简介:为了提高图像检索系统的精度,提出了一种基于多种异质特征的新颖哈希函数学习方法.该方法首先利用特征空间中相似样本与非相似样本分布的不平衡性来提升每个弱分类器的性能,从而建立非对称的Boosting框架;然后将一种基于异质特征子空间学习的线性判别弱分类器融入该框架下,并利用每轮算法中的误判样本的信息来依次学习紧致且平衡的哈希编码.该方法能有效地融合具有互补功能的不同模态的信息,实现了检索系统的性能提升.在2个公开数据集上的实验结果表明该方法优于其他算法,由此看出增加多源异质特征和利用不平衡性学习紧致哈希编码都可以大大提高图像检索的精度.
简介:无线传感器网络部署的成功取决于是否能够在其诸如数据的精确性、数据聚类程度以及网络生命周期最大化等问题上,提供一个高质量可靠的性能服务。其中,数据融合机制就特别具有挑战性。如果将一小部分低质量的数据作为数据融合输入,那么极可能对整个数据融合结果产生负面影响。该文提出了改进型分批估计和BP神经网络相结合的多传感器数据融合方法,旨在提高网络的服务质量并减少整个网络的能量消耗。该方法能够辨别和剔除低质量的终端数据,提高数据的精确性;同时,它还能够融合冗余的数据,以减少各站点之间的数据通信消耗,使网络生命周期最大化。通过MATLAB实验仿真,表明该文提出的方法具有良好的数据融合性能;相比于LEACH,有效减少转发数据包量,提高了网络生命期。