人脸局部遮挡表情特征快速识别方法仿真.pdf

matlab姿态识别系统源码运行 Face-Recognition Practice of two Pattern Recognition methods. Face Recognition based on SVM and SRC. 一 背景 1.1 支持向量机简介 支持向量机（Support Vector Machine，SVM）是AT&TBell 实验室的V.Vapnik等人提出的一种机器学习算法，是迄今为止最重要的机器学习理论和方法之一，也是应用最广泛、综合效果最好的模式分类技术之一。到目前为止，支持向量机已应用于孤立手写字符识别、网页或文本自动分类、说话人识别、人脸检测、性别分类、计算机入侵检测、基因分类、遥感图象分析、目标识别、函数回归、估计、函数逼近、密度估计、时间序列预测及数据压缩、文本过滤、数据挖掘、非线性系统控制等各个领域的实际问题中。 支持向量机是一种二分类模型，其基本定义是特征空间上的间隔最大的线性分类器（当采用线性核时），即支持向量机的学习策略是间隔最大化，最终转化为凸二次规划问题的求解。该方法在1995年正式发表，因其在文本分类任务中显示出卓越性能，很快成为

为提高人类行为识别准确性的同时降低实现过程的复杂程度，提出基于智能手机加速度传感器与陀螺仪数据对六种日常基础行为进行识别的方法。在分析传感器框架的基础上，对加速度传感器进行数据采集并对原始数据进行数据预处理，然后采用主成分分析方法结合已有知识对数据统计特征进行降低维数处理，再利用机器学习算法实现对行为特征的分类与识别，目的是简化基础行为的识别过程并提高数据的利用率。实验测试结果验证了决策树与支持向量机分类器结合使用的有效性，识别准确率可接近97%。

人工智能-机器学习-护士助手机器人的超声波障碍物识别方法研究.pdf

安全技术-网络信息-面向可信用户和主题社区的社交网络在线话题识别方法研究.pdf

基于关键帧双流卷积网络的人体动作识别方法

人工智能-机器学习-浮法玻璃缺陷的智能识别方法.pdf

基于GIS 的区域关键性生态用地空间结构识别方法探讨

心电图（ECG）作为一种生物识别技术，对此类攻击具有较高的抵抗力并受到研究者的广泛关注。该方法的，识别率可达95％左右。然而，我们发现，当训练周期和应用周期之间存在明显的间隔时，如果将其自身的实际情况，准确率将突然降低到40％。造成这种突变的首要是：（1）在现有的训练和测试周期中，由于连续样本被用于训练和测试阶段，所提取到的特征具有时间敏感性； 2）在卷积神经网络分类中没有充分利用与性能相关的特征； 3）还没有通过设置最佳参数来为个体获得足够的多有效样本。 ：1）确定随机抽样方法的最佳参数，为个体获得足够的有效样本； 2）提出一种跨时间，频率和能量域提取深度特征的方法，该方法对时间不敏感且个体区分度大； 3）在CNN中约会通道注意模块并修改其激活函数以优化识别性能。我们在PTBDB和ECG-ID数据库上验证了我们的方法。实验表明，识别精度分别达到56.93％和85.94％，比现有方法提高了41.5％和20.7％。

基于CRF 和规则相结合的地理命名实体识别方法