk,对于类Xk而言,判断区间Rd相当于三支决策中的负域;
6.3)若则不做决断,然后进行下一个特征判断,直到所有对于类Xk,判断区间Rd相当于三支决策中的边界域;等到所有的特征都判断完毕,再分别将各个类别在所有特征上的概率加和:
得到集合P=[P1,...,Pk,...PK],每一个概率Pk分别对应一个类别Xk,取max[P1,...,Pk,...,PK]所对应的类别为最终的判断结果。
6.如权利要求1所述的一种基于三支决策的分类器构建方法,其特征在于:所述步骤6)中,正域POS(X)、负域NEG(X)和边界域BNG(X)确定方法如下:
(1)根据三支决策获得接受决策、拒绝决策和延迟决策;
(2)根据粗糙集重新设定正域POS(X)、负域NEG(X)和边界域BNG(X)。
7.如权利要求6所述的一种基于三支决策的分类器构建方法,其特征在于:所述步骤(1)中,具体过程为:
(1.1)假定论域U为唯一优先非空集合,为论域U上的等价关系;apr=(U,R)为近似空间,而等价关系R可形成对论域U上的一个划分,记为U/R。设X为论域U的子集,即为集合类别,则U的下近似集apr(X)与上近似集 分别为:
式中,[x]R为对象x在等价关系R中的等价类;以下以[x]表示等价类[x]R;
(1.2)根据子集X的上、下近似集,将整个论域U划分为互不相交的正域POS(X)、边界域BND(X)和负域NEG(X):
(1.3)由正域POS(X)生成一个正则为接受决策,由负域NEG(X)生成的负规则为拒绝决策,由边界域BNG(X)生成的边界规则为延迟决策。
8.如权利要求6所述的一种基于三支决策的分类器构建方法,其特征在于:所述步骤(2)中,正域POS(X)、负域NEG(X)和边界域BNG(X)为:
9.如权利要求6或8所述的一种基于三支决策的分类器构建方法,其特征在于:所述步骤(2)中,具体设定过程如下:
(2.1)粗糙集隶属度的公式如下:
式中,|·|表示一个集合的基数;P(X|[x])表示分类的条件概率,与粗糙隶属度对应;
(2.2)根据粗糙集隶属度将正域、负域和边界域改写为:
由此可知,论域U中隶属度的值在0和1之间的对象被划分到了边界域;
(2.3)引入一对阈值a和b来代替隶属度中的0和1,得到重新设定后的正域POS(X)、负域NEG(X)和边界域BNG(X)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611170422.9A CN106599924A (zh) | 2016-12-16 | 2016-12-16 | 一种基于三支决策的分类器构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611170422.9A CN106599924A (zh) | 2016-12-16 | 2016-12-16 | 一种基于三支决策的分类器构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599924A true CN106599924A (zh) | 2017-04-26 |
Family
ID=58599750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611170422.9A Pending CN106599924A (zh) | 2016-12-16 | 2016-12-16 | 一种基于三支决策的分类器构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599924A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154172A (zh) * | 2017-12-21 | 2018-06-12 | 重庆邮电大学 | 基于三支决策的图像识别方法 |
CN108564636A (zh) * | 2018-05-07 | 2018-09-21 | 西北大学 | 一种基于三支决策的荧光目标重建结果后处理方法 |
CN109820479A (zh) * | 2019-01-08 | 2019-05-31 | 西北大学 | 一种荧光分子断层成像可行域优化方法 |
CN110784481A (zh) * | 2019-11-04 | 2020-02-11 | 重庆邮电大学 | SDN网络中基于神经网络的DDoS检测方法及系统 |
CN111814737A (zh) * | 2020-07-27 | 2020-10-23 | 西北工业大学 | 一种基于序贯三支决策的目标意图识别方法 |
CN113240007A (zh) * | 2021-05-14 | 2021-08-10 | 西北工业大学 | 一种基于三支决策的目标特征选择方法 |
CN113240007B (zh) * | 2021-05-14 | 2024-05-14 | 西北工业大学 | 一种基于三支决策的目标特征选择方法 |
-
2016
- 2016-12-16 CN CN201611170422.9A patent/CN106599924A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154172A (zh) * | 2017-12-21 | 2018-06-12 | 重庆邮电大学 | 基于三支决策的图像识别方法 |
CN108154172B (zh) * | 2017-12-21 | 2018-10-26 | 重庆邮电大学 | 基于三支决策的图像识别方法 |
CN108564636A (zh) * | 2018-05-07 | 2018-09-21 | 西北大学 | 一种基于三支决策的荧光目标重建结果后处理方法 |
CN108564636B (zh) * | 2018-05-07 | 2021-12-03 | 西北大学 | 一种基于三支决策的荧光目标重建结果后处理方法 |
CN109820479A (zh) * | 2019-01-08 | 2019-05-31 | 西北大学 | 一种荧光分子断层成像可行域优化方法 |
CN109820479B (zh) * | 2019-01-08 | 2021-08-27 | 西北大学 | 一种荧光分子断层成像可行域优化方法 |
CN110784481A (zh) * | 2019-11-04 | 2020-02-11 | 重庆邮电大学 | SDN网络中基于神经网络的DDoS检测方法及系统 |
CN110784481B (zh) * | 2019-11-04 | 2021-09-07 | 重庆邮电大学 | SDN网络中基于神经网络的DDoS检测方法及系统 |
CN111814737A (zh) * | 2020-07-27 | 2020-10-23 | 西北工业大学 | 一种基于序贯三支决策的目标意图识别方法 |
CN111814737B (zh) * | 2020-07-27 | 2022-02-18 | 西北工业大学 | 一种基于序贯三支决策的目标意图识别方法 |
CN113240007A (zh) * | 2021-05-14 | 2021-08-10 | 西北工业大学 | 一种基于三支决策的目标特征选择方法 |
CN113240007B (zh) * | 2021-05-14 | 2024-05-14 | 西北工业大学 | 一种基于三支决策的目标特征选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599924A (zh) | 一种基于三支决策的分类器构建方法 | |
CN103631928B (zh) | 一种基于局部敏感哈希的聚类索引方法及系统 | |
CN110443281B (zh) | 基于hdbscan聚类的文本分类自适应过采样方法 | |
CN105930862A (zh) | 一种基于密度自适应距离的密度峰聚类算法 | |
CN109409400A (zh) | 基于k近邻和多类合并密度峰值聚类方法、图像分割系统 | |
CN102147858B (zh) | 车牌字符识别方法 | |
CN108492298B (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
TWI464604B (zh) | 資料分群方法與裝置、資料處理裝置及影像處理裝置 | |
CN106056136A (zh) | 一种聚类中心快速确定的数据聚类方法 | |
CN107451597A (zh) | 一种样本类别标签纠正方法及装置 | |
CN105354578A (zh) | 一种多目标物体图像匹配方法 | |
CN107239792A (zh) | 一种基于二进制描述子的工件识别方法及装置 | |
CN113344019A (zh) | 一种决策值选取初始聚类中心改进的K-means算法 | |
WO2020048145A1 (zh) | 数据检索的方法和装置 | |
CN110533116A (zh) | 基于欧式距离的自适应集成的不平衡数据分类方法 | |
CN103679191A (zh) | 基于静态图片的自动套牌车检测方法 | |
CN101256631A (zh) | 一种字符识别的方法、装置、程序和可读存储介质 | |
Schinas et al. | CERTH@ MediaEval 2012 Social Event Detection Task. | |
CN103020321B (zh) | 近邻搜索方法与系统 | |
CN103279746A (zh) | 一种基于支持向量机的人脸识别方法及系统 | |
CN106570475A (zh) | 一种紫砂壶印章检索方法 | |
Wang et al. | An improving majority weighted minority oversampling technique for imbalanced classification problem | |
CN105809113A (zh) | 三维人脸识别方法及应用其的数据处理装置 | |
CN107451617A (zh) | 一种图转导半监督分类方法 | |
CN111539451A (zh) | 样本数据优化方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |