排序方式: 共有26条查询结果,搜索用时 15 毫秒
1.
刘元宁 《武汉科技大学学报(自然科学版)》1993,(3)
作者认为,一些“燃烧学”著作中关于燃烧方程式及燃料特性系数β的部分内容值得商榷。本文推导出一种适用于各类燃料的燃烧方程式,并归纳出β的简明表达式。 相似文献
2.
针对虹膜质量评价指标单一或过多的情形, 提出一种基于GA-BP神经网络的序列虹膜质量评价算法. 首先对虹膜图像进行粗质量评价, 筛选掉大多数不合格的较差质量图像; 然后对虹膜图像进行精质量评价, 选用3个较重要的指标得出指标值; 最后结合BP神经网络融合精质量评价指标进行图像质量的最终评价. 在JLU-6.0虹膜库中进行验证, 并与其他算法进行对比测试, 测试结果表明, 该算法能保留较多的有效虹膜图像, 且分类精确度较高. 相似文献
3.
针对传统虹膜分类需手工设计滤波器提取虹膜特征, 提取特征单一, 且通常需大量手工调参, 泛化能力较差的问题, 提出一种面向残差网络下多元特征的虹膜分类算法. 一方面将虹膜图像与Gabor特征相结合, 另一方面在网络结构中使用多个尺度的卷积核, 使学习到的虹膜特征更丰富, 从而提高图像特征的表征能力. 实验结果表明, 在固定类别中, 使用Softmax分类器进行多分类, 该算法在JLU虹膜数据库中的分类准确率可稳定在98.90%以上, 不低于DeepIrisNet和Resnet等网络结构, 且该算法的网络结构参数更少, 学习速度更快. 相似文献
4.
针对虹膜图像质量评价过程中存在的如何选取适量的评价因子、 如何降低评价因子的计算量、 如何对评价因子进行有效融合等问题, 提出一种基于遗传算法支持向量机(GA-SVM)模型和多测度评价指标的虹膜图像质量评估方法. 首先对虹膜图像进行清晰度质量评价, 粗略筛除模糊图像; 然后选用4个评价指标, 利用GA-SVM模型对评价指标值进行有效融合, 以综合评价虹膜图像质量; 最后将该方法在吉林大学第六代虹膜库中进行验证, 并与其他经典评价方法进行对比. 实验结果表明, 该方法能提高可用虹膜存活率, 并达到较好的识别精度, 同时提升系统运行速度. 相似文献
5.
6.
基于传统信息增益特征选择算法,通过提出类内分散度与类间集中度的概念,结合传统信息增益算法,解决了信息增益算法因忽略特征项的分布而导致的性能下降问题,提高了信息增益算法的效率.使用改进的特征选择算法进行垃圾邮件过滤实验,在不同的分类器下,与传统的特征选择算法进行对比,实验结果表明,改进的特征选择算法性能较优. 相似文献
7.
为克服现有基于线性变换特征提取方法中基向量非动态和参数需指定的缺陷,分析了虹膜的几何特征和识别原理,提出用独立成分分析ICA(Independent Component Analysis)方法进行虹膜特征提取,最大限度地去了除虹膜特征空间的冗余,克服了传统线性变换特征基向量非动态的缺陷;用BP(Back Propagation)神经网络进行虹膜分类,实现特征的降维和有效表示,并在自主研制的JLU-IRIS虹膜图像库中进行小样本空间实验。结果通过三种不同的识别率100%,96.5%和92.5%,表明了该算法的正确性和有效性。 相似文献
8.
单核苷酸多态性微阵列(SNP array)技术是近年来获得快速发展的一种高通量生物芯片技术,可以有效地对肿瘤细胞中的染色体变异进行检测.本文针对癌症药物治疗前后肿瘤的染色体变异的成对SNP array数据,提出了一种基于多元方差分析二维统计量的全新染色体异常区域分段算法.对模拟SNP array数据的测试表明,该算法可以精确地将成对肿瘤数据异常区域进行分段,其结果明显好于现有的循环二元分割(CBS)算法.同时,ROC性能曲线分析显示本文算法具有较好的抗噪性能.对赫赛汀治疗前后的成对乳腺癌SNP array数据的分析结果显示,该算法可准确地检测出重要致癌基因ERBB2在治疗前后的拷贝数变化.上述结果表明这种基于多元方差分析的算法是一种有效的SNP array数据分析工具. 相似文献
9.
针对传统虹膜定位算法很难完成准确定位导致识别效果不稳定的问题, 提出一种基于改进YoloV4网络的虹膜定位算法. 首先利用YoloV4结合MobileNetV3对虹膜内外圆进行粗定位, 再利用瞳孔、 虹膜和巩膜的灰度差值分别对虹膜内外圆进行精定位. 同时, 使用K-means++聚类算法生成先验框; 使用快速soft-DIoU-NMS算法去除预测过程冗余框, 提高算法检测率; 使用Focal Loss作为类别损失函数. 对比实验结果表明, 该算法运行速度更快, 定位准确率更高, 识别算法的效果更明显. 相似文献
10.
针对传统特征选择算法的不足, 提出一种新的特征选择算法. 该算法能综合度量一个特征在类内和类间的重要性, 并在3个不同的数据集上利用2个分类器与5个现有的特征选择方法进行了对比实验. 实验结果表明, 该算法进一步降低了特征向量空间的维度, 并有效提高了分类器的分类性能. 相似文献