计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2011年
10期
186-189
,共4页
边界总和最大化%特征融合%Pseudo-Zernike矩%Gabor特征%椭圆基概率神经网络
邊界總和最大化%特徵融閤%Pseudo-Zernike矩%Gabor特徵%橢圓基概率神經網絡
변계총화최대화%특정융합%Pseudo-Zernike구%Gabor특정%타원기개솔신경망락
提出一种边界总和最大化的车牌汉字特征融合算法,根据高维数据低维投影趋于正态分布的特点,将Pseudo-Zernike矩特征和Gabor特征串联后形成的高维特征投影到低维空间,利用类别均值和方差构造分类边界总和,最大化边界总和,得到最佳投影向量,构成投影矩阵,对原串联特征投影后得到一组新特征,作为椭圆基概率神经网络分类器的输入.实验表明,新特征同时具备全局表征能力和细节刻画能力,去除了数据冗余,在提高分类准确率的同时有效降低了分类器规模,椭圆基概率神经网络构造简便,具有与SVM相当的分类准确率.
提齣一種邊界總和最大化的車牌漢字特徵融閤算法,根據高維數據低維投影趨于正態分佈的特點,將Pseudo-Zernike矩特徵和Gabor特徵串聯後形成的高維特徵投影到低維空間,利用類彆均值和方差構造分類邊界總和,最大化邊界總和,得到最佳投影嚮量,構成投影矩陣,對原串聯特徵投影後得到一組新特徵,作為橢圓基概率神經網絡分類器的輸入.實驗錶明,新特徵同時具備全跼錶徵能力和細節刻畫能力,去除瞭數據冗餘,在提高分類準確率的同時有效降低瞭分類器規模,橢圓基概率神經網絡構造簡便,具有與SVM相噹的分類準確率.
제출일충변계총화최대화적차패한자특정융합산법,근거고유수거저유투영추우정태분포적특점,장Pseudo-Zernike구특정화Gabor특정천련후형성적고유특정투영도저유공간,이용유별균치화방차구조분류변계총화,최대화변계총화,득도최가투영향량,구성투영구진,대원천련특정투영후득도일조신특정,작위타원기개솔신경망락분류기적수입.실험표명,신특정동시구비전국표정능력화세절각화능력,거제료수거용여,재제고분류준학솔적동시유효강저료분류기규모,타원기개솔신경망락구조간편,구유여SVM상당적분류준학솔.