导读:本文包含了特征维数论文开题报告文献综述及选题提纲参考文献，主要关键词:复杂仪表,特征维数,误识率,KNN算法
特征维数论文文献综述
孙国栋,梅术正,汤汉兵,周振[1]（2018）在《基于密度特征与KNN算法的最优特征维数选择》一文中研究指出为了保证基于同步触发双相机的仪表复杂字符识别中误识率为0,采用K最近邻算法对仪表字符特征进行训练分类,结合字符自身特点,提出最优特征提取与高宽维度选择方法,并设计实验获取1~4 096维密度特征的误识率与运行时间。实验结果表明,图像的密度特征总维度在230~260,高宽维度比接近1.4时,误识率为0的概率最大。该规律对采用KNN算法进行分类识别时最优密度特征维数选择具有一定指导意义。(本文来源于《现代电子技术》期刊2018年16期）
张愉,童敏明,尚丽[2]（2014）在《特征维数和分类器参数统一优化选择的掌纹识别》一文中研究指出为了进一步提高掌纹识别系统性能,充分利用主成分分析特征维数和支持向量机参数之间的联系,提出了一种特征维数和分类器参数统一选择的掌纹识别模型(Features-Classifier)。对掌纹图像进行预处理,将主成分分析图像特征维数和支持向量机参数作为一个粒子,在统一的目标函数下通过粒子之间的信息交流和相互协作,找到最优掌纹特征和分类器参数,根据最优掌纹特征和分类器参数建立掌纹图像识别模型,并采用Po1y U掌纹数据库对模型性能进行仿真实验。结果表明,Features-Classifier的掌纹平均识别率达到94%以上,识别结果明显优于独立、分开选择特征维数和分类器参数的掌纹识别模型。(本文来源于《计算机工程与应用》期刊2014年23期）
谭琨,杜培军,王小美[3]（2011）在《特征维数对支持向量机分类器性能影响的研究——以高光谱遥感影像为例》一文中研究指出本文为验证SVM对高维特征的适应性和可靠性,针对不同特征提取方法与特征组合,以国产OMISⅡ传感器获得的北京昌平地区高光谱遥感据为例,对SVM分类器中特征维数对分类准确率的影响进行了试验,通过对主成分分析、最小噪声分离算法、相关系数分组后特征提取、导数光谱等的分析,表明SVM分类器的分类精度随着特征维数波动,其中主成分分析降维后提取的特征具有用于分类能够获得最高的准确率。通过与最大似然法和光谱角制图分类算法的比较,说明在同样的特征输入情况下SVM分类算法分类的准确率高于最大似然法和光谱角制图分类器。(本文来源于《测绘科学》期刊2011年01期）
相丽,潘峰,苏光伟,申军伟[4]（2010）在《特征维数对隐写检测的影响分析》一文中研究指出通过实验验证并分析图像隐写检测过程中特征维数对隐写检测正确率的影响,对比使用人工选取与机器降维的隐写图像识别率。结果表明,低维特征更有利于简化分类器的设计,降低计算复杂度,提高隐写检测正确率,且机器降维后的特征相比人工选取的特征拥有更好的隐写检测效果。(本文来源于《计算机工程》期刊2010年21期）
傅春燕[5]（2008）在《步态识别中的目标轮廓提取和特征维数约减研究》一文中研究指出步态识别根据人走路的姿态进行身份识别,是一种生物特征识别方法。与其它生物特征识别技术相比,步态具有非接触和难以隐藏等独特优势,而且它是在远距离情况下可感知的生物特征。随着安全敏感场合对智能监控系统要求的提高,步态识别技术已经引起了广泛的研究兴趣。步态识别主要由步态轮廓分割、特征提取和分类识别叁部分组成,本文的研究内容包括以下几方面:①针对步态图像序列的特点,提出了一种根据背景象素点灰度值的概率分布的步态轮廓分割算法。对每个序列而言,步态轮廓是随时间变化的。分别建立每个象素点灰度值在时间轴上变化的统计模型,采用假设检验来获取运动目标轮廓。实验表明,本文算法不仅能够提取出完整的人体轮廓,并且能有效地去除噪声,对阴影抑制也有一定效果,能够提高步态识别率。算法直接在RGB空间或灰度空间进行,无需进行颜色空间转换,也无需建立单独的背景图像,计算量小,处理实时性高。②在步态特征提取方面,将时变的二维轮廓形状转化为对应的一维宽度向量,将人体宽度向量作为步态特征。直接以原始宽度向量作为特征向量进行识别数据量庞大,维数很高,处理复杂。分别采用主成分分析(PCA)方法和有监督的局部流形嵌入(SLLE)方法将特征向量维数由201维约减到14维和19维。两种特征维数约减方法互为补充,在低维空间较好地保持了高维步态特征的内在结构,并且提高了算法运行效率。③采用k-近邻分类器进行分类识别,并采用贝叶斯多分类器融合规则融合主成分分析(PCA)方法和有监督的局部流形嵌入(SLLE)方法约减后的特征信息。实验证明,融合多分类器信息比采用单一分类器信息获得了更高的识别率。(本文来源于《重庆大学》期刊2008-05-01）
陶跃华,曾瑞,张玉琢[6]（2007）在《图像特征维数约减的线性变换技术》一文中研究指出线性变换技术能够消除图像高维特征向量的各分量之间的相关性,并对特征向量进行降维。对基于线性变换技术的图像的PCA(Prinapal Component Analysis)特征,ICA(Independent ComponentAnalysis)特征,SVD(Singular Value Decomposition)特征提取方法进行了分析和讨论。(本文来源于《云南师范大学学报(自然科学版)》期刊2007年01期）
黄昕,张良培,邵振锋,李平湘[7]（2006）在《基于独立分量分析的纹理特征维数减少》一文中研究指出提出了基于ICA纹理特征维数减少的方法,通过QuickBird多光谱影像的实验证明,ICA对各种纹理特征降维的普适性最强,类别可分性最高。(本文来源于《武汉大学学报(信息科学版)》期刊2006年12期）
李昭阳,王元全,夏德深[8]（2003）在《关于最佳鉴别特征维数问题的讨论》一文中研究指出该文对最佳鉴别特征的最佳维数问题进行了详细的讨论 .文章首先对最佳维数问题进行了界定 ,然后指出了两种最佳特征维数为c- 1维的情况即以某些基于矩的可分性判据 (准则函数 )为优化目标的最优特征和以某些特殊的分类器错误率为优化目标的最优特征 .最后该文运用方差分析法对最佳鉴别特征进行特征选择使之代入最小距离分类器后识别率最大 .(本文来源于《计算机学报》期刊2003年07期）
李一波,黄小原[9]（2003）在《用于特征维数不等识别问题的自组织模糊神经网络》一文中研究指出一种用于特征维数不等识别问题的自组织模糊神经网络被提出。网络专为特征维数不相等一类模式识别问题而构造,具有结构自组织,基于知识和学习能力等基本特征,采用两阶段工作模式——结构学习和参数学习。网络首先根据样本自组织学习网络结构,而后再进行集中批学习网络参数。作者用基于中药材色谱保留时间和保留峰面积的特征样本进行构造、训练学习后得到了一个中药材、中成药组成药材模糊识别网络。该网络既可用于中药材的识别,也可用于识别组成中成药各味中药材的复杂模式识别问题。经实验测试,达到了预期效果,为中成药药方解析和质量控制探索出一条新路。(本文来源于《计算机工程与应用》期刊2003年14期）
崔玉红,胡光锐[10]（2001）在《基于神经网络特征维数压缩方法及其在说话人识别中的应用》一文中研究指出当提取的说话人特征较多时,会增加说话人识别系统分类器的复杂度。对此本文对基于神经网络特征维数压缩的说话人识别系统中的语音特征提取、网络结构以及学习算法进行了初步的研究,提出了一种用于语音特征矢量维数压缩的神经网络模型。文中对说话人进行识别的实验结果表明了这种方法对降低说话人识别分类器复杂度的有效性。(本文来源于《第十届全国信号处理学术年会（CCSP-2001）论文集》期刊2001-11-01）
特征维数论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了进一步提高掌纹识别系统性能,充分利用主成分分析特征维数和支持向量机参数之间的联系,提出了一种特征维数和分类器参数统一选择的掌纹识别模型(Features-Classifier)。对掌纹图像进行预处理,将主成分分析图像特征维数和支持向量机参数作为一个粒子,在统一的目标函数下通过粒子之间的信息交流和相互协作,找到最优掌纹特征和分类器参数,根据最优掌纹特征和分类器参数建立掌纹图像识别模型,并采用Po1y U掌纹数据库对模型性能进行仿真实验。结果表明,Features-Classifier的掌纹平均识别率达到94%以上,识别结果明显优于独立、分开选择特征维数和分类器参数的掌纹识别模型。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
特征维数论文参考文献
[1].孙国栋,梅术正,汤汉兵,周振.基于密度特征与KNN算法的最优特征维数选择[J].现代电子技术.2018
[2].张愉,童敏明,尚丽.特征维数和分类器参数统一优化选择的掌纹识别[J].计算机工程与应用.2014
[3].谭琨,杜培军,王小美.特征维数对支持向量机分类器性能影响的研究——以高光谱遥感影像为例[J].测绘科学.2011
[4].相丽,潘峰,苏光伟,申军伟.特征维数对隐写检测的影响分析[J].计算机工程.2010
[5].傅春燕.步态识别中的目标轮廓提取和特征维数约减研究[D].重庆大学.2008
[6].陶跃华,曾瑞,张玉琢.图像特征维数约减的线性变换技术[J].云南师范大学学报(自然科学版).2007
[7].黄昕,张良培,邵振锋,李平湘.基于独立分量分析的纹理特征维数减少[J].武汉大学学报(信息科学版).2006
[8].李昭阳,王元全,夏德深.关于最佳鉴别特征维数问题的讨论[J].计算机学报.2003
[9].李一波,黄小原.用于特征维数不等识别问题的自组织模糊神经网络[J].计算机工程与应用.2003
[10].崔玉红,胡光锐.基于神经网络特征维数压缩方法及其在说话人识别中的应用[C].第十届全国信号处理学术年会（CCSP-2001）论文集.2001