基于微震信號多重分形特征的巖石邊坡變形預警研究，很好的文章
上傳時間： 2020-12-31
上傳用戶：
機器學習對于改進產品、過程和研究有著很?的潛?。但是計算機通常無法解釋他們的預測，這是采?機器學習的障礙。這本書是關于使機器學習模型及其決策可解釋的。 在探索了可解釋性的概念之后，你將學習簡單的、可解釋的模型，例如決策樹、決策規則和線性回歸。后??章重點介紹了解釋?盒模型的模型?關的?般?法，如特征重要性和累積局部效應，以及? Shapley 值和 LIME 解釋單個實例預測。 所有的解釋?法進?了深?說明和批判性討論。它們如何在?盒下?作的？它們的優缺點是什么？ 如何解釋它們的輸出？本書將使你能夠選擇并正確應?最適合你的機器學習項?的解釋?法。 這本書的重點是表格式數據 (也稱為關系數據或結構化數據) 的機器學習模型，較少涉及到計算機 視覺和?然語?處理任務。建議機器學習從業者、數據科學家、統計學家和任何對使機器學習模型 可解釋的?閱讀本書。
標簽： 機器學習
上傳時間： 2021-02-08
上傳用戶：
基于增強算子的污染土雷達圖像特征提取仿真這是一份非常不錯的資料，歡迎下載，希望對您有幫助！
上傳時間： 2021-10-29
上傳用戶：trh505
該文檔為基于特征融合的粒子濾波目標跟蹤講解資料，講解的還不錯，感興趣的可以下載看看…………………………
標簽： 特征融合
上傳時間： 2021-10-29
上傳用戶：XuVshu
紅外圖像檢測技術因具有非接觸、快速等優點，被廣泛應用于電力設備的監測與診斷 中，而對設備快速精確地檢測定位是實現自動檢測與診斷的前提。與普通目標的可見光圖像相比， 電力設備的紅外圖像可能存在背景復雜、對比度低、目標特征相近、長寬比偏大等特征，采用原 始的 YOLOv3 模型難以精確定位到目標。針對此問題，該文對 YOLOv3 模型進行改進：在其骨干 網絡中引入跨階段局部模塊；將路徑聚合網絡融合到原模型的特征金字塔結構中；加入馬賽克 （Mosaic）數據增強技術和 Complete-IoU（CIoU）損失函數。將改進后的模型在四類具有相似波紋 外觀結構的電力設備紅外圖像數據集上進行訓練測試，每類的檢測精度均能達到 92%以上。最后， 將該文方法的測試結果與其他三個主流目標檢測模型進行對比評估。結果表明：不同閾值下，該 文提出的改進模型獲得的平均精度均值優于 Faster R-CNN、SSD 和 YOLOv3 模型。改進后的 YOLOv3 模型盡管在檢測速度上相比原 YOLOv3 模型有所犧牲，但仍明顯高于其他兩種模型。對 比結果進一步驗證了所提模型的有效性。
上傳時間： 2021-10-30
上傳用戶：
基于可分性的多類目標特征選擇算法這是一份非常不錯的資料，歡迎下載，希望對您有幫助！
標簽： 特征選擇
上傳時間： 2021-12-01
上傳用戶：zhanglei193
畢業論文：基于統計特征的不等長間歇過程故障診斷研究這是一份非常不錯的資料，歡迎下載，希望對您有幫助！
標簽： 統計特征
上傳時間： 2022-01-14
上傳用戶：
該文檔為人工神經網絡具有四個基本特征教程文檔，是一份很不錯的參考資料，具有較高參考價值，感興趣的可以下載看看………………
標簽： 人工神經網絡
上傳時間： 2022-02-19
上傳用戶：1208020161
光電探測技術是一種根據目標和背景輻射或者反射的光波在波長和強度之間的差異來進行目標探測的一種技術，它包括從紫外光（02-04um）、可見光（04-0.7um）、紅外光（1~3μm，3~5μm，8~12μm）等多種波段的光信號探測。本文通過對低小慢目標的紅外特性進行分析，提出了一種新的紅外低小慢目標探測算法。低小慢飛行器因為其成本低廉和獲取容易，極易形成黑飛，近年來隨著低小慢目標威脅態勢的增加，國內外關于低小慢目標的管控需求日益增長。但是因為低小慢目標本身種類、制作材料多樣，且很多沒有強熱源，導致其在紅外圖像上與周圍環境成像特征類似，常用的紅外弱小目標探測算法無法充分抑制背景，探測效果較差。當前對于低小慢日標的探測以雷達探測為主，紅外探測算法較少，但國內外很多研究機構都已在陸續開展紅外低小慢目標探測方面的研究。本文主要對以下四點內容進行了研究總結。（1）本文首先以無人機為例對低小慢目標的紅外成像特性進行分析，通過分析低小慢日標與傳統紅外弱小目標在紅外特征差異，總結說明了低小慢目標在紅外圖像上更難與背景區分，同時具有復雜多變的運動軌跡（2）對紅外低小慢目標增強進行了研究，通過對奇異值分解（SVD）后的奇異值矩陣設計非線性變換函數，使重構后圖像中目標所在的高頻部分的對比度得到增強從而使目標和背景之間的區別更加明顯，達到了增強目標的目的。（3）針對 Robinson guard濾波器對極值敏感的問題，對原有的計算方式進行了改進，改進后的 Robinson Guard濾波器可以更有效的區分前景和背景，對于背景的抑制更加充分。（4）在上述研究的基礎上，提出了一種新的紅外低小慢目標探測算法，該算法首先使用本文所用的目標增強方法對目標進行增強，然后使用改進后的 RobinsonGuard濾波器進行背景抑制，最后使用基于局部對比度（LC）的自適應閾值分割方法來提取目標使用真實拍攝的紅外低小慢目標序列圖像對本文方法進行仿真分析，實驗結果表明本文方法具有很好的背景抑制效果，可以有效的實現低小慢目標的探測
標簽： 光電探測
上傳時間： 2022-03-14
上傳用戶：
邊緣（edge）是指圖像局部強度變化最顯著的部分.邊緣主要存在于目標與目標、目標與背景、區域與區域（包括不同色彩）之間，是圖像分割、紋理特征和形狀特征等圖像分析的重要基礎.圖像分析和理解的第一步常常是邊緣檢測（edge detection）.由于邊緣檢測十分重要，因此成為機器視覺研究領域最活躍的課題之一.本章主要討論邊緣檢測和定位的基本概念，并使用幾種常用的邊緣檢測器來說明邊緣檢測的基本問題圖像中的邊緣通常與圖像強度或圖像強度的一階導數的不連續性有關.圖像強度的不連續可分為：（）階躍不連續，即圖像強度在不連續處的兩邊的像素灰度值有著顯著的差異（2）線條不連續，即圖像強度突然從一個值變化到另一個值，保持一個較小的行程后又返回到原來的值.在實際中，階躍和線條邊緣圖像是很少見的，由于大多數傳感元件具有低頻特性，使得階躍邊緣變成斜坡型邊緣，線條邊緣變成屋頂形邊緣，其中的強度變化不是瞬間的，而是跨越一定的距離，這些邊緣如圖6.1所示對一個邊緣來說，有可能同時具有階躍和線條邊緣特性.例如在一個表面上，由一個平面變化到法線方向不同的另一個平面就會產生階躍邊緣：如果這一表面具有鏡面反射特性且兩平面形成的棱角比較圓滑，則當棱角圓滑表面的法線經過鏡面反射角時，由于鏡面反射分量，在棱角圓滑表面上會產生明亮光條，這樣的邊緣看起來象在階躍邊緣上疊加了一個線條邊緣.由于邊緣可能與場景中物體的重要特征對應，所以它是很重要的圖像特征。比如，個物體的輪廓通常產生階躍邊緣，因為物體的圖像強度不同于背景的圖像強度在討論邊緣算子之前，首先給出一些術語的定義：邊緣點：圖像中具有坐標[門且處在強度顯著變化的位置上的點邊緣段：對應于邊緣點坐標[，門及其方位，邊緣的方位可能是梯度角邊緣檢測器：從圖像中抽取邊緣（邊緣點和邊緣段）集合的算法
上傳時間： 2022-04-22
上傳用戶：bluedrops
