基于概率模型LVQ的改进KNN分类新方法

KNN是基于实例的算法,对于大规模样本算法分类性能不高.针对这一缺点,提出一种基于概率模型的学习矢量量化神经网络的改进KNN分类新方法.考虑到最优参考点训练的重要性,结合概率方法得到最佳参考点的判断准则函数,采用梯度下降最优化算法利用LVQ训练参考点的最佳位置.在对未知样本进行分类时选出样本x的K个近邻,采用"投票选举"机制最后判断样本x的所属类别.新方法减少KNN的计算复杂度和时间,弥补了KNN在处理大规模数据问题上的不足.在UCI中数据集上的仿真实验表明改进算法的可行性.     

室外场景下目标分割和目标识别算法

视频监控应用场听可分为室内和室外．室外环境受到诸如光照、下雨、落叶等因素的影响,整个场景变化复杂,给视频处理带来许多困难．文中介绍一种室外场景下目标分割和目标识别的方法,使用基于像素颜色特征的混合概率模型,将当前图像中与模型匹配的像素视为背景,然后更新模型中各个参数．为了去除目标区域的阴影部分,引人一种基于阀值和区域特征的阴影消除算法．同时,采用基于支持向量机的分类方法,识别场景中新出现的目标．     

柔性网络计划工期及关键线路研究

传统网络计划边长是固定的,而实际的建筑工程工序持续时间受到诸多偶然因素的影响而呈动态变化.提出随机边长的“柔性网络计划”模型,依据Monte Carlo模拟的基本原理,以Microsoft Visual Basic.Net2005 Beta为平台,开发相应模拟分析软件,以实际工程案例研究其可行性.认为:柔性网络计划可以提供总工期的变化范围,给出所有工序成为关键工序的概率,为工程决策提供更多信息.     

基于粗糙集的去噪扩散概率方法

基于非Markov链去噪扩散隐式模型(DDIM),提出一种粗糙集的去噪扩散概率方法,用粗糙集理论对采样的原序列等价划分,在原序列上构建子序列的上下近似集和粗糙度,当粗糙度最小时获取非Markov链去噪扩散隐式模型的有效子序列.利用去噪扩散概率模型(DDPM)和DDIM进行对比实验,实验结果表明,该方法获取的序列是有效子序列,且在该序列上的采样效率优于DDPM.     

基于状态驻留时间的汉语语音分段概率模型

为了解决分段概率模型 (SPM)因缺少对时间信息描述而带来的建模精度低的问题 ,提出了状态驻留分段概率模型 (SDSPM)。SDSPM中包含了用伽玛分布表示的状态驻留概率 ,以刻划语音的时间特征。此驻留概率相当于隐马尔可夫模型 (HMM)中的状态转移概率 ,但使 SDSPM描述语音时间特征的能力强于 HMM。SDSPM既改善了 SPM的模型性能 ,同时又避免了 HMM的计算复杂度问题。测试实验证明了 SDSPM模型在汉语语音识别中的有效性。     

基于多层过滤和动态概率模型的试题抽取算法研究

针对研究生考试涉及课程门类众多,内容要求灵活多变,并且存在数门课程合并出卷的特点,提出一种将多层过滤模型和动态概率模型相结合的试卷抽取方法,首先通过多层过滤模型层层过滤出符合出题要求的试题,然后使用动态概率模型对所有试题按照一定概率进行动态调整。结果表明试题分布合理,完全能够满足研究生考试试题抽取的需求。