2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、現(xiàn)階段新生兒的疼痛評估大多是以人工方式進(jìn)行,可是人工評估不僅占用大量的人力物力資源,還會(huì)因?yàn)樵u估者的主觀感受而產(chǎn)生誤差。因此,有必要建立一個(gè)高效準(zhǔn)確的自動(dòng)識別系統(tǒng)對新生兒疼痛程度進(jìn)行判斷。
  本文利用HLACLF(Higher Order Local Autocorrelation Like Feature,高階局部自相關(guān)類似特征)對圖像進(jìn)行特征提取,再采用mRMR(Minimal Redundancy and Maximal

2、Relevance,最小冗余最大相關(guān))對特征進(jìn)行選擇,最后利用SVM(Support Vector Machine,支持向量機(jī))對特征集進(jìn)行分類判別。本文主要工作內(nèi)容如下:
 ?。?)本文研究了HLAC(Higher Order Local Autocorrelation,高階局部自相關(guān))算法,提出基于HLACLF的特征提取算法,并研究了HLACLF方法在新生兒疼痛表情識別上的應(yīng)用。研究HLACLF在提取特征表情時(shí)不同階次(分別取

3、N=2,N=3),不同的位移距離(窗口大小分別取3×3,5×5,7×7)對識別效果的影響。同時(shí)通過多尺度分辨率圖像結(jié)合的方法解決了HLACLF不具備縮放不變性的缺點(diǎn)。
 ?。?)研究了基于mRMR的特征降維方法,針對特征之間的相關(guān)性和冗余性,采用mRMR特征選擇算法對HLACLF提取到的特征進(jìn)行降維,通過實(shí)驗(yàn)觀察特征降維的維數(shù)對實(shí)驗(yàn)最終結(jié)果的影響。
 ?。?)研究了統(tǒng)計(jì)學(xué)習(xí)理論下的SVM分類器在新生兒疼痛表情識別中的應(yīng)用,研

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論