為了解決數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則Apriori算法存在的缺陷，提出了一種全新的基于對(duì)候選項(xiàng)集處理的改進(jìn)算法。該算法主要采用一次掃描數(shù)據(jù)庫(kù)和對(duì)候選項(xiàng)集進(jìn)行計(jì)數(shù)處理的方法，實(shí)現(xiàn)了減少執(zhí)行時(shí)間以及計(jì)算量的目的。實(shí)際應(yīng)用表明，改進(jìn)后的Apriori算法具有操作簡(jiǎn)便、測(cè)試準(zhǔn)確的特點(diǎn)，達(dá)到了提高數(shù)據(jù)挖掘效率和準(zhǔn)確性的要求。
標(biāo)簽： Apriori 數(shù)據(jù)挖掘 法的改進(jìn)
上傳時(shí)間： 2013-10-22
上傳用戶(hù)：18888888888
頻率是電力系統(tǒng)運(yùn)行質(zhì)量和安全情況的最主要標(biāo)志之一，集成保護(hù)與控制系統(tǒng)需集成低頻減載等控制方式，測(cè)頻是低頻減載算法的核心，本文較全面地闡述了電力系統(tǒng)頻率測(cè)量的重要意義和這些年來(lái)的研究成果。以測(cè)頻主算法的數(shù)學(xué)原理為線(xiàn)索 ，對(duì)現(xiàn)有的各種測(cè)頻算法進(jìn)行了分類(lèi)和評(píng)述，并提出了頻率測(cè)量的發(fā)展方向。在考慮到現(xiàn)有條件的基礎(chǔ)下，考慮算法的實(shí)時(shí)性以及精度問(wèn)題，選用基于DFT算法，并對(duì)該算法進(jìn)行了matlab仿真。
上傳時(shí)間： 2015-01-03
上傳用戶(hù)：baiom
為了在LabVIEW平臺(tái)下更方便的處理非均勻采樣的心電信號(hào)，文中研究了心電信號(hào)的時(shí)域和頻域插值算法。首先采用了拉格朗日插值法、牛頓插值法、埃爾米特插值法和三次樣條插值法等四種時(shí)域插值方法，從算法精度、內(nèi)存消耗和時(shí)間消耗三個(gè)方面做比較，得出埃爾米特插值法最為合適。最后又提出一種頻域插值法：補(bǔ)零傅里葉頻域插值法，來(lái)彌補(bǔ)原始心電信號(hào)頻域分辨率不足的缺點(diǎn)。
標(biāo)簽： LabVIEW 心電信號(hào) 插值 算法分析
上傳時(shí)間： 2013-11-05
上傳用戶(hù)：qitiand
針對(duì)幀差分法易產(chǎn)生空洞以及背景減法不能檢測(cè)出與背景灰度接近的目標(biāo)的問(wèn)題，提出了一種將背景減和幀差法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。首先利用連續(xù)兩幀圖像進(jìn)行背景減法得到兩種差分圖像，并用最大類(lèi)間與類(lèi)內(nèi)方差比法得到合適的閾值將這兩種差分圖像二值化，然后將得到的兩種二值化圖像進(jìn)行或運(yùn)算，最后利用圖像形態(tài)學(xué)濾波得到準(zhǔn)確的運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該算法簡(jiǎn)單、易實(shí)現(xiàn)、實(shí)時(shí)性強(qiáng)
上傳時(shí)間： 2013-10-08
上傳用戶(hù)：yqs138168
文中首先介紹了雷達(dá)測(cè)距的兩種常用方法，通過(guò)分析，調(diào)頻連續(xù)波（FMCW）雷達(dá)更具有優(yōu)勢(shì)，然后闡述了調(diào)頻連續(xù)波（FMCW）雷達(dá)測(cè)距系統(tǒng)的基本組成原理，再后本文論述了測(cè)頻中最常用的FFT算法。接著分析研究了由此衍生出的距離譜，根據(jù)距離譜本文重點(diǎn)論述了其估計(jì)算法，說(shuō)明了距離譜最大采樣點(diǎn)法的問(wèn)題，提出距離譜最大值二分估值法，又經(jīng)過(guò)進(jìn)一步改進(jìn)得到距離譜最大值的擬合法。通過(guò)計(jì)算機(jī)仿真的結(jié)果確定距離譜最大值的擬合法提高了測(cè)距的精度。
標(biāo)簽： 雷達(dá)測(cè)距 算法
上傳時(shí)間： 2013-11-20
上傳用戶(hù)：zhangzhenyu
針對(duì)人臉識(shí)別中的特征提取問(wèn)題，提出一種新的基于Gabor的特征提取算法，利用Gabor小波變換良好的提取區(qū)分能力和LDA所具有的判別性?xún)?yōu)勢(shì)來(lái)進(jìn)行特征提取。首先利用Gabor小波變換來(lái)提取人臉特征。然后對(duì)得到的高維特征采用PCA進(jìn)行初次降維，再利用LDA實(shí)現(xiàn)再次降維，得到最終的特征向量。在ORL和YALE人臉庫(kù)上的實(shí)驗(yàn)驗(yàn)證了該算法的有效性。
標(biāo)簽： Gabor 特征提取 人臉識(shí)別 中的應(yīng)用
上傳時(shí)間： 2013-12-14
上傳用戶(hù)：alex wang
為了解決自適應(yīng)大數(shù)表決算法無(wú)法容忍表決周期發(fā)生瞬時(shí)錯(cuò)誤的問(wèn)題，提出了基于自檢測(cè)的自適應(yīng)一致表決算法。該算法通過(guò)插入檢測(cè)代碼實(shí)時(shí)搜集瞬時(shí)錯(cuò)誤信息，進(jìn)而屏蔽發(fā)生瞬時(shí)錯(cuò)誤的軟件冗余模塊參與表決，并將各軟件冗余模塊歷史記錄信息有效地應(yīng)用到表決系統(tǒng)。在此算法的基礎(chǔ)上，設(shè)計(jì)了能實(shí)現(xiàn)上述功能的表決系統(tǒng)結(jié)構(gòu)圖。最后通過(guò)仿真實(shí)驗(yàn)證明了所提算法的有效性。
上傳時(shí)間： 2013-10-13
上傳用戶(hù)：miaochun888
基于合成孔徑雷達(dá)（SAR）圖像的海面風(fēng)場(chǎng)估計(jì)已經(jīng)得到廣泛認(rèn)可。多數(shù)風(fēng)速反演算法是以估計(jì)的風(fēng)向、校正的δvv為先驗(yàn)條件，應(yīng)用海風(fēng)模型計(jì)算而得的。在相同風(fēng)向的情況下，應(yīng)用不同的海風(fēng)模型會(huì)得到不同的風(fēng)速反演值，因此選擇合適的模型是風(fēng)場(chǎng)估計(jì)的關(guān)鍵。同時(shí)，風(fēng)向數(shù)據(jù)的精確度也很重要，即使不大的誤差也會(huì)給風(fēng)速的反演結(jié)果帶來(lái)明顯偏差。為解決上述問(wèn)題這里提出一種不需要預(yù)先已知風(fēng)向數(shù)據(jù)的風(fēng)場(chǎng)估計(jì)算法。該算法將基于海洋SAR圖像中風(fēng)浪的條紋信息，以及風(fēng)浪條紋生成的自相關(guān)函數(shù)的周期性估計(jì)風(fēng)速數(shù)據(jù)，同時(shí)由風(fēng)浪條紋的最短周期方向估計(jì)風(fēng)向數(shù)據(jù)，從而估計(jì)出完整的風(fēng)場(chǎng)矢量。仿真結(jié)果顯示，該算法對(duì)風(fēng)速和風(fēng)向數(shù)據(jù)有較高的估計(jì)精度。
標(biāo)簽： 海洋 風(fēng)場(chǎng)矢量估計(jì) 算法
上傳時(shí)間： 2013-10-17
上傳用戶(hù)：520
提出一種基于自適應(yīng)混沌粒子群優(yōu)化和支持向量機(jī)結(jié)合的非線(xiàn)性預(yù)測(cè)建模算法（ACPSO-SVR），引入ACPSO啟發(fā)式尋優(yōu)機(jī)制對(duì)SVR模型的超參數(shù)進(jìn)行自動(dòng)選取，在超參數(shù)取值范圍變化較大的情況下，效果明顯優(yōu)于網(wǎng)格式搜索算法。選取UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)中的Forest fires標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明該方法具有較高的精度和良好的泛化能力，對(duì)于解決多變量的回歸預(yù)測(cè)問(wèn)題是一種有效的方法。最后給出了混合算法在碳一多相催化領(lǐng)域的兩種典型應(yīng)用，在反應(yīng)動(dòng)力學(xué)模型未知的情況下建立催化劑組份模型和操作條件模型，以及基于混合算法的最優(yōu)催化劑設(shè)計(jì)框架。
標(biāo)簽： ACPSO-SVR 非線(xiàn)性建模 預(yù)測(cè)算法
上傳時(shí)間： 2013-10-23
上傳用戶(hù)：alibabamama
為了設(shè)計(jì)一種實(shí)時(shí)高效、穩(wěn)定可靠的圖像目標(biāo)跟蹤系統(tǒng)平臺(tái)，避免因圖像邊緣提取效果差而引起跟蹤失敗，采用自適應(yīng)Canny邊緣檢測(cè)算法。該自適應(yīng)算法能夠很好的確定平滑參數(shù)以及高、低兩個(gè)閾值，更好的獲得圖像邊緣圖。經(jīng)Canny算法處理圖像目標(biāo)后，獲得目標(biāo)的單像素邊緣圖，根據(jù)邊緣圖計(jì)算得到目標(biāo)質(zhì)心。利用最小二乘法擬合出目標(biāo)的運(yùn)動(dòng)軌跡，同時(shí)可根據(jù)時(shí)間間隔預(yù)測(cè)出目標(biāo)質(zhì)心的下一位置，控制伺服機(jī)構(gòu)，實(shí)現(xiàn)目標(biāo)跟蹤。實(shí)驗(yàn)表明，采用Canny算法的目標(biāo)跟蹤系統(tǒng)，能夠滿(mǎn)足實(shí)時(shí)跟蹤的需要。
標(biāo)簽： Canny 檢測(cè)算法 目標(biāo)跟蹤
上傳時(shí)間： 2013-11-03
上傳用戶(hù)：testAPP
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
