提出了一种基于判定肤色和人眼几何位置关系的人脸检测方法。首先通过对人脸图像光照增强与平滑去噪等预处理归一化彩色图像，再将图像在HSV色彩空间进行肤色分割。生成二值化图像，采用形态学滤波器对其降噪，并使用Sobel算子确定人脸边缘，生成清晰完整的二值化图像。利用灰度积分垂直和水平投影曲线包含的信息对人脸区域粗定位,并缩小图像处理范围。在得到大致人脸范围的基础上，使用Susan算子定位两个眼角点从而实现眼睛的精确定位。以粗定位为基准,按照适当的方法对鼻、嘴的特征点依次准确提取.利用粗略与精确两步定位过程方法,在简化处理的同时,可准确提取正面人脸。

人工智能期末大作业一个基于特征构造的两步特征筛选算法源码，内附课程报告pdf。 高分必看。 实验结果 4.1 实验数据集与结果测试 数据集为分别经过本算法（GBDT 调优版）、本算法（GBDT 未调优版）、未 经过特征筛选、经过常见特征筛选方法将其特征数量处理到与本算法相似的 heart.csv,LSVT.csv,arcene.csv 数据集，数据集特征数量如表（6）所示。

摘 要：线性变换移位寄存器由Tsaban和Vishne提出，是一个面向字的移位寄存器，每次输出一个字节。研究了由TSR所生成的序列的基本性质，并且给出了一个新的准则来判定一个线性变换移位寄存器系统的特征多项式是否不可约。利用这个准则，不需要在扩域上做运算来判定一个线性变换移位寄存器系统的特征多项式是否不可约。

电能 使用人工神经网络预测联合循环发电厂的电能输出（EP）。 特征包括每小时平均环境变量温度（T），环境压力（AP），相对湿度（RH）和排气真空（V），以预测工厂的每小时净电能输出（EP）。特征包括每小时平均周围环境变量-温度（T）在1.81°C和37.11°C的范围内-环境压力（AP）在992.89-1033.30毫巴的范围内-相对湿度（RH）在25.56％至100.16％的范围内-排气真空度（V ）在25.36-81.56 cm Hg的范围内-每小时净电能输出（EP）420.26-495.76 MW

【摘要】 目前,对于聚类问题的研究普遍存在于社会生活中的各个领域,如模式识别、图像处理、机器学习和统计学等。关于对生活中各种各样的数据的聚类分类问题已经成为众多学者的研究热题之一。聚类和分类的区别在于,聚类没有任何先验知识可循,要通过数据自身的特点,将数据自动的划分到不同的类别中。聚类的基本形式定义为“在已给的数据集合中寻找数据点集的同类集合。每一个集合叫做一个类,并确定了一个区域,在区域中对象的密度高于其他区域中的密度。”聚类方法有很多种,其中最简单的形式便是划分式聚类,划分式聚类试图将给定的数据集合分割成不相交的子集,使具体的聚类准则是最优的。实际中应用最广泛的准则是聚类误差平方和准则,即对于每一个点都计算它到相应的聚类中心点的平方距离,并对数据集合上的所有点的距离进行求和。一种最流行的基于最小聚类误差平法和的聚类方法是K-均值算法。然而,K-均值算法是一个局部搜索的算法,它存在一些严重的不足,比如K值需要预先确定、聚类结果的好坏依赖于初始点的选取。为了解决这些问题,这个领域的研究者开发了很多其他的一些技术,试图基于全局最优化的方法来解决聚类问题(比如模拟退火算法、遗传算法等)。然而这些技术并没有得到广泛的认可,在许多实际应用中应用最多的还是反复利用K-均值算法。K-均值算法是一种基于划分的聚类算法,它通过不断的迭代来进行聚类,当算法收敛到一个结束条件时就终止迭代过程,输出聚类结果。由于其算法思想简便,又容易实现对大规模数据的聚类,因此K-均值算法已成为一种最常用的聚类算法之一K-均值算法能找到关于聚类误差的局部的最优解,是一个能应用在许多聚类问题上的快速迭代算法。它是一种以点为基础的聚类算法,以随机选取的初始点为聚类中心,迭代地改变聚类中心来使聚类误差最小化。这种方法最主要的不足就是对于初始聚类中心点位置的选取敏感。因此,为了得到近似最优解,初始聚类中心的位置必须安排的有差异。本文就K-均值聚类算法的聚类结果依赖于初始中心,而且经常收敛于局部最优解,而非全局最优解,以及聚类类别数K需要事先给定这两大缺憾展开研究。提出了分别解决这两个问题的算法各一个首先,本文将Hae-Sang等人的快速K-中心点算法确定初始中心点的思想应用于Aristidis Likas的全局K-均值聚类算法中下一个簇的初始中心选择上,提出一种改进的全局K-均值聚类算法,试图寻找一个周围样本点分布比较密集,且距离现有簇的中心都较远的样本点,将其作为下一个簇的最佳初始中心。通过对UCI机器学习数据库数据及人工随机模拟数据的测试,证明本文算法与Aristidis Likas的全局K-均值聚类算法和快速全局K-均值聚类算法比,在不影响聚类误差平方和的前提下,聚类时间更短,具有更好的性能。同时,本文介绍了自组织特征映射网络(Self-Organizing Feature Map, SOFM)的相关内容,SOFM网络是将多维数据映射到低维规则网格中,可以有效的进行大规模的数据挖掘,其特点是速度快,但是分类的精度不高。而K-均值聚类算法,是一种通过不断迭代调整聚类质心的算法,其特点是精度高,主要用于中小数据集的分类,但是聚类速度比较慢。因此,本文在分析了基于自组织特征映射网络聚类的学习过程,权系数自组织过程中邻域函数,以及学习步长的一般取值问题后,给出了基于自组织特征映射网络聚类实现的具体算法,将自组织特征网络与K-均值聚类算法相结合,提出了一种基于自组织映射网络的聚类方法,来实现对输入模式进行聚类,实现K-均值聚类算法的聚类类别数的自动确定。同时通过实验进行仿真实现,证明该算法的有效性。 还原 【Abstract】 Clustering is a fundamental problem that frequently arises in a great variety of fields such as pattern recognition, image processing, machine learning and statistics. In general, clustering is defined as the problem of finding homogeneous groups of samples in a given data set. Each of these groups is called a cluster and can be defined as a region in which the density of exemplars is locally higher than in other regions.The simplest form of clustering is partition clustering which aims at partitioning a given data set into disjoint subsets (clusters) so that specific clustering criteria are optimized. The most widely used criterion is the clustering error criterion which for each exemplar computes its squared distance from the corresponding cluster center and then sums these distances for all exemplars in data set. A popular clustering algorithm that minimizes the clustering error is the K-means algorithm. However, the K-means algorithm is a local search procedure. It suffers from some serious drawbacks that influence its performance.K-means clustering is the most popular clustering algorithm based on the partition of data. However, there are some shortcomings of it, such as its requiring a user to give out the number of clusters at first, and its sensitiveness to initial conditions, and its easily fall into the local solution et cetera.The K-means algorithm finds locally optimal solutions with respect to the clustering error. It is a fast iterative algorithm that has been used in many applications. It is a point-based clustering method that starts with the cluster centers initially placed at arbitrary positions and proceeds by moving at each step the cluster centers in order to minimize the clustering error. The main disadvantage of this method lies in its sensitivity to initial positions of cluster centers. Therefore, in order to obtain near optimal solutions using the K-means algorithm several runs must be scheduled differing in the initial positions of the cluster centers.The global K-means algorithm proposed by Likas et al is an incremental approach to clustering that dynamically adds one cluster center at a time through a deterministic global search procedure consisting of N (with N being the size of the data set) runs of the K-means algorithm from suitable initial positions. It avoids the depending on any initial conditions or parameters, and considerably outperforms the K-means algorithms, but it has a heavy computational load. In this paper, a new version of the global K-means algorithm is proposed. We improved the way of creating the next cluster center by introducing some idea of K-medoids clustering algorithm suggested by Park and Jun. Our new algorithm can not only reduce the computational load of the global K-means without affecting the performance of it, but also avoid the influence of the noisy data on clustering result. Our clustering algorithm is tested on some well-known data sets from UCI and on some synthetic data. The experiment results show that our method outperforms the global K-means algorithm.And then, a self-organizing feature map (SOFM) network is researched. The main investigation in this paper is designing a classifier with self-organizing feature map neural network and K-means algorithm. The SOFM network can project multi-dimensional data on a low-dimensional regular grid, so that it can be utilized to explore the potential properties of the large data. The characteristic of SOFM is its

包含matlab代码以及基于此代码的论文一篇。 代码主要实现对数据的多维特征提取，包括峰值裕度等多个时频域特征。然后将提取到的特征输入到BP神经网络中，从而将故障轴承数据与正常轴承数据分类。

matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文 matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文matlab基于多约束和改进纹理特征的带钢表面缺陷显着性检测项目源码+论文

计算机病毒的特征 计算机病毒的特征 计算机病毒的特征 程序运行时，会进行自我复制 计算机病毒的特征 传染性 计算机病毒最重要的几种特征，是判断一段程序代码是否为计算机病毒的依据 计算机病毒的特征 正常程序无法运行，文件被删 除、引导扇区及BIOS被破坏等 计算机病毒的特征 病毒的破坏性 良性病毒 恶性病毒 破坏计算机系统 WXY病毒 没有恶意破坏 不代表无危害 计算机病毒的特征 未获得用户的许可，违背用户 的意愿与利益 计算机病毒的特征 合法 1.调用合法程序 2.请求合法权限 3.分配系统资源 4.运行并达到用户目的 非法 1.具有正常程序的特性 2.隐藏在合法程序或数据中 3.窃取系统控制权 4.非法获取系统资源 计算机病毒的特征 依附于其他媒体寄生，条件成熟触发 计算机病毒的特征 时隐时现，很难检测 计算机病毒的特征 触发条件：时间、特定程序等 感谢聆听

本文来自于csdn，本文中使用sklearn中的IRIS（鸢尾花）数据集来对特征处理功能进行说明。有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。通过总结和归纳，人们认为特征工程包括以下方面： 特征处理是特征工程的核心部分，sklearn提供了较为完整的特征处理方法，包括数据预处理，特征选择，降维等。首次接触到sklearn，通常会被其丰富且方便的算法模型库吸引，但是这里介绍的特征处

GIS的发展现状及趋势 3.1空间信息特征 1.空间性 空间位置：坐标数据 不同坐标之间可以转换 空间位置关系：拓扑关系 2.属性：属非空间数据 3.时间性：空间特征、属性特征独立地随时间变化 一、空间信息特点 二、空间实体的属性信息分类 ● 二元型： ●等级型： ●数量型： ●非数量型： 有无 ；是、否 地位级、火险等级等 坡向、坡位，植被等 面积、重量、长度等 三、空间实体的度量信息 （2）无约束的几何距离： （1）定位信息：点、线、面等用坐标对、坐标串、闭合坐标串描述。 D（P，P）=0 D（P1，P2）>0 D（P1，P2）= D（P2，P1） D（P1，P2）<= D（P1，P3） +D（P3，P2） 距离特点： （3）有约束条件的距离：有效距离 周长： 面积： 四、空间实体的拓扑信息 1、拓扑关系概念：是明确定义空间关系的一种数学方法。在GIS中，用来描述并确定空间的点线面之间的关系及属性，并可实现相关的查询和检索。 2、拓扑关系特点： 1）独立于坐标系统的几何关系 2）不随几何实体平移 旋转 缩放而变化 拓扑关系反映了空间实体间的逻辑关系，不需要坐标、距离信息，不受比例