• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    訓(xùn)練樣本

    • 基于互鄰信息的樹(shù)型近鄰分類(lèi)方法
      類(lèi)算法輸入:訓(xùn)練樣本集(X1,X2,…,Xn),訓(xùn)練樣本的類(lèi)別標(biāo)簽(C1,C2,…,Cn),測(cè)試樣本Y,測(cè)試樣本的k值。輸出:測(cè)試樣本的預(yù)測(cè)標(biāo)簽L。①計(jì)算測(cè)試樣本Y與訓(xùn)練樣本集(X1,X2,…,Xn)之間的距離(D1,D2,…,Dn);②根據(jù)距離(D1,D2,…,Dn)的遞增關(guān)系完成排序;③選取距離最小的k個(gè)樣本(X1,X2,…,Xk)以及對(duì)應(yīng)的類(lèi)別標(biāo)簽(C1,C2,…,Ck);④計(jì)算k個(gè)樣本所屬類(lèi)別的出現(xiàn)頻率;⑤返回k個(gè)樣本出現(xiàn)頻率最高的類(lèi)別作為測(cè)試樣本

      南京理工大學(xué)學(xué)報(bào) 2023年2期2023-05-24

    • 葉分量分析(LCA)在靜態(tài)圖像識(shí)別中的應(yīng)用①
      始化過(guò)程中將訓(xùn)練樣本的類(lèi)標(biāo)號(hào)賦給該葉分量,通過(guò)訓(xùn)練樣本的葉分量和測(cè)試樣本的葉分量進(jìn)行對(duì)比,將訓(xùn)練樣本的葉分量類(lèi)標(biāo)號(hào)賦予與其最為接近的測(cè)試樣本的葉分量,從而判定測(cè)試樣本對(duì)應(yīng)的具有標(biāo)號(hào)的類(lèi),從而可以達(dá)到模式識(shí)別的目的。模式識(shí)別過(guò)程如圖2所示。圖2 本文模式識(shí)別過(guò)程2 人臉圖片樣本識(shí)別結(jié)果2.1 樣本來(lái)源與分類(lèi)此以O(shè)RL人臉數(shù)據(jù)(http://download.csdn.net/detail/kyszp123/1583590)作為研究對(duì)象,包括400幅不同臉部姿

      佳木斯大學(xué)學(xué)報(bào)(自然科學(xué)版) 2022年4期2022-08-23

    • 基于對(duì)抗推演的訓(xùn)練樣本生成框架
      發(fā)展的核心是訓(xùn)練樣本數(shù)據(jù),缺乏高質(zhì)量強(qiáng)對(duì)抗的訓(xùn)練樣本數(shù)據(jù)支撐。為了有效解決上述問(wèn)題,本文提出了基于對(duì)抗推演的訓(xùn)練樣本數(shù)據(jù)生成框架,建立了訓(xùn)練樣本分類(lèi)體系,提出了軍事目標(biāo)圖像、目標(biāo)航跡等典型訓(xùn)練樣本表征模型;建立了基于對(duì)抗推演的的訓(xùn)練樣本生成框架,提出了基于規(guī)則與微分方程求解相結(jié)合的智能空戰(zhàn)訓(xùn)練樣本生成方法,依據(jù)紅藍(lán)雙方的行為決策模型,開(kāi)展對(duì)抗式仿真推演,積累訓(xùn)練樣本數(shù)據(jù)。生成的訓(xùn)練樣本數(shù)據(jù)一方面,用于軍事智能目標(biāo)識(shí)別、情報(bào)處理、智能態(tài)勢(shì)認(rèn)知、智能指揮決策等

      火力與指揮控制 2022年4期2022-07-25

    • 基于隸屬度的模糊加權(quán)k 近質(zhì)心近鄰算法
      過(guò)已知類(lèi)別的訓(xùn)練樣本尋找待測(cè)樣本的k個(gè)近鄰,將k個(gè)近鄰中出現(xiàn)頻率最高的類(lèi)別作為待測(cè)樣本的類(lèi)別。由于KNN 算法具有理論簡(jiǎn)單、易于操作等優(yōu)點(diǎn),被認(rèn)為是數(shù)據(jù)挖掘中最簡(jiǎn)單的方法之一[13]。但是,KNN 算法也存在不足:第1 個(gè)問(wèn)題是它沒(méi)有考慮樣本的分布,當(dāng)樣本分布不均勻或樣本中存在噪聲樣本時(shí),分類(lèi)精度會(huì)明顯下降;第2 個(gè)問(wèn)題是所有訓(xùn)練樣本具有同等重要性,判斷待分類(lèi)樣本的類(lèi)別時(shí)沒(méi)有考慮k個(gè)近鄰的區(qū)別;第3 個(gè)問(wèn)題是使用單一的多數(shù)投票原則進(jìn)行分類(lèi)決策。以上3 個(gè)問(wèn)

      計(jì)算機(jī)工程 2022年7期2022-07-14

    • 基于條件變分自編碼器的射線樣本生成算法*
      絡(luò)的射線數(shù)據(jù)訓(xùn)練樣本數(shù)為5 900(該樣本是從所有,即59 000 個(gè)樣本中,挑選出并能代表整體樣本特征的樣本集),預(yù)測(cè)樣本數(shù)為1 000。將預(yù)測(cè)誤差>10%的用戶稱(chēng)為高誤差用戶,預(yù)測(cè)誤差≤10%的用戶稱(chēng)為普通用戶。將輸入預(yù)測(cè)樣本到訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)中得出的信道幅值與系統(tǒng)級(jí)仿真得出的信道幅值相比,會(huì)發(fā)現(xiàn)存在較多的偏差。通過(guò)觀察BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果可以發(fā)現(xiàn),預(yù)測(cè)誤差較大的高誤差用戶普遍與訓(xùn)練集中訓(xùn)練樣本的相似度較低。故根據(jù)預(yù)測(cè)用戶與訓(xùn)練集之間的余弦距

      通信技術(shù) 2022年4期2022-05-10

    • 基于輸出信雜噪比的機(jī)載雷達(dá)訓(xùn)練樣本選擇算法
      [3-4],訓(xùn)練樣本的雜波特性可能與CUT 不一致,導(dǎo)致利用訓(xùn)練樣本對(duì)CUT 的CCM 的估計(jì)精度降低,從而使STAP性能惡化。為解決非均勻訓(xùn)練樣本對(duì)STAP 性能的影響,研究者提出了一系列非均勻檢測(cè)器,用于剔除非均勻樣本?;趶V義內(nèi)積(generalized inner product,GIP)的訓(xùn)練樣本選擇算法可用于非均勻訓(xùn)練樣本的篩選[5],然而GIP 算法采用樣本協(xié)方差矩陣表征CUT 雜波特性,并不能直接表征CUT 本身的雜波特性,因此所選擇的樣本

      電子科技大學(xué)學(xué)報(bào) 2021年5期2021-10-13

    • 回波功率篩選與數(shù)字地表分類(lèi)數(shù)據(jù)輔助的低空風(fēng)切變風(fēng)速估計(jì)方法
      距離單元作為訓(xùn)練樣本對(duì)待測(cè)距離單元的雜波協(xié)方差矩陣進(jìn)行估計(jì),進(jìn)而得到一個(gè)最大似然準(zhǔn)則下的最優(yōu)濾波器[9],但在雷達(dá)的實(shí)際工作環(huán)境中,由于地表起伏等原因,不同的訓(xùn)練樣本之間很難滿足獨(dú)立同分布的條件,同時(shí)不同距離單元的雜波回波功率存在嚴(yán)重的非均勻性,導(dǎo)致估計(jì)得到的雜波協(xié)方差矩陣失配,無(wú)法充分抑制強(qiáng)雜波,嚴(yán)重影響風(fēng)速估計(jì)結(jié)果的準(zhǔn)確性。圍繞非均勻雜波環(huán)境下的STAP問(wèn)題,研究者開(kāi)展了大量的研究,提出了很多具有重要意義和實(shí)際應(yīng)用價(jià)值的雜波抑制算法,主要包括功率選擇訓(xùn)

      電子與信息學(xué)報(bào) 2021年8期2021-08-26

    • 廣義近鄰選取的KGNN 改進(jìn)算法研究
      足夠近的那些訓(xùn)練樣本,即只使用了輸入樣本的近鄰信息,可以看作是一種單向選擇過(guò)程。在實(shí)際應(yīng)用中,訓(xùn)練樣本的近鄰信息對(duì)于分類(lèi)判決同樣具有重要作用,它們的近鄰也可以被用來(lái)判斷它們與輸入樣本之間的鄰近性[1]。因此,為了同等地考慮輸入樣本和訓(xùn)練樣本的作用,提出一種雙向近鄰選擇方法,即K 廣義近鄰(KGNN,k-general nearest neighbor)算法[2]。算法的基本思想是:尋找輸入樣本的K 近鄰訓(xùn)練樣本,采用K 近鄰包含輸入樣本的訓(xùn)練樣本作為廣義近

      河北軟件職業(yè)技術(shù)學(xué)院學(xué)報(bào) 2020年4期2020-12-21

    • 一種半監(jiān)督人臉數(shù)據(jù)可分性特征提取方法?
      接對(duì)人臉數(shù)據(jù)訓(xùn)練樣本進(jìn)行特征提取,存在以下問(wèn)題:1)訓(xùn)練樣本過(guò)少,造成類(lèi)內(nèi)散布矩陣奇異,無(wú)法求解;2)無(wú)法利用無(wú)類(lèi)標(biāo)樣本,即不能提取出無(wú)類(lèi)標(biāo)樣本中的可分性信息;3)原始數(shù)據(jù)維數(shù)過(guò)高,使得特征提取速度慢;4)單一的可分性特征提取方法,導(dǎo)致效果不理想,數(shù)據(jù)在LDA 特征子空間識(shí)別率較低。為提高人臉數(shù)據(jù)的識(shí)別率和識(shí)別速度,本文提出一種結(jié)合SCC 和LDA 的人臉數(shù)據(jù)半監(jiān)督可分性特征提取方法——SCC-LDA。SCC-LDA 先采用SCC 獲取保留人臉數(shù)據(jù)固有空間

      計(jì)算機(jī)與數(shù)字工程 2020年7期2020-10-09

    • 極坐標(biāo)變換下的基于表示的分類(lèi)方法
      測(cè)試樣本能被訓(xùn)練樣本(近似)線性表示,并通過(guò)求最小表示誤差來(lái)對(duì)測(cè)試樣本進(jìn)行分類(lèi). 早在2007 年,文獻(xiàn)[1]提出一種基于回歸分析的分類(lèi)方法,該方法的基本思想與Naseem 等[2]在2010 年提出的著名的線性回歸分類(lèi)器(Linear Regression Classification,LRC)相似. 2009 年,Wright 等[3]提出了稀疏表示分類(lèi)器(Sparse Representation Classification,SRC).文獻(xiàn)[4]提

      五邑大學(xué)學(xué)報(bào)(自然科學(xué)版) 2020年3期2020-09-14

    • 基于多樣本擴(kuò)充的卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別算法*
      樣本作為新的訓(xùn)練樣本集,輸入CNN網(wǎng)絡(luò)得到更新權(quán)值,然后通過(guò)目的訓(xùn)練樣本集訓(xùn)練CNN提取更多隱藏的人臉圖像特征,最后使用支持向量機(jī)SVM(Support VectorMachine)[13]特征提取后進(jìn)行分類(lèi)。SVM在解決小樣本、非線性和高維模式識(shí)別問(wèn)題具有良好的性能。該算法與其他算法不同之處在于:1)在鏡像圖的基礎(chǔ)上,利用平滑中值樣本構(gòu)造新的虛擬樣本作為新的訓(xùn)練樣本集;2)新的訓(xùn)練樣本集輸入CNN網(wǎng)絡(luò)得到更新的權(quán)值,訓(xùn)練CNN網(wǎng)絡(luò)更好地進(jìn)行特征提??;3)

      計(jì)算機(jī)與數(shù)字工程 2020年4期2020-06-18

    • 基于英語(yǔ)翻譯應(yīng)用視角下的計(jì)算機(jī)智能校對(duì)系統(tǒng)開(kāi)發(fā)研究
      智能校對(duì); 訓(xùn)練樣本中圖分類(lèi)號(hào): TP311 ? ? ?文獻(xiàn)標(biāo)志碼: AResearch on the Development of Computer Intelligent Proofreading SystemBased on the Perspective of English Translation ApplicationSUN Rui(Xian Innovation College, Yanan University, Xian 710100)A

      微型電腦應(yīng)用 2020年2期2020-05-11

    • 人工智能
      林;決策樹(shù);訓(xùn)練樣本中圖分類(lèi)號(hào):TP18? ? ? ? 文獻(xiàn)標(biāo)志碼:A? ? ? ? ?文章編號(hào):2095-2945(2020)06-0151-02Abstract: This paper gives an in-depth and brief introduction of the random forest system, which is a commonly used artificial intelligence algorithm, intro

      科技創(chuàng)新與應(yīng)用 2020年6期2020-02-29

    • 應(yīng)用于小樣本的差異字典人臉識(shí)別
      ]。一是由于訓(xùn)練樣本存儲(chǔ)空間的有限性所致,二是因?yàn)樵谳^短的時(shí)間內(nèi)難以取得大量的訓(xùn)練樣本。測(cè)試人臉具有難以預(yù)測(cè)的光照、面部表情和姿勢(shì)變換,使得人臉識(shí)別的準(zhǔn)確度仍需提高。因此,為了應(yīng)對(duì)這些挑戰(zhàn),許多研究人員將注意力集中在小樣本問(wèn)題上,并且設(shè)計(jì)了許多相應(yīng)的方法。其中大多數(shù)研究者使用生成虛擬樣本的方法以解決樣本不足的問(wèn)題。如Hao Zhang等使用正臉和非正臉的角度變化來(lái)生成虛擬訓(xùn)練樣本[2],Yong Xu等提出的生成鏡像臉以擴(kuò)充訓(xùn)練樣本的算法[3],和Ning

      計(jì)算機(jī)工程與設(shè)計(jì) 2020年1期2020-02-08

    • 基于稀疏恢復(fù)的MIMO-STAP離散干擾抑制方法
      需獨(dú)立同分布訓(xùn)練樣本數(shù)至少為2倍系統(tǒng)自由度。然而,雷達(dá)的工作環(huán)境復(fù)雜、多變,在不同距離單元可能存在著除探測(cè)目標(biāo)以外的其他運(yùn)動(dòng)目標(biāo),這些運(yùn)動(dòng)目標(biāo)會(huì)對(duì)訓(xùn)練樣本形成離散干擾。離散干擾的存在會(huì)導(dǎo)致實(shí)際環(huán)境中雜波分布的非均勻性更加嚴(yán)重,使得用于估計(jì)雜波協(xié)方差矩陣的訓(xùn)練樣本很難滿足要求。針對(duì)訓(xùn)練樣本存在的離散干擾問(wèn)題,一般有兩種解決思路:一為研究訓(xùn)練樣本挑選方法,將存在離散干擾的訓(xùn)練樣本直接剔除;二為直接數(shù)據(jù)域法,只使用待檢測(cè)距離單元的數(shù)據(jù),完全避免訓(xùn)練樣本中離散干擾

      探測(cè)與控制學(xué)報(bào) 2019年6期2020-01-08

    • 結(jié)構(gòu)化加權(quán)稀疏低秩恢復(fù)算法在人臉識(shí)別中的應(yīng)用
      的字典,消除訓(xùn)練樣本中的遮擋帶來(lái)的影響,但是并沒(méi)有考慮到測(cè)試樣本中存在遮擋的情況。如果測(cè)試樣本中也存在遮擋且沒(méi)有通過(guò)算法被有效地移除,也將導(dǎo)致測(cè)試樣本無(wú)法正確分類(lèi),會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生很大的影響。針對(duì)樣本中存在污染的問(wèn)題,本文提出一種結(jié)構(gòu)化加權(quán)稀疏低秩恢復(fù)算法。該算法在原始低秩表示的基礎(chǔ)上對(duì)低秩系數(shù)進(jìn)行了加權(quán)和結(jié)構(gòu)化稀疏約束,可以得到一個(gè)結(jié)構(gòu)化的判別低秩系數(shù),而且同類(lèi)樣本的表示系數(shù)會(huì)有更強(qiáng)的相關(guān)性。跟上述方法不同的是,受到Chen等[19]提出的DLRR(di

      智能系統(tǒng)學(xué)報(bào) 2019年3期2019-05-22

    • 局部稀疏表示的魯棒PCA人臉識(shí)別
      魯棒。而且對(duì)訓(xùn)練樣本有一定的依賴(lài)性。近年來(lái)一種對(duì)遮擋魯棒的RPCA[5,6]算法被提出,實(shí)驗(yàn)表明RPCA在圖像恢復(fù)、聚類(lèi)等方面也效果顯著。在文獻(xiàn)[6]中Luan等提出通過(guò)RPCA將測(cè)試樣本分解成低秩和誤差人臉,最后分析誤差人臉,構(gòu)建平滑因子和稀疏因子用于人臉的識(shí)別。然而當(dāng)字典較大時(shí),低秩分解會(huì)變得更復(fù)雜。針對(duì)此問(wèn)題我們提出一種局部稀疏表示的魯棒PCA人臉識(shí)別算法。受稀疏表示的影響,本文提出用稀疏系數(shù)來(lái)選取臨近樣本組成新的字典,即選取前K個(gè)稀疏系數(shù)絕對(duì)值和最

      微型電腦應(yīng)用 2019年4期2019-04-26

    • 基于鏡像臉的FLDA單訓(xùn)練樣本人臉識(shí)別方法?
      的,充分利用訓(xùn)練樣本的類(lèi)別信息,尋找到最有助于分類(lèi)的投影方向子空間。FLDA不僅可以實(shí)現(xiàn)將高維數(shù)據(jù)降低到低維,而且可以盡可能地分離不同類(lèi)的樣本特征,并盡可能壓縮相同的類(lèi)樣本特征。通過(guò)將其應(yīng)用于臉部識(shí)別,Belhumeur[11]提出了的 Fisherface算法,即首先采用PCA將高維數(shù)據(jù)降維,然后運(yùn)用FLDA提取面部判別特征,相關(guān)研究表明基于FLDA算法在實(shí)現(xiàn)分類(lèi)與識(shí)別時(shí)效果將大大超過(guò)PCA算法[13]。使用FLDA進(jìn)行特征提取很大程度上取決于由訓(xùn)練樣本

      計(jì)算機(jī)與數(shù)字工程 2019年1期2019-03-01

    • 適用于海量負(fù)荷數(shù)據(jù)分類(lèi)的高性能反向傳播神經(jīng)網(wǎng)絡(luò)算法
      效果,其根據(jù)訓(xùn)練樣本不斷迭代更新網(wǎng)絡(luò)參數(shù),具有良好的學(xué)習(xí)和容錯(cuò)能力,且不受負(fù)荷成分和特性限制,具有描述復(fù)雜動(dòng)態(tài)行為方面的優(yōu)勢(shì)。其中,反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)算法作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多、也是最成熟的分類(lèi)算法之一,具有極強(qiáng)的函數(shù)逼近與模式分類(lèi)能力,在負(fù)荷模型辨識(shí)中應(yīng)用廣泛。文獻(xiàn)[5]提出了一種基于模糊聚類(lèi)與改進(jìn)的反向傳播(BP)算法的負(fù)荷特性曲線分類(lèi)方法,在C-均值聚類(lèi)得到典型負(fù)荷曲線后,結(jié)

      電力系統(tǒng)自動(dòng)化 2018年21期2018-11-26

    • 最大似然分類(lèi)的訓(xùn)練樣本敏感度研究
      根據(jù)是否需要訓(xùn)練樣本,遙感影像分類(lèi)方法分為非監(jiān)督分類(lèi)和監(jiān)督分類(lèi)。非監(jiān)督分類(lèi)是在沒(méi)有先驗(yàn)類(lèi)別知識(shí)的情況下,根據(jù)圖像自身的統(tǒng)計(jì)特征以及自然點(diǎn)群的分布情況來(lái)劃分地物類(lèi)別的分類(lèi)技術(shù)[2]。監(jiān)督分類(lèi)是以建立的統(tǒng)計(jì)識(shí)別函數(shù)為理論基礎(chǔ),依據(jù)典型的樣本訓(xùn)練方法進(jìn)行分類(lèi)的技術(shù),例如最小距離法、最大似然法和神經(jīng)元網(wǎng)絡(luò)分類(lèi)法等[3]。相比非監(jiān)督分類(lèi),監(jiān)督分類(lèi)不僅能確定分類(lèi)類(lèi)別,而且具更高的精度。在監(jiān)督分類(lèi)中,樣本的選取對(duì)分類(lèi)結(jié)果的精度十分重要。許多學(xué)者從樣本數(shù)量和質(zhì)量等方面,分

      中國(guó)農(nóng)業(yè)信息 2018年2期2018-07-28

    • 基于稀疏樣本選優(yōu)的機(jī)載雷達(dá)動(dòng)目標(biāo)檢測(cè)算法
      協(xié)方差矩陣的訓(xùn)練樣本充足、滿足獨(dú)立同分布(independent and identically distributed,IID)時(shí)才不會(huì)影響動(dòng)目標(biāo)的檢測(cè)性能。然而,機(jī)載雷達(dá)實(shí)際工作在非均勻環(huán)境中,上述條件很難滿足。當(dāng)訓(xùn)練樣本中存在干擾目標(biāo)時(shí)會(huì)引起信號(hào)相消,造成漏警,降低對(duì)動(dòng)目標(biāo)的檢測(cè)性能。針對(duì)此問(wèn)題,學(xué)者們提出利用非均勻檢測(cè)器(nonhomogeneous detector,NHD)[5]來(lái)檢測(cè)訓(xùn)練樣本中是否含有干擾目標(biāo),對(duì)含有干擾目標(biāo)的訓(xùn)練樣本加以剔除

      系統(tǒng)工程與電子技術(shù) 2018年5期2018-04-26

    • 基于先驗(yàn)信息稀疏恢復(fù)的非均勻樣本檢測(cè)方法
      (IID)的訓(xùn)練樣本來(lái)估計(jì)雜波協(xié)方差矩陣。然而,雜波環(huán)境并不是理想的,而是非均勻的、非平穩(wěn)的,尤其是當(dāng)訓(xùn)練樣本被干擾目標(biāo)(運(yùn)動(dòng)目標(biāo)或者強(qiáng)散射點(diǎn))污染時(shí),將會(huì)引起雜波協(xié)方差矩陣估計(jì)不準(zhǔn),進(jìn)而導(dǎo)致目標(biāo)信號(hào)自相抵消[3]。為了解決樣本非均勻?qū)е耂TAP目標(biāo)檢測(cè)性能下降的問(wèn)題,必須要剔除被干擾目標(biāo)污染的訓(xùn)練樣本。廣義內(nèi)積(GIP)方法[4-5]作為一種典型的非均勻檢測(cè)器(NHD),可以用來(lái)剔除非均勻環(huán)境中被污染的訓(xùn)練樣本,但是當(dāng)訓(xùn)練樣本中包含的被污染樣本數(shù)比較多時(shí)

      兵工學(xué)報(bào) 2018年2期2018-03-20

    • 基于常數(shù)矩陣改進(jìn)的SRC算法
      該樣本在所有訓(xùn)練樣本構(gòu)成的字典上的稀疏系數(shù),之后利用稀疏系數(shù)與訓(xùn)練樣本重構(gòu)測(cè)試樣本,最后將測(cè)試樣本分配給重構(gòu)誤差最小的類(lèi)別。SRC算法可以直接利用原始像素進(jìn)行人臉識(shí)別,從而避免了預(yù)處理的過(guò)程。除此之外,SRC算法對(duì)表情變化、圖像遮擋具有一定程度的魯棒性。但是,在將稀疏表示人臉識(shí)別算法應(yīng)用于實(shí)際中,常常需要在兩個(gè)方面進(jìn)行改進(jìn)。首先,是要突破人臉圖像對(duì)齊的假設(shè),因?yàn)樵趯?shí)際環(huán)境中人臉的圖像是不對(duì)齊。但是更重要的是,在實(shí)際環(huán)境中,常常會(huì)發(fā)現(xiàn)可用的訓(xùn)練樣本非常稀少。

      現(xiàn)代計(jì)算機(jī) 2018年3期2018-03-15

    • 支持向量機(jī)研究綜述
      兩類(lèi)分類(lèi)對(duì)于訓(xùn)練樣本是線性可分的情況,即只要一個(gè)超平面H就能正確劃分所有訓(xùn)練樣本的類(lèi)別。給定一個(gè)訓(xùn)練樣本(G1,a1),(G2,a2),…,(G1,a1),其中,G1∈Rn,i=1,2,…,l,a1 ∈{-1,+1}是Gi對(duì)應(yīng)的類(lèi)別,則線性可分兩類(lèi)分類(lèi)支持向量機(jī)求解下列問(wèn)題:3.有向無(wú)環(huán)圖分類(lèi)有向無(wú)環(huán)圖分類(lèi)是在一對(duì)一分類(lèi)方法的基礎(chǔ)上提出的。對(duì)于類(lèi)別數(shù)量為M的訓(xùn)練樣本,與一對(duì)一分類(lèi)方法類(lèi)似地,有向無(wú)環(huán)圖方法構(gòu)造M(M-1)/2個(gè)兩類(lèi)分類(lèi)支持向量機(jī),每個(gè)兩類(lèi)分

      知識(shí)窗·教師版 2018年12期2018-02-22

    • 基于結(jié)構(gòu)化低秩表示和低秩投影的人臉識(shí)別算法*
      思想是將所有訓(xùn)練樣本作為字典,得到測(cè)試樣本在字典矩陣上的編碼系數(shù),然后通過(guò)最小殘差法分類(lèi)。SRC處理遮擋或隨機(jī)像素破壞時(shí)在原始字典上添加了單位矩陣作為遮擋字典,這樣可以很好地處理測(cè)試樣本中存在的遮擋和像素破壞。然而,當(dāng)樣本維數(shù)比較高時(shí),SRC的時(shí)間復(fù)雜度隨之升高。為了解決這個(gè)問(wèn)題,Yang等人[6]提取圖像的Gabor特征,然后對(duì)遮擋部分進(jìn)行字典學(xué)習(xí),這樣遮擋字典的規(guī)模會(huì)降低,加快了稀疏編碼的速度。Ou等人[7]提出了遮擋字典學(xué)習(xí)方法,使得測(cè)試樣本在原始訓(xùn)

      計(jì)算機(jī)工程與科學(xué) 2018年1期2018-01-26

    • 基于自步學(xué)習(xí)的加權(quán)稀疏表示人臉識(shí)別方法
      本相差較大的訓(xùn)練樣本,并且沒(méi)有考慮到表示系數(shù)的局部信息,從而導(dǎo)致分類(lèi)結(jié)果不穩(wěn)定。提出一種基于自步學(xué)習(xí)的加權(quán)稀疏表示算法SPL-WSRC,在字典中有效剔除與待測(cè)樣本相差較大的訓(xùn)練樣本,并利用加權(quán)手段考慮樣本間的局部信息,以提高分類(lèi)精度和穩(wěn)定性。通過(guò)3個(gè)典型的人臉數(shù)據(jù)集中的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,所提算法優(yōu)于原稀疏表示算法SRC,特別是當(dāng)訓(xùn)練樣本足夠多時(shí),效果更明顯?;谙∈璞硎镜姆诸?lèi)方法;分類(lèi);自步學(xué)習(xí); 加權(quán)系數(shù);人臉識(shí)別0 引言人臉識(shí)別作為模式識(shí)別中最為典型

      計(jì)算機(jī)應(yīng)用 2017年11期2018-01-08

    • 基于分水嶺的圖像分割訓(xùn)練樣本的自動(dòng)選擇和標(biāo)注
      嶺的圖像分割訓(xùn)練樣本的自動(dòng)選擇和標(biāo)注張榮1,張爍2(1.山西醫(yī)科大學(xué),山西 太原 030001;2.山西青年職業(yè)學(xué)院,山西 太原 030032)圖像分割是圖像理解、模式識(shí)別、計(jì)算機(jī)視覺(jué)等研究方向的一個(gè)重要研究?jī)?nèi)容。圖像分割的方法有很多,將支持向量機(jī)(Support Vector Machine,SVM)應(yīng)用于圖像分割已是一種較為廣泛的分割方法,但該方法大多采用人工方式來(lái)選取訓(xùn)練樣本,降低了圖像分割的自適應(yīng)性,且有可能影響圖像分割的質(zhì)量,因此基于支持向量機(jī)的

      山西大學(xué)學(xué)報(bào)(自然科學(xué)版) 2017年4期2018-01-02

    • 訓(xùn)練樣本不足時(shí)的子空間信號(hào)檢測(cè)方法*
      10046)訓(xùn)練樣本不足時(shí)的子空間信號(hào)檢測(cè)方法*楊 星1,王利才2,楊 洋3,王鶴磊2,劉維建**2(1.解放軍94402部隊(duì),濟(jì)南 250022;2.空軍預(yù)警學(xué)院 黃陂士官學(xué)校,武漢 430019;3.解放軍駐720廠軍事代表室,南京 210046)為了解決訓(xùn)練樣本不足時(shí)的子空間信號(hào)檢測(cè)問(wèn)題,提出了兩種有效的降秩檢測(cè)器?;谥鞣至糠治?PCA)的思想,先把常規(guī)自適應(yīng)子空間檢測(cè)器中采樣協(xié)方差矩陣(SCM)的求逆運(yùn)算用噪聲特征子空間矩陣與其共軛轉(zhuǎn)置的乘積代替

      電訊技術(shù) 2017年9期2017-09-18

    • 概率神經(jīng)網(wǎng)絡(luò)的平滑參數(shù)分析及在地震屬性分析中的應(yīng)用
      對(duì)平滑參數(shù)和訓(xùn)練樣本的選取方法進(jìn)行研究。在分析了平滑參數(shù)對(duì)網(wǎng)絡(luò)分類(lèi)符合率的影響后,利用取值試驗(yàn)得到樣本歸一化情況下平滑參數(shù)的最優(yōu)取值區(qū)間。在此基礎(chǔ)上進(jìn)行訓(xùn)練樣本選取的隨機(jī)性、均勻性及數(shù)量試驗(yàn),發(fā)現(xiàn)均勻選取各類(lèi)訓(xùn)練樣本時(shí),小樣本量能使網(wǎng)絡(luò)獲得較高的分類(lèi)符合率,而大樣本量則能得到更高的分類(lèi)符合率。X工區(qū)的實(shí)際應(yīng)用結(jié)果表明,概率神經(jīng)網(wǎng)絡(luò)在少井情況下具備一定的應(yīng)用潛力,可作為勘探初期利用地震屬性進(jìn)行模式識(shí)別的一種選擇。概率神經(jīng)網(wǎng)絡(luò);訓(xùn)練樣本;平滑參數(shù);地震屬性分析

      石油物探 2017年4期2017-08-30

    • 基于兩段稀疏表示方法的3D掌紋識(shí)別方法
      c個(gè)類(lèi)和n個(gè)訓(xùn)練樣本:x1,x2,……,xn。如果訓(xùn)練樣本來(lái)自第l類(lèi)(l=1,2,……,n),則將l作為類(lèi)標(biāo)簽。用全局方法假設(shè)的測(cè)試樣本可以近似地看成所有訓(xùn)練樣本的線性組合表示。不同地,TIPS僅使用訓(xùn)練樣本的一部分作為測(cè)試樣本。1.1 TPTSR的第一階段TPTSR的第一階段使用所有訓(xùn)練樣本來(lái)表示每個(gè)測(cè)試樣本,并利用表示結(jié)果來(lái)從訓(xùn)練樣本集合中識(shí)別測(cè)試樣本的M個(gè)最近鄰。如果首先假定以下等式近似滿足:式(1)中,y是測(cè)試樣本,ai是系數(shù)??梢詫⑹剑?)重寫(xiě)為

      河南科技 2017年3期2017-04-15

    • 基于小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)研究
      為小波網(wǎng)絡(luò)的訓(xùn)練樣本,成功實(shí)現(xiàn)了該網(wǎng)絡(luò)的流量預(yù)測(cè)。試驗(yàn)仿真結(jié)果表明,構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)模型可以很好地實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)流量的高精度預(yù)測(cè)。關(guān)鍵詞: 小波神經(jīng)網(wǎng)絡(luò); 網(wǎng)絡(luò)流量; 預(yù)測(cè)研究; 訓(xùn)練樣本中圖分類(lèi)號(hào): TN711?34 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2016)23?0098?02Research on network traffic prediction based on wavelet neural networkLI Xin, SUN

      現(xiàn)代電子技術(shù) 2016年23期2017-01-12

    • 基于稀疏學(xué)習(xí)的kNN分類(lèi)
      定的,另外,訓(xùn)練樣本中可能存在的噪聲能影響分類(lèi)結(jié)果。針對(duì)以上存在的兩個(gè)問(wèn)題,本文提出一種新的基于稀疏學(xué)習(xí)的kNN分類(lèi)方法。本文用訓(xùn)練樣本重構(gòu)測(cè)試樣本,其中,l1-范數(shù)導(dǎo)致的稀疏性用來(lái)對(duì)每個(gè)測(cè)試樣本用不同數(shù)目的訓(xùn)練樣本進(jìn)行分類(lèi),這解決了kNN算法固定k值問(wèn)題;l21-范數(shù)產(chǎn)生的整行稀疏用來(lái)去除噪聲樣本。在UCI數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),本文使用的新算法比原來(lái)的kNN分類(lèi)算法能取得更好的分類(lèi)效果。稀疏學(xué)習(xí);重構(gòu);l1-范數(shù);l21-范數(shù);噪聲樣本0 引言模式分類(lèi)是人工

      廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版) 2016年3期2017-01-05

    • 寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
      成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究萬(wàn)曉霞, 梁金星, 劉強(qiáng)(武漢大學(xué) 印刷與包裝系, 湖北,武漢 430079)為解決現(xiàn)有標(biāo)準(zhǔn)色卡或顏色樣本集因數(shù)量大、存在嚴(yán)重顏色冗余而導(dǎo)致的光譜成像工作繁重的問(wèn)題,提出一種基于寬帶光譜成像系統(tǒng)光譜重建誤差最小化的最優(yōu)訓(xùn)練樣本選擇方法. 通過(guò)現(xiàn)有顏色樣本集中最有效樣本的選擇,實(shí)現(xiàn)寬帶光譜成像系統(tǒng)訓(xùn)練樣本的優(yōu)化. 研究通過(guò)偽逆方法進(jìn)行光譜重建,以光譜均方根誤差作為評(píng)價(jià)依據(jù),從顏色樣本集中逐步挑選訓(xùn)練樣本,實(shí)現(xiàn)每次迭代所確定訓(xùn)練

      北京理工大學(xué)學(xué)報(bào) 2016年6期2016-11-22

    • 基于樣本差異的多標(biāo)簽分類(lèi)器評(píng)價(jià)標(biāo)準(zhǔn)預(yù)估
      的方法是觀察訓(xùn)練樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值,訓(xùn)練樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值與測(cè)試樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值無(wú)明確關(guān)系,但是通過(guò)對(duì)訓(xùn)練樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值的觀察,估計(jì)測(cè)試樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)值有一定意義。對(duì)于Hamming loss、One-error、Coverage和Ranking loss,這些評(píng)價(jià)標(biāo)準(zhǔn)關(guān)于測(cè)試樣本集的值往往高于或等于這些評(píng)價(jià)標(biāo)準(zhǔn)在訓(xùn)練樣本集中的估計(jì)值,那么關(guān)于訓(xùn)練樣本集的這些評(píng)價(jià)標(biāo)準(zhǔn)值過(guò)高,其在測(cè)試樣本集中的評(píng)價(jià)標(biāo)準(zhǔn)估計(jì)值也不會(huì)低。對(duì)于Average p

      計(jì)算機(jī)應(yīng)用與軟件 2016年9期2016-11-09

    • 基于稀疏表示的人臉識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
      結(jié)果表明,在訓(xùn)練樣本充分的情況下,系統(tǒng)對(duì)正面無(wú)表情人臉識(shí)別率在99%以上,滿足正常人臉識(shí)別的使用需求;在訓(xùn)練樣本不充分的情況下,識(shí)別率仍可以達(dá)到70%以上,可用于安防預(yù)警。計(jì)算機(jī)圖像處理;人臉識(shí)別;稀疏表示;主成分分析人臉識(shí)別技術(shù)(Face Recognition,F(xiàn)R)[1]涵蓋了生物技術(shù)和計(jì)算機(jī)技術(shù),涉及到計(jì)算機(jī)圖像處理、機(jī)器學(xué)習(xí)、模式識(shí)別、人體生理學(xué)和認(rèn)知科學(xué)等多個(gè)技術(shù)領(lǐng)域[2]。人臉識(shí)別算法已經(jīng)經(jīng)歷了長(zhǎng)時(shí)間的研究,在圖像背景簡(jiǎn)單、樣本充分的情形下,

      電子設(shè)計(jì)工程 2016年17期2016-10-22

    • 融合原始樣本和虛擬樣本的人臉識(shí)別算法
      能獲得少量的訓(xùn)練樣本,但是,在小訓(xùn)練樣本情況下大多數(shù)人臉識(shí)別算法都會(huì)遇到困難。因此,為了提高人臉識(shí)別的分類(lèi)正確率,提出了一種融合原始樣本和虛擬樣本的人臉識(shí)別方法。該方法先利用人臉的對(duì)稱(chēng)性來(lái)構(gòu)造虛擬訓(xùn)練樣本;然后,利用協(xié)同表示方法分別對(duì)原始訓(xùn)練樣本和虛擬訓(xùn)練樣本進(jìn)行分析,并且分別得到每一類(lèi)訓(xùn)練樣本的重建誤差;最后,將原始訓(xùn)練樣本和虛擬訓(xùn)練樣本的同一類(lèi)重建誤差進(jìn)行加權(quán)融合并得到最終的分類(lèi)結(jié)果。大量的實(shí)驗(yàn)結(jié)果比較分析表明,該方法可以獲得更好的識(shí)別效果。人臉識(shí)別;

      電視技術(shù) 2016年9期2016-10-17

    • 訓(xùn)練樣本集結(jié)構(gòu)和稀疏表示分類(lèi)算法的關(guān)系
      006)?論訓(xùn)練樣本集結(jié)構(gòu)和稀疏表示分類(lèi)算法的關(guān)系向順靈 (廣西民族大學(xué)信息科學(xué)與工程學(xué)院,廣西南寧,530006)摘要:近年來(lái),基于表示法的人臉識(shí)別技術(shù)主要都集中在約束條件和字典學(xué)習(xí)。很少有研究用樣本數(shù)據(jù)特征來(lái)確定基于表示分類(lèi)算法的性能。本文定義了結(jié)構(gòu)離散度,表示樣本集的結(jié)構(gòu)特征。實(shí)驗(yàn)結(jié)果表明,具有較高的結(jié)構(gòu)離散度的集合能讓一個(gè)分類(lèi)算法獲得更高的識(shí)別率。關(guān)鍵詞:模式識(shí)別;人臉識(shí)別0 引言1 SRC和訓(xùn)練樣本集的結(jié)構(gòu)關(guān)系在基于標(biāo)準(zhǔn)的分類(lèi)算法中,訓(xùn)練樣本集的

      電子測(cè)試 2016年6期2016-05-23

    • 基于訓(xùn)練樣本集擴(kuò)展的隱式篇章關(guān)系分類(lèi)
      006)基于訓(xùn)練樣本集擴(kuò)展的隱式篇章關(guān)系分類(lèi)朱珊珊,洪 宇,丁思遠(yuǎn),嚴(yán)為絨,姚建民,朱巧明(蘇州大學(xué) 江蘇省計(jì)算機(jī)信息處理技術(shù)重點(diǎn)實(shí)驗(yàn)室,江蘇 蘇州 215006)隱式篇章關(guān)系分類(lèi)主要任務(wù)是在顯式關(guān)聯(lián)線索缺失的情況下,自動(dòng)檢測(cè)特定論元之間的語(yǔ)義關(guān)系類(lèi)別。前人研究顯示,語(yǔ)言學(xué)特征能夠有效輔助隱式篇章關(guān)系的分類(lèi)。目前,主流檢測(cè)方法由于缺少足夠的已標(biāo)注隱式訓(xùn)練樣本,導(dǎo)致分類(lèi)器無(wú)法準(zhǔn)確學(xué)習(xí)各種分類(lèi)特征,分類(lèi)精確率僅約為40%。針對(duì)這一問(wèn)題,該文提出一種基于訓(xùn)練樣本

      中文信息學(xué)報(bào) 2016年5期2016-05-04

    • 基于混合模重構(gòu)的kNN回歸
      值固定問(wèn)題和訓(xùn)練樣本中的噪聲問(wèn)題,提出一種新的基于重構(gòu)的稀疏編碼方法。該方法用訓(xùn)練樣本重構(gòu)每一個(gè)測(cè)試樣本,重構(gòu)過(guò)程中,l1-范數(shù)被用來(lái)確保每個(gè)測(cè)試樣本被不同數(shù)目的訓(xùn)練樣本來(lái)預(yù)測(cè),以此解決kNN算法固定k值問(wèn)題;l2,1-范數(shù)導(dǎo)致的整行稀疏被用來(lái)去除噪聲樣本,以避免數(shù)據(jù)集上的噪聲對(duì)重構(gòu)產(chǎn)生不利影響。實(shí)驗(yàn)在UCI數(shù)據(jù)集上顯示:新的改進(jìn)算法比原來(lái)的kNN算法在線性回歸中具有更好的預(yù)測(cè)效果。關(guān)鍵詞線性回歸稀疏編碼重構(gòu)l1-范數(shù)l2,1-范數(shù)噪聲樣本KNN REGR

      計(jì)算機(jī)應(yīng)用與軟件 2016年2期2016-03-17

    • 基于圖像邊緣位移的有監(jiān)督的稀疏表示分類(lèi)方法
      法的準(zhǔn)確度與訓(xùn)練樣本個(gè)數(shù)有很大的關(guān)聯(lián).通常訓(xùn)練樣本越充分,則該算法分類(lèi)準(zhǔn)確率越高,然而遇到小樣本問(wèn)題時(shí),該算法分類(lèi)準(zhǔn)確率會(huì)明顯降低.針對(duì)小樣本問(wèn)題,提出使用基于圖像邊緣位移的方法,得到和原始訓(xùn)練圖像樣本高度相關(guān)的新樣本,達(dá)到擴(kuò)充訓(xùn)練樣本容量的目的,進(jìn)而提高算法的分類(lèi)準(zhǔn)確率.同時(shí),對(duì)于帶仿射約束的稀疏表示分類(lèi)算法,也可以經(jīng)過(guò)圖像邊緣位移方法來(lái)提高分類(lèi)準(zhǔn)確率.實(shí)驗(yàn)結(jié)果證明,所用方法能夠取得較好的圖像識(shí)別效果.圖像分類(lèi);稀疏表示;訓(xùn)練樣本;仿射約束0 引 言在近

      成都大學(xué)學(xué)報(bào)(自然科學(xué)版) 2016年4期2016-03-07

    • 基于加權(quán)稀疏近鄰表示的人臉識(shí)別
      沒(méi)有考慮不同訓(xùn)練樣本對(duì)測(cè)試樣本的重構(gòu)權(quán)重,同時(shí)為了提高基于稀疏近鄰表示人臉識(shí)別的識(shí)別率,文中提出一種加權(quán)稀疏近鄰表示的人臉識(shí)別算法。首先在每一類(lèi)訓(xùn)練樣本中尋找與測(cè)試樣本最近的k個(gè)樣本,構(gòu)成這一類(lèi)新的訓(xùn)練樣本;然后在每一類(lèi)中都進(jìn)行同樣的操作,從而構(gòu)造一個(gè)新的訓(xùn)練字典,在求解l1范數(shù)最小化的稀疏系數(shù)時(shí),為每一個(gè)新的訓(xùn)練樣本對(duì)應(yīng)的稀疏系數(shù)賦上一個(gè)權(quán)值;最后在新的字典下,根據(jù)重構(gòu)誤差最小化來(lái)完成識(shí)別任務(wù)。在YaleB數(shù)據(jù)庫(kù)和ORL數(shù)據(jù)庫(kù)上的大量實(shí)驗(yàn)結(jié)果表明,文中所

      計(jì)算機(jī)技術(shù)與發(fā)展 2016年2期2016-02-23

    • 支持向量機(jī)在預(yù)測(cè)配煤灰熔點(diǎn)中的應(yīng)用
      熔點(diǎn)時(shí),針對(duì)訓(xùn)練樣本代表性不足的問(wèn)題,提出了一種選取訓(xùn)練樣本的方法。在國(guó)內(nèi)具有代表性的煤灰成分和灰熔點(diǎn)數(shù)據(jù)庫(kù)的基礎(chǔ)上,分別添加現(xiàn)場(chǎng)實(shí)際中不同數(shù)量的灰熔點(diǎn)實(shí)驗(yàn)數(shù)據(jù),將二者的集合作為訓(xùn)練樣本集對(duì)灰熔點(diǎn)進(jìn)行預(yù)測(cè),并對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析。結(jié)果表明:訓(xùn)練樣本的選取對(duì)支持向量機(jī)的預(yù)測(cè)結(jié)果有較大的影響,而向數(shù)據(jù)庫(kù)中添加灰熔點(diǎn)實(shí)驗(yàn)數(shù)據(jù)可以有效改善訓(xùn)練樣本代表性不足的問(wèn)題,配煤灰熔點(diǎn)預(yù)測(cè)值的均方誤差MSE=5.76,最大相對(duì)誤差為6.91%。關(guān)鍵詞:配煤;灰熔點(diǎn);支持向量機(jī);

      電力科學(xué)與工程 2015年8期2016-01-26

    • 基于半監(jiān)督學(xué)習(xí)方法的軟件故障定位研究
      同訓(xùn)練算法;訓(xùn)練樣本軟件故障定位是軟件調(diào)試過(guò)程中最為耗時(shí)和合耗資源的活動(dòng)之一。為了減輕程序員手工排查程序語(yǔ)句的工作量,提高代碼調(diào)試效率和可靠性,研究人員提出了一系列自動(dòng)化的故障定位方法。機(jī)器學(xué)習(xí)方法被廣泛采用?;诒O(jiān)督學(xué)習(xí)方法應(yīng)用較廣,且可靠性高。但是存在一個(gè)重要問(wèn)題,就是大量標(biāo)記樣本的獲取,因?yàn)樵趯?shí)際項(xiàng)目中大量標(biāo)記樣本的獲取極其困難且代價(jià)高昂[1]。針對(duì)標(biāo)記樣本獲取困難這一問(wèn)題,本文提出基于半監(jiān)督學(xué)習(xí)的軟件故障定位方法,應(yīng)用Zhou等人給出的一種命名為C

      西北工業(yè)大學(xué)學(xué)報(bào) 2015年2期2016-01-19

    • 訓(xùn)練樣本對(duì)遙感影像分類(lèi)精度影響研究
      0500)?訓(xùn)練樣本對(duì)遙感影像分類(lèi)精度影響研究高文杰,王金亮*,劉廣杰(云南師范大學(xué) 旅游與地理科學(xué)學(xué)院,云南 昆明 650500)以大理SPOT-5 HRG影像和Landsat TM影像作為數(shù)據(jù)源,在構(gòu)建標(biāo)準(zhǔn)訓(xùn)練樣本數(shù)據(jù)集的基礎(chǔ)上,探索訓(xùn)練樣本對(duì)遙感影像分類(lèi)的影響。選取不同訓(xùn)練樣本數(shù)量組合,分別對(duì)監(jiān)督分類(lèi)中的平行六面體、最小距離、馬氏距離、最大似然法、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)6種分類(lèi)方法進(jìn)行多次實(shí)驗(yàn),并采用Kappa系數(shù)和總體分類(lèi)精度對(duì)實(shí)驗(yàn)分類(lèi)結(jié)果的精度進(jìn)行

      云南地理環(huán)境研究 2015年2期2015-12-26

    • 訓(xùn)練樣本數(shù)量選擇和總體分類(lèi)精度的關(guān)系研究
      方法上,而對(duì)訓(xùn)練樣本數(shù)量選擇和分類(lèi)精度的關(guān)系研究較少。2004年Foody針對(duì)SVM分類(lèi)提出:以地物邊界上較少數(shù)量的混合像元作為訓(xùn)練樣本,可以達(dá)到選取大量純凈樣本作為訓(xùn)練樣本得到的分類(lèi)精度[1]。2005年Van Niel T G等指出,訓(xùn)練樣本數(shù)量選取規(guī)則是每個(gè)地物類(lèi)別需要的樣本數(shù)量為遙感數(shù)據(jù)波段數(shù)的10~30倍,并在此基礎(chǔ)上越多越好[2]。2006年Foody又結(jié)合統(tǒng)計(jì)學(xué)理論,給出了訓(xùn)練樣本數(shù)量的計(jì)算公式[3]。而國(guó)內(nèi)的學(xué)者薄樹(shù)奎、丁琳等于2010年選

      河南城建學(xué)院學(xué)報(bào) 2015年3期2015-12-04

    • 帶虛警抑制的基于歸一化殘差的野值檢測(cè)方法
      法。首先利用訓(xùn)練樣本計(jì)算待考查模式的NR值,其次比較NR值與野值檢測(cè)門(mén)限的相對(duì)大小,從而判斷待考查模式是否為野值。該文理論上推導(dǎo)了野值門(mén)限與虛警概率之間的關(guān)系表達(dá)式,以此為依據(jù)設(shè)置檢測(cè)門(mén)限,可實(shí)現(xiàn)在少量訓(xùn)練樣本情況下仍能抑制虛警率的目的。計(jì)算機(jī)仿真和實(shí)測(cè)數(shù)據(jù)測(cè)試驗(yàn)證了所提方法在野值檢測(cè)和虛警抑制方面的優(yōu)越性能。模式識(shí)別;監(jiān)督;野值檢測(cè);虛警概率;歸一化殘差1 引言野值定義為這樣的樣本,它偏離其他模式太遠(yuǎn)以至于可認(rèn)為它是由不同機(jī)制產(chǎn)生的[1]。野值檢測(cè)被廣泛

      電子與信息學(xué)報(bào) 2015年12期2015-08-17

    • 基于道路信息的知識(shí)輔助空時(shí)自適應(yīng)處理
      STAP)的訓(xùn)練樣本,導(dǎo)致空時(shí)自適應(yīng)處理時(shí)的目標(biāo)自相消,引起漏警。針對(duì)這一問(wèn)題,該文提出一種基于道路信息的知識(shí)輔助(KA)空時(shí)自適應(yīng)處理方法。該方法首先根據(jù)主波束中道路相對(duì)于雷達(dá)的位置估計(jì)道路上車(chē)輛相對(duì)于雷達(dá)的徑向速度,然后得到可能含有主波束車(chē)輛回波信號(hào)的距離-多普勒單元,接著根據(jù)訓(xùn)練樣本與雜波導(dǎo)向矢量和主波束導(dǎo)向矢量的匹配程度判斷這些訓(xùn)練樣本是否包含主波束車(chē)輛回波信號(hào),最后在進(jìn)行空時(shí)自適應(yīng)處理估計(jì)雜波協(xié)方差矩陣時(shí)剔除被主波束車(chē)輛回波信號(hào)污染的訓(xùn)練樣本。理

      電子與信息學(xué)報(bào) 2015年3期2015-07-05

    • 基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程模型研究與應(yīng)用
      S高程模型;訓(xùn)練樣本1 引言BP神經(jīng)網(wǎng)絡(luò)算法是一種反向傳播學(xué)習(xí)算法,把學(xué)習(xí)的結(jié)果反饋到中間層次的隱單元,改變它們的權(quán)系矩陣,從而達(dá)到預(yù)期的學(xué)習(xí)目的,它是一種自適應(yīng)的映射方法,沒(méi)做假設(shè),能減少模型誤差,它是迄今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。(本文原刊于《煤礦開(kāi)采》2014年5月)2 BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)算法包括兩個(gè)方面:信號(hào)的前向傳播和誤差的反向傳播。即計(jì)算實(shí)際輸出時(shí)按從輸入到輸出的方向進(jìn)行,而權(quán)值和閾值的修正從輸出到輸入的方向進(jìn)行,其網(wǎng)絡(luò)模型如圖2-1

      卷宗 2015年3期2015-05-13

    • 基于ELM的作戰(zhàn)方案樣本驗(yàn)證及評(píng)估方法*
      制定作戰(zhàn)方案訓(xùn)練樣本時(shí)容易受主觀性影響的問(wèn)題,提出了基于ELM的樣本驗(yàn)證及評(píng)估方法。首先根據(jù)ELM建立作戰(zhàn)方案樣本的預(yù)測(cè)模型,然后更正錯(cuò)誤標(biāo)記的樣本。仿真實(shí)驗(yàn)表明,利用ELM模型訓(xùn)練更正后的樣本集能有效降低均方根誤差值和提高預(yù)測(cè)的準(zhǔn)確率。與RBF神經(jīng)網(wǎng)絡(luò)相比,訓(xùn)練ELM模型的時(shí)間縮短了98.8%,而且無(wú)需調(diào)節(jié)激活函數(shù)的參數(shù)就可以得到足夠好的泛化性能。超限學(xué)習(xí)機(jī); 徑向基函數(shù);作戰(zhàn)方案;評(píng)估;泛化性能0 引言現(xiàn)代化作戰(zhàn)需要在戰(zhàn)前經(jīng)過(guò)嚴(yán)格論證,建立多個(gè)可行的作

      現(xiàn)代防御技術(shù) 2015年4期2015-05-05

    • 適用于智能傳感器系統(tǒng)的SVM集成研究
      M本質(zhì)是根據(jù)訓(xùn)練樣本集構(gòu)造出最優(yōu)分類(lèi)超平面,使得樣本集可以被該超平面盡可能正確地分開(kāi),并使離超平面最近的向量與超平面之間的距離最大,因此,SVM是無(wú)法進(jìn)行增量學(xué)習(xí)的,這種特性顯然是不滿足智能傳感器系統(tǒng)實(shí)時(shí)性要求。其次,SVM是性能穩(wěn)定的分類(lèi)器,有“災(zāi)難性遺忘”現(xiàn)象。對(duì)于上述問(wèn)題,國(guó)內(nèi)外學(xué)者提出了各種方法用于SVM的增量學(xué)習(xí)[7~9]。與此同時(shí),不少文獻(xiàn)提出利用分類(lèi)器集成來(lái)實(shí)現(xiàn)對(duì)SVM分類(lèi)性能和精度的進(jìn)一步改進(jìn),如Boosting算法和Bagging算法[1

      傳感器與微系統(tǒng) 2014年8期2014-07-01

    • 一種基于類(lèi)間類(lèi)內(nèi)雙權(quán)重圖像分塊PCA的人臉識(shí)別技術(shù)
      法是根據(jù)所有訓(xùn)練樣本分塊圖像的平均圖像來(lái)建立總體散布矩陣,因此在特征提取時(shí)沒(méi)有考慮到不同位置分塊圖像的特征差異.為進(jìn)一步提高人臉識(shí)別的正確率,本文提出一種新的方法.該法首先對(duì)訓(xùn)練樣本圖像建立同類(lèi)圖像空間,根據(jù)同類(lèi)訓(xùn)練樣本的平均圖像與所有訓(xùn)練樣本平均圖像的距離,定義類(lèi)間圖像加權(quán)函數(shù),以增強(qiáng)不同類(lèi)圖像在特征提取中的類(lèi)間區(qū)分度,同時(shí)計(jì)算類(lèi)內(nèi)訓(xùn)練樣本圖像與該類(lèi)平均圖像的距離,定義類(lèi)內(nèi)圖像加權(quán)函數(shù),將此和類(lèi)間加權(quán)函數(shù)相乘,這樣每個(gè)圖像均可獲得一個(gè)權(quán)重.如果權(quán)重越小,

      杭州師范大學(xué)學(xué)報(bào)(自然科學(xué)版) 2014年1期2014-03-23

    • 自適應(yīng)通用學(xué)習(xí)框架改進(jìn)FLDA的人臉識(shí)別
      算法在處理單訓(xùn)練樣本人臉識(shí)別時(shí)由于類(lèi)內(nèi)散布矩陣為零而不能進(jìn)行特征提取的問(wèn)題,提出了一種基于自適應(yīng)通用學(xué)習(xí)框架改進(jìn)FLDA的人臉識(shí)別算法。首先選取一個(gè)合適的通用訓(xùn)練樣本集,計(jì)算其類(lèi)內(nèi)散布矩陣和樣本平均向量;然后,利用雙線性表示算法預(yù)測(cè)單訓(xùn)練樣本的類(lèi)內(nèi)、類(lèi)間散布矩陣,巧妙地解決了單訓(xùn)練樣本類(lèi)內(nèi)散布矩陣為零的問(wèn)題;最后,利用Fisher線性判別分析進(jìn)行特征提取,同時(shí)借助于最近鄰分類(lèi)器完成人臉的識(shí)別。在Yale及FERET兩大通用人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)驗(yàn)證了所提算法的

      電視技術(shù) 2014年7期2014-01-27

    • 基于FBG傳感器網(wǎng)絡(luò)的結(jié)構(gòu)應(yīng)力定位*
      長(zhǎng)漂移值進(jìn)行訓(xùn)練樣本的采集,最終通過(guò)對(duì)測(cè)試數(shù)據(jù)與樣本數(shù)據(jù)的差異度進(jìn)行對(duì)比計(jì)算完成應(yīng)力定位。1 應(yīng)力定位算法本文提出的基于參考數(shù)據(jù)的應(yīng)力定位算法主要基于:施加相同強(qiáng)度應(yīng)力時(shí),應(yīng)力位置距離傳感器越近,傳感器的中心波長(zhǎng)漂移越大。該方法屬于基于靜力學(xué)理論的損傷檢測(cè)方法,在應(yīng)力定位過(guò)程中不需要對(duì)結(jié)構(gòu)的材料特性進(jìn)行分析研究。假設(shè)結(jié)構(gòu)體表面分布有m只FBG傳感器,在對(duì)結(jié)構(gòu)體某個(gè)位置施加應(yīng)力時(shí),該位置會(huì)產(chǎn)生應(yīng)變,同時(shí),應(yīng)變會(huì)以一個(gè)極快的速度傳遞到結(jié)構(gòu)體其他位置,此時(shí)FBG

      傳感器與微系統(tǒng) 2013年7期2013-10-22

    • 改進(jìn)SRC算法在人臉識(shí)別中的應(yīng)用
      決測(cè)試樣本與訓(xùn)練樣本存在偏移誤差的問(wèn)題,本文提出了基于SRC的改進(jìn)算法。該算法將每一類(lèi)的訓(xùn)練樣本單獨(dú)作為訓(xùn)練字典,利用迭代校正和基于金字塔分層機(jī)構(gòu)的運(yùn)動(dòng)偏移估計(jì)方法得到最終的偏移量,最后對(duì)校正后的測(cè)試樣本使用SRC算法實(shí)現(xiàn)分類(lèi)。實(shí)驗(yàn)結(jié)果表明該方法對(duì)于有偏移誤差的人臉圖像具有較好的魯棒性及識(shí)別率。SRC;人臉識(shí)別;迭代校正;運(yùn)動(dòng)偏移估計(jì)基于圖像的人臉識(shí)別技術(shù)是近年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域研究熱點(diǎn)之一,人臉識(shí)別技術(shù)利用從人臉圖像中提取出有效特征信息,與數(shù)據(jù)庫(kù)中的已知人

      電子設(shè)計(jì)工程 2013年4期2013-07-13

    • 基于表示的簡(jiǎn)單快速人臉識(shí)別方法
      而是首先使用訓(xùn)練樣本子集的線性組合來(lái)表示測(cè)試樣本,然后基于表達(dá)式的結(jié)果,對(duì)測(cè)試樣本進(jìn)行分類(lèi)。這種方法已經(jīng)獲得了非常不錯(cuò)的性能,并且被一致認(rèn)為是人臉識(shí)別研究的一個(gè)突破[2]。然而,稀疏表示法有非常高的計(jì)算開(kāi)銷(xiāo),主要是因?yàn)樗蕾?lài)迭代算法來(lái)實(shí)現(xiàn)解決方案。稀疏表示法也可用于乳腺癌的識(shí)別分類(lèi)、信號(hào)處理及圖像分解等[3]。以前的人臉識(shí)別方法通常由特征提取、分類(lèi)器的選擇及分類(lèi)這三個(gè)階段組成。通常,特征提取階段由變換方法實(shí)現(xiàn),如基于獨(dú)立成分分析方法[4]、主成分分析方法[

      電視技術(shù) 2013年17期2013-02-13

    • 基于遺傳算法的形聲輸入法訓(xùn)練樣本生成研究與實(shí)現(xiàn)
      的形聲輸入法訓(xùn)練樣本生成研究與實(shí)現(xiàn)李錕華,段利華,桑志強(qiáng)(大理學(xué)院數(shù)學(xué)與計(jì)算機(jī)學(xué)院,云南大理 671003)在用戶利用輸入法練習(xí)軟件學(xué)習(xí)時(shí),輸入法練習(xí)軟件使用的訓(xùn)練樣本設(shè)計(jì)是否合理,是影響學(xué)習(xí)好壞的重要因素。討論以形聲編碼輸入法練習(xí)軟件訓(xùn)練樣本生成作為研究對(duì)象,根據(jù)用戶設(shè)定的訓(xùn)練目標(biāo),通過(guò)遺傳算法生成符合訓(xùn)練要求的最優(yōu)訓(xùn)練樣本,來(lái)滿足用戶訓(xùn)練要求。輸入法;訓(xùn)練樣本;遺傳算法隨著科學(xué)技術(shù)的不斷發(fā)展,計(jì)算機(jī)被廣泛應(yīng)用于人們的生產(chǎn)生活。在我國(guó),計(jì)算機(jī)應(yīng)用主要圍繞

      大理大學(xué)學(xué)報(bào) 2012年4期2012-11-03

    • 基于壓縮感知的SAR圖像目標(biāo)識(shí)別
      別應(yīng)用時(shí)需由訓(xùn)練樣本構(gòu)造稀疏基,測(cè)試樣本表示為稀疏基的線性組合。當(dāng)假設(shè)任意亮度和表情變化的人臉圖像取決于一個(gè)低維的人臉子空間時(shí),利用壓縮感知的重構(gòu)算法,可以從稀疏表示的結(jié)果中精確恢復(fù)出人臉圖像的表示,根據(jù)各類(lèi)訓(xùn)練樣本的重構(gòu)圖像與測(cè)試樣本之間的距離度量實(shí)現(xiàn)對(duì)目標(biāo)的有效識(shí)別?;谶@種基本思路,壓縮感知理論又被進(jìn)一步引入到人臉表情識(shí)別[5]和三維人臉識(shí)別[6]等領(lǐng)域。本文主要研究將壓縮感知理論應(yīng)用于SAR圖像目標(biāo)識(shí)別,以獲得對(duì)SAR目標(biāo)更優(yōu)的識(shí)別性能。但是值得注

      火控雷達(dá)技術(shù) 2012年4期2012-09-30

    • 用于七段碼識(shí)別的BP網(wǎng)絡(luò)中虛擬樣本的生成
      須搜集大量的訓(xùn)練樣本,這通常要消耗大量人力物力,且在工業(yè)環(huán)境下難以實(shí)現(xiàn),因此,如何在少量訓(xùn)練樣本下,提高BP網(wǎng)絡(luò)的泛化能力,就值得深入研究。1992年,Poggio T和Vetter T[5]提出了虛擬樣本的思想,目前虛擬樣本構(gòu)造方法有:添加噪聲[6]、基于模板[7]、基于高斯變換[8]等方法。本文根據(jù)工業(yè)用七段碼數(shù)顯儀表的特征,采用特定的構(gòu)造方法在原有樣本的基礎(chǔ)上,模擬七段碼碼段重疊,構(gòu)造一定量的虛擬樣本,并增加到訓(xùn)練樣本集中,使訓(xùn)練樣本集的樣本在樣本空

      傳感器與微系統(tǒng) 2012年3期2012-07-25

    99精国产麻豆久久婷婷| 午夜免费鲁丝| 亚洲综合精品二区| 欧美3d第一页| 中文字幕久久专区| 国产男女超爽视频在线观看| 大香蕉久久成人网| 男女边吃奶边做爰视频| 最近手机中文字幕大全| 蜜桃国产av成人99| 热99久久久久精品小说推荐| 国产免费一级a男人的天堂| 日本vs欧美在线观看视频| 人人澡人人妻人| 51国产日韩欧美| 久久国产精品男人的天堂亚洲 | 91午夜精品亚洲一区二区三区| 日日撸夜夜添| 日韩免费高清中文字幕av| 中文字幕免费在线视频6| 日韩成人伦理影院| 美女大奶头黄色视频| 18禁裸乳无遮挡动漫免费视频| 国精品久久久久久国模美| a级毛色黄片| 精品人妻在线不人妻| 国产有黄有色有爽视频| 草草在线视频免费看| 在线观看美女被高潮喷水网站| 99热6这里只有精品| 自线自在国产av| 国产探花极品一区二区| 国产精品国产三级专区第一集| 亚洲综合色网址| 视频中文字幕在线观看| 韩国av在线不卡| 精品人妻在线不人妻| 岛国毛片在线播放| 街头女战士在线观看网站| 91久久精品国产一区二区三区| 久久久久网色| 久久国产精品男人的天堂亚洲 | 日韩中文字幕视频在线看片| 在现免费观看毛片| 久久久国产欧美日韩av| 九九在线视频观看精品| 草草在线视频免费看| 热re99久久国产66热| 女的被弄到高潮叫床怎么办| 夫妻性生交免费视频一级片| 中国三级夫妇交换| 日韩免费高清中文字幕av| 久久久国产欧美日韩av| 国产熟女欧美一区二区| av免费观看日本| 免费大片18禁| 午夜精品国产一区二区电影| 色网站视频免费| 日本wwww免费看| 国产精品久久久久久av不卡| 国产在线一区二区三区精| 日韩熟女老妇一区二区性免费视频| 免费观看a级毛片全部| 青青草视频在线视频观看| 国产精品国产三级国产专区5o| 中国美白少妇内射xxxbb| 视频在线观看一区二区三区| 观看美女的网站| 免费看av在线观看网站| 亚洲无线观看免费| 一区二区三区精品91| 在线观看国产h片| 一级黄片播放器| 男人添女人高潮全过程视频| 久久久午夜欧美精品| 亚洲欧洲精品一区二区精品久久久 | a级毛片黄视频| 91成人精品电影| 插逼视频在线观看| 国产伦精品一区二区三区视频9| 毛片一级片免费看久久久久| 国产精品麻豆人妻色哟哟久久| 九九在线视频观看精品| 国产精品人妻久久久影院| av免费观看日本| 久久 成人 亚洲| 国产爽快片一区二区三区| 人妻制服诱惑在线中文字幕| 亚洲av.av天堂| 日韩免费高清中文字幕av| 亚洲第一av免费看| 日本黄大片高清| 国产男人的电影天堂91| 老司机亚洲免费影院| 丝袜喷水一区| 国产在线免费精品| 日本与韩国留学比较| 极品人妻少妇av视频| 黄片播放在线免费| 亚洲av综合色区一区| 在线精品无人区一区二区三| 亚洲综合色惰| 大香蕉97超碰在线| 美女中出高潮动态图| 精品人妻偷拍中文字幕| 一级毛片电影观看| 韩国av在线不卡| 精品人妻熟女毛片av久久网站| 一区在线观看完整版| 亚洲成人手机| 成人综合一区亚洲| 边亲边吃奶的免费视频| 精品一区在线观看国产| 国产视频内射| 久久女婷五月综合色啪小说| 少妇的逼好多水| 久久精品国产亚洲网站| 免费看光身美女| 26uuu在线亚洲综合色| 大片免费播放器 马上看| 极品少妇高潮喷水抽搐| 国产精品久久久久久久电影| 亚洲精品国产色婷婷电影| 99热这里只有是精品在线观看| 亚洲,欧美,日韩| 免费观看a级毛片全部| 嫩草影院入口| 久久狼人影院| 成人手机av| 国精品久久久久久国模美| 亚洲少妇的诱惑av| av.在线天堂| 免费av中文字幕在线| 日韩一区二区三区影片| 亚洲欧美成人精品一区二区| 精品国产一区二区久久| 婷婷色综合www| 美女中出高潮动态图| 超色免费av| av在线播放精品| 内地一区二区视频在线| 永久网站在线| 久久人人爽av亚洲精品天堂| 精品亚洲成a人片在线观看| 大话2 男鬼变身卡| 一级毛片电影观看| 香蕉精品网在线| 波野结衣二区三区在线| 国产欧美另类精品又又久久亚洲欧美| 国产乱来视频区| 性高湖久久久久久久久免费观看| 18禁裸乳无遮挡动漫免费视频| 国产 精品1| 久久久欧美国产精品| 久久99精品国语久久久| 国产成人a∨麻豆精品| 午夜福利视频在线观看免费| 日韩人妻高清精品专区| 中文精品一卡2卡3卡4更新| 午夜激情av网站| 色5月婷婷丁香| 又大又黄又爽视频免费| 午夜老司机福利剧场| 欧美97在线视频| 天天操日日干夜夜撸| 日韩强制内射视频| 99热这里只有精品一区| 欧美日韩一区二区视频在线观看视频在线| 又粗又硬又长又爽又黄的视频| 丝袜美足系列| 国产精品不卡视频一区二区| 女人精品久久久久毛片| 下体分泌物呈黄色| 国产毛片在线视频| 搡女人真爽免费视频火全软件| 欧美 亚洲 国产 日韩一| 午夜视频国产福利| 亚洲天堂av无毛| 亚洲国产最新在线播放| 国产亚洲av片在线观看秒播厂| 中文天堂在线官网| 在线观看美女被高潮喷水网站| 18禁观看日本| 在线看a的网站| a级毛片免费高清观看在线播放| 久久久久国产精品人妻一区二区| 免费高清在线观看日韩| 国产国拍精品亚洲av在线观看| 日韩一区二区三区影片| 国产精品99久久久久久久久| 我的女老师完整版在线观看| 欧美3d第一页| 美女大奶头黄色视频| 亚洲,一卡二卡三卡| 国产精品蜜桃在线观看| 亚洲国产精品一区二区三区在线| 亚洲欧美日韩卡通动漫| 久久久久久久亚洲中文字幕| 3wmmmm亚洲av在线观看| 色婷婷久久久亚洲欧美| 国产av一区二区精品久久| 日韩中字成人| 欧美xxxx性猛交bbbb| 亚洲在久久综合| 国产一区亚洲一区在线观看| 自线自在国产av| 欧美精品人与动牲交sv欧美| 一区二区三区免费毛片| 午夜视频国产福利| 亚洲怡红院男人天堂| 国产片特级美女逼逼视频| 亚洲久久久国产精品| 一级毛片 在线播放| 丝袜美足系列| 十八禁网站网址无遮挡| 十分钟在线观看高清视频www| 99久久综合免费| 国产又色又爽无遮挡免| 日韩精品有码人妻一区| 老司机影院成人| 在线精品无人区一区二区三| 激情五月婷婷亚洲| 亚洲精品国产av蜜桃| 三级国产精品欧美在线观看| 久久韩国三级中文字幕| 男人添女人高潮全过程视频| 九九久久精品国产亚洲av麻豆| 久久人人爽人人片av| 夫妻性生交免费视频一级片| 国产高清有码在线观看视频| 亚洲丝袜综合中文字幕| 美女主播在线视频| 我要看黄色一级片免费的| 国产伦理片在线播放av一区| 久久人人爽人人爽人人片va| 丁香六月天网| 国产精品成人在线| 99久国产av精品国产电影| 在线精品无人区一区二区三| 精品久久久久久久久av| 纯流量卡能插随身wifi吗| 天天操日日干夜夜撸| 精品少妇内射三级| 国产午夜精品一二区理论片| 日韩中文字幕视频在线看片| 蜜桃久久精品国产亚洲av| 午夜免费男女啪啪视频观看| 天天操日日干夜夜撸| 日韩三级伦理在线观看| 国产成人av激情在线播放 | 久久久a久久爽久久v久久| 中国美白少妇内射xxxbb| 国产精品偷伦视频观看了| 最近中文字幕高清免费大全6| 免费黄网站久久成人精品| 国产在线视频一区二区| 这个男人来自地球电影免费观看 | 水蜜桃什么品种好| 国产淫语在线视频| 国产黄色免费在线视频| 在线观看国产h片| 超碰97精品在线观看| 欧美激情极品国产一区二区三区 | 精品午夜福利在线看| a级毛片黄视频| 18+在线观看网站| 欧美日韩成人在线一区二区| 久久青草综合色| 日日啪夜夜爽| 寂寞人妻少妇视频99o| 亚洲精品久久午夜乱码| 成年女人在线观看亚洲视频| 色婷婷av一区二区三区视频| 国产欧美日韩一区二区三区在线 | 午夜精品国产一区二区电影| 国产 一区精品| 国产片特级美女逼逼视频| 亚洲人成77777在线视频| 丰满迷人的少妇在线观看| 青春草视频在线免费观看| 人人妻人人澡人人看| 韩国av在线不卡| 国产成人精品无人区| 国产成人a∨麻豆精品| 国产毛片在线视频| 精品久久国产蜜桃| 中文字幕人妻熟人妻熟丝袜美| 哪个播放器可以免费观看大片| 五月天丁香电影| 国产免费现黄频在线看| 18禁在线播放成人免费| 美女中出高潮动态图| 99热网站在线观看| 国产精品久久久久久久久免| 成人黄色视频免费在线看| 亚洲精品日本国产第一区| 国产男女超爽视频在线观看| 精品卡一卡二卡四卡免费| 亚洲,欧美,日韩| a级毛片免费高清观看在线播放| 欧美精品高潮呻吟av久久| 一区二区av电影网| 人妻系列 视频| 满18在线观看网站| 日日摸夜夜添夜夜爱| 午夜视频国产福利| 777米奇影视久久| 欧美成人午夜免费资源| 欧美精品一区二区免费开放| 久久精品夜色国产| 午夜福利网站1000一区二区三区| 日韩亚洲欧美综合| 国产熟女欧美一区二区| 精品卡一卡二卡四卡免费| 人妻制服诱惑在线中文字幕| av在线播放精品| 人妻一区二区av| 国产亚洲最大av| 久久狼人影院| 国产精品免费大片| 丁香六月天网| 国产精品国产三级国产av玫瑰| 亚洲精品国产av蜜桃| 亚洲熟女精品中文字幕| 国产亚洲一区二区精品| 亚洲av国产av综合av卡| 国产片特级美女逼逼视频| 夜夜看夜夜爽夜夜摸| 热re99久久国产66热| 日韩,欧美,国产一区二区三区| 搡老乐熟女国产| 成人午夜精彩视频在线观看| 国产精品三级大全| 亚洲三级黄色毛片| 成人国产av品久久久| 国产 一区精品| 国产精品国产三级国产专区5o| 日韩人妻高清精品专区| 国产精品久久久久久精品电影小说| 成人亚洲欧美一区二区av| 国产黄片视频在线免费观看| 十八禁网站网址无遮挡| 国产精品女同一区二区软件| 日韩在线高清观看一区二区三区| 亚洲国产精品一区三区| av视频免费观看在线观看| 爱豆传媒免费全集在线观看| 国产日韩欧美在线精品| 各种免费的搞黄视频| 午夜福利视频在线观看免费| 色婷婷av一区二区三区视频| 午夜福利视频在线观看免费| 精品午夜福利在线看| 国产一区有黄有色的免费视频| 亚洲av男天堂| 亚洲av在线观看美女高潮| 人人妻人人澡人人看| 中文字幕制服av| 男人操女人黄网站| 婷婷色av中文字幕| 欧美日韩在线观看h| 在线免费观看不下载黄p国产| 日韩人妻高清精品专区| 水蜜桃什么品种好| 久久免费观看电影| 最近的中文字幕免费完整| 精品人妻偷拍中文字幕| 国产成人aa在线观看| 亚洲精品aⅴ在线观看| 女性被躁到高潮视频| 精品熟女少妇av免费看| 人妻人人澡人人爽人人| 国产有黄有色有爽视频| 春色校园在线视频观看| 免费观看在线日韩| 婷婷色综合www| 久久人妻熟女aⅴ| 午夜福利影视在线免费观看| 免费观看av网站的网址| 91在线精品国自产拍蜜月| 人妻 亚洲 视频| 搡女人真爽免费视频火全软件| 欧美3d第一页| 国产精品一国产av| 亚洲人与动物交配视频| 18在线观看网站| 青春草国产在线视频| 亚洲精品,欧美精品| 在线观看www视频免费| 天天操日日干夜夜撸| 国产成人aa在线观看| 亚洲精品视频女| 精品国产国语对白av| 自线自在国产av| 精品久久久久久电影网| 久久 成人 亚洲| 热99久久久久精品小说推荐| 综合色丁香网| 久久精品人人爽人人爽视色| 最近手机中文字幕大全| 在线看a的网站| 丝袜脚勾引网站| 亚洲激情五月婷婷啪啪| 少妇熟女欧美另类| 久久久国产精品麻豆| 成人无遮挡网站| .国产精品久久| 91精品伊人久久大香线蕉| 精品人妻熟女毛片av久久网站| av在线播放精品| 人人妻人人澡人人爽人人夜夜| 中国国产av一级| 久久久久久久久久成人| 啦啦啦视频在线资源免费观看| 人妻一区二区av| 亚洲色图综合在线观看| 黄色一级大片看看| 精品国产国语对白av| 色5月婷婷丁香| 97超视频在线观看视频| a 毛片基地| 日韩av不卡免费在线播放| 亚洲人与动物交配视频| av播播在线观看一区| 国产精品久久久久久精品古装| 少妇被粗大猛烈的视频| 高清毛片免费看| 亚洲av成人精品一二三区| 亚洲国产成人一精品久久久| 色吧在线观看| 考比视频在线观看| 伦理电影免费视频| 日韩一区二区视频免费看| 制服人妻中文乱码| 成年人免费黄色播放视频| 99九九线精品视频在线观看视频| 亚洲国产日韩一区二区| 午夜91福利影院| 日本免费在线观看一区| 亚洲国产精品成人久久小说| 亚洲精品乱码久久久久久按摩| 妹子高潮喷水视频| 婷婷色综合大香蕉| 亚洲美女搞黄在线观看| 黑人高潮一二区| 日韩一区二区视频免费看| 国产日韩一区二区三区精品不卡 | 欧美少妇被猛烈插入视频| 国产精品国产av在线观看| 校园人妻丝袜中文字幕| 久久久久久久久久久免费av| 日韩亚洲欧美综合| 久久免费观看电影| 美女视频免费永久观看网站| 七月丁香在线播放| 亚洲三级黄色毛片| 亚洲国产精品一区三区| 成人免费观看视频高清| 亚洲av免费高清在线观看| 91午夜精品亚洲一区二区三区| 超碰97精品在线观看| 国产伦精品一区二区三区视频9| 亚洲不卡免费看| 十分钟在线观看高清视频www| 亚洲丝袜综合中文字幕| 视频中文字幕在线观看| 大陆偷拍与自拍| av电影中文网址| 久久热精品热| 少妇人妻精品综合一区二区| 免费观看a级毛片全部| 新久久久久国产一级毛片| 少妇的逼好多水| 高清视频免费观看一区二区| 亚洲成人手机| 全区人妻精品视频| 亚洲精品国产av成人精品| 天天躁夜夜躁狠狠久久av| 久久精品久久久久久久性| 亚洲怡红院男人天堂| 中文字幕久久专区| 青青草视频在线视频观看| 久久国产精品大桥未久av| 老司机亚洲免费影院| 欧美日韩成人在线一区二区| 久久久久久久久久久丰满| 在线观看三级黄色| 国产精品国产av在线观看| 啦啦啦视频在线资源免费观看| 九色亚洲精品在线播放| 日本与韩国留学比较| 国产在线一区二区三区精| 2018国产大陆天天弄谢| 久久久久久久久久成人| 亚洲欧美清纯卡通| 汤姆久久久久久久影院中文字幕| 18禁动态无遮挡网站| 日韩中文字幕视频在线看片| 国产成人一区二区在线| 插阴视频在线观看视频| 蜜臀久久99精品久久宅男| 纯流量卡能插随身wifi吗| xxx大片免费视频| 少妇的逼水好多| 久久青草综合色| 天堂中文最新版在线下载| 少妇人妻精品综合一区二区| 亚洲美女视频黄频| 人妻 亚洲 视频| 啦啦啦视频在线资源免费观看| 亚洲国产精品一区二区三区在线| 妹子高潮喷水视频| 爱豆传媒免费全集在线观看| 人人妻人人爽人人添夜夜欢视频| 久久午夜福利片| av网站免费在线观看视频| 香蕉精品网在线| 国产精品人妻久久久影院| 麻豆成人av视频| 最近手机中文字幕大全| 久久99蜜桃精品久久| 亚洲国产精品国产精品| 亚洲欧洲精品一区二区精品久久久 | 亚洲精品久久久久久婷婷小说| 熟妇人妻不卡中文字幕| 欧美国产精品一级二级三级| 黄色配什么色好看| 下体分泌物呈黄色| 欧美日韩精品成人综合77777| 欧美一级a爱片免费观看看| 欧美国产精品一级二级三级| 久久精品人人爽人人爽视色| 51国产日韩欧美| 国产精品秋霞免费鲁丝片| 久久精品熟女亚洲av麻豆精品| av国产精品久久久久影院| 免费观看av网站的网址| 国产精品久久久久久精品古装| 爱豆传媒免费全集在线观看| 欧美激情国产日韩精品一区| 亚洲四区av| 一区在线观看完整版| 国产色婷婷99| 国产黄片视频在线免费观看| 亚洲精品aⅴ在线观看| 在线亚洲精品国产二区图片欧美 | 人妻制服诱惑在线中文字幕| 亚洲国产精品成人久久小说| 视频区图区小说| 亚洲欧美色中文字幕在线| 天美传媒精品一区二区| 成人毛片60女人毛片免费| 国产欧美日韩一区二区三区在线 | 成年人免费黄色播放视频| 成年人午夜在线观看视频| 美女主播在线视频| 午夜免费观看性视频| 嫩草影院入口| 国产极品天堂在线| 亚洲国产精品国产精品| 99九九线精品视频在线观看视频| 精品熟女少妇av免费看| 欧美成人精品欧美一级黄| 国产男人的电影天堂91| 少妇高潮的动态图| 午夜激情av网站| 精品久久久久久电影网| 久久亚洲国产成人精品v| 一级毛片我不卡| 91aial.com中文字幕在线观看| 免费少妇av软件| 日日摸夜夜添夜夜爱| 亚洲激情五月婷婷啪啪| 中文字幕人妻熟人妻熟丝袜美| 免费大片18禁| 两个人的视频大全免费| 纯流量卡能插随身wifi吗| 国国产精品蜜臀av免费| videosex国产| 在线免费观看不下载黄p国产| 七月丁香在线播放| 一个人看视频在线观看www免费| 男人爽女人下面视频在线观看| 国产午夜精品久久久久久一区二区三区| 久久久a久久爽久久v久久| 久久99热这里只频精品6学生| 欧美三级亚洲精品| 免费看av在线观看网站| 最近最新中文字幕免费大全7| 亚洲无线观看免费| 在线 av 中文字幕| 欧美日韩在线观看h| 国产亚洲精品第一综合不卡 | 国产精品久久久久久精品古装| 久久久国产一区二区| 波野结衣二区三区在线| 性色av一级| 九色成人免费人妻av| 不卡视频在线观看欧美| 最近2019中文字幕mv第一页| 国产一区二区在线观看av| 麻豆成人av视频| a 毛片基地| 我的女老师完整版在线观看| 欧美日本中文国产一区发布| 狂野欧美白嫩少妇大欣赏| 亚洲精品乱久久久久久| 女人久久www免费人成看片| 免费黄色在线免费观看| 97超视频在线观看视频| 亚洲中文av在线| 99热6这里只有精品| 国产精品人妻久久久影院| 成人亚洲精品一区在线观看| 亚洲五月色婷婷综合|