查全率
- 基于最小哈希的網(wǎng)絡(luò)多路虛假數(shù)據(jù)清洗算法
仿真研究分別從查全率、數(shù)據(jù)清洗效率兩方面驗證本文網(wǎng)絡(luò)多路虛假數(shù)據(jù)清洗有效性,并與文獻(xiàn)[3]、[4]進(jìn)行仿真對比。把剔除的虛假數(shù)據(jù)和真實虛假數(shù)據(jù)個數(shù)的比率定義成查全率,查全率是權(quán)衡數(shù)據(jù)清洗方法優(yōu)劣的關(guān)鍵指標(biāo),查全率越大,表明所檢測的虛假數(shù)據(jù)記錄越多,充分說明了數(shù)據(jù)清洗方法的真實性能。將查全率計算公式寫成(17)式中,Nt表示剔除的虛假數(shù)據(jù)數(shù)量,N是真實虛假數(shù)據(jù)。圖4是本文方法與兩個文獻(xiàn)方法的查全率實驗對比結(jié)果。從圖4可知,三種方法在實驗初期的查全率相差不多,
計算機(jī)仿真 2023年5期2023-07-03
- 基于熱重啟隨機(jī)梯度下降和一類支持向量機(jī)信息融合的戶變關(guān)系辨識方法
間窗個數(shù)增多,查全率和查準(zhǔn)率無法兼顧,且計算時間成本增加。因此,提出了用電量和電壓信息融合的戶變關(guān)系識別方法,根據(jù)經(jīng)驗選取固定個數(shù)的時間窗,基于用電量信息,利用SGDR法進(jìn)行戶變關(guān)系的初步識別,根據(jù)識別結(jié)果剔除異常用戶,以減少樣本中的異常值,提高OC-SVM法的識別率和準(zhǔn)確率?；谟秒娏亢碗妷盒畔⑷诤系膽糇冴P(guān)系識別方法的流程如圖5所示。圖5 算法流程3 結(jié)果與討論為了驗證方法的準(zhǔn)確性,選取江蘇省南京市下轄臺區(qū)2020年4月份用采系統(tǒng)中的用電量和電壓數(shù)據(jù)作為
- 融合BiFPN和YOLOv5s的密集型原木端面檢測方法
查準(zhǔn)率(P)、查全率(R)、P-R調(diào)和均值F1及平均精度(AP)。P、R、F1及AP的計算公式為：Ρ=TP/(TP+FP)×100%(2)R=TP/(TP+FN)×100%(3)F1=2PR/(P+R)(4)(5)式中：TP為正確檢測出的原木數(shù)量；FP為原木出現(xiàn)誤檢的數(shù)量；FN為原木漏檢的數(shù)量；F1取值為0～1；r為積分變量，是對查準(zhǔn)率和查全率乘積的積分；AP為P-R曲線與坐標(biāo)軸包圍的面積。本研究中用的AP30是交并比(IOU)為0.3時不同查全率下的平均
林業(yè)工程學(xué)報 2023年1期2023-02-09
- 基于LightGBM的水質(zhì)預(yù)測模型研究與應(yīng)用
類別的查準(zhǔn)率、查全率分析模型的分類結(jié)果。對于重點關(guān)注的Ⅴ類、Ⅵ類（劣五類）水質(zhì)，計算其查準(zhǔn)率、查全率。Ⅴ類查準(zhǔn)率為40%，Ⅴ類查全率為11.76%，Ⅵ類查準(zhǔn)率為63.16%，Ⅵ類查全率為68.57%。因此，5類水質(zhì)河涌的查準(zhǔn)及查全表現(xiàn)較低，尤其是查全率，原因在于訓(xùn)練樣本中Ⅴ類水質(zhì)河涌的樣本數(shù)過少，模型無法學(xué)習(xí)到相應(yīng)特征。雖然Ⅴ類水質(zhì)的模型效果并不理想，但Ⅵ類水質(zhì)的查準(zhǔn)和查全比較理想，查全率達(dá)到68.57%，Ⅵ類水質(zhì)的模型效果對于河涌黑臭預(yù)警、水質(zhì)惡化預(yù)警有
智能城市 2022年11期2023-01-31
- 基于隨機(jī)森林算法的配電網(wǎng)停電研判方案設(shè)計
電網(wǎng)故障數(shù)據(jù)的查全率以及查準(zhǔn)率。2.1 實驗變電站網(wǎng)絡(luò)實驗的對象配電網(wǎng)絡(luò)，基于如下的變電站網(wǎng)絡(luò)而建立，網(wǎng)絡(luò)簡化圖如圖3所示。圖3 簡化變電站網(wǎng)絡(luò)配電網(wǎng)的信號域數(shù)據(jù)如表1所示。表1 配電網(wǎng)絡(luò)信息域和數(shù)據(jù)在該配電網(wǎng)絡(luò)中，T代表網(wǎng)絡(luò)中的變壓器，L1、L2均為用戶的輸電線路。A、B、C、D代表配電網(wǎng)絡(luò)母線，圖3中的M1～M8均代表配電網(wǎng)絡(luò)中的量測裝置，分別為變頻電源檢測器、電流檢測器、高壓開關(guān)裝置、集中處理器、功率檢測器、饋線終端裝置、遠(yuǎn)程終端單元及數(shù)字量模塊。2
微型電腦應(yīng)用 2022年12期2023-01-30
- 分布式鏈路異常日志采集方法研究
證異常日志鏈路查全率的前提下，提高異常日志采集速率能在業(yè)務(wù)高峰期起到重要作用。本文提出了一種分布式鏈路異常日志采集方法，能在保證異常日志鏈路查全率的前提下，提高異常日志采集速率，以提升服務(wù)異常時的運維排查效率。1 分布式技術(shù)1.1 分布式系統(tǒng)分布式系統(tǒng)是指由多臺在網(wǎng)絡(luò)上分散的計算機(jī)通過網(wǎng)絡(luò)連接而成的系統(tǒng)，系統(tǒng)的計算處理邏輯和控制功能分布在這個系統(tǒng)網(wǎng)絡(luò)的計算機(jī)上。而計算機(jī)的分布式部署就是將微服務(wù)應(yīng)用有規(guī)則地分散在多臺獨立運行的計算機(jī)設(shè)備上，同一功能的微服務(wù)應(yīng)
機(jī)電信息 2022年23期2022-12-13
- 基于語義理解和AI 的電力設(shè)備信息檢索方法
文檔檢索效率、查全率和準(zhǔn)確性[14]。通過對相關(guān)內(nèi)容和用戶需求的比較，提取語義信息；對于知識庫中存在的詞組，使用語義詞典對語義進(jìn)行擴(kuò)展處理，并以表格形式展現(xiàn)給用戶，供用戶自行識別[15]。查詢字符串被擴(kuò)展成搜索引擎查詢，查詢結(jié)果被聚類并呈現(xiàn)給用戶。查詢擴(kuò)展流程如圖2 所示。具體查詢擴(kuò)展過程：首先應(yīng)確定原始查詢串r；然后擴(kuò)展查詢串R，經(jīng)過分詞處理后，將原始查詢串r分解成n個檢索關(guān)鍵詞[16]。其中，關(guān)鍵詞語義相似度最為接近的同義詞數(shù)量為m1,m2,…,mn，
電子設(shè)計工程 2022年22期2022-11-18
- 基于優(yōu)化的YOLOv5模型的車輛檢測與分類研究
速率、查準(zhǔn)率和查全率四項指標(biāo)對不同模型檢測的結(jié)果進(jìn)行評價與分析[5]。表2是改進(jìn)前后的兩種網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過深度學(xué)習(xí)訓(xùn)練后，所得到的模型的平均精度（IoU≥0.5）和每秒幀數(shù)。從表2中可以看出，基于YOLOv5模型平均檢測精度可達(dá)93.8%，傳輸速度為53.1 f/s，而改進(jìn)后的OPYOLOv5可以獲得高達(dá)95.7%的mAP，且傳輸速率也有了提升，可達(dá)到60.5 f/s。對于5種分類的車型而言，卡車和自行車的mAP效果提升最明顯，分別提高了7.0%和2.5%。其
交通科技與管理 2022年20期2022-11-07
- 變工況刀具破損監(jiān)測的半監(jiān)督增量學(xué)習(xí)方法
型存在對破損的查全率低，對正常狀態(tài)的誤報率高的問題。增量學(xué)習(xí)(incremental learning)[18]方法被提出用于應(yīng)對機(jī)器學(xué)習(xí)中的概念漂移(concept drift)[19]，解決機(jī)器學(xué)習(xí)模型對分布變化樣本的識別問題。ZHANG等[20]將自編碼器分為兩部分，在前三層用于提取樣本的共有特征，后三層用于提取樣本的私有特征，通過重建誤差判斷是否發(fā)生了概念漂移，發(fā)生概念漂移后對后三層進(jìn)行學(xué)習(xí)和更新，從而避免增量學(xué)習(xí)過程的災(zāi)難性遺忘。LI等[21]提
計算機(jī)集成制造系統(tǒng) 2022年9期2022-10-11
- 基于SSM框架的“三創(chuàng)”計算機(jī)實驗室開放平臺設(shè)計
室的考勤打卡，查全率較低。張琦利用信息技術(shù)設(shè)計基于網(wǎng)絡(luò)的實驗室信息化管理系統(tǒng)，完成了網(wǎng)絡(luò)綜合實驗室管理平臺的構(gòu)建[7]，但是對于實驗室內(nèi)已完成的結(jié)果數(shù)據(jù)查詢花費時間較長。高飛達(dá)等提出基于GS1體系的檢驗檢測實驗室管理探討，通過智能視頻監(jiān)控系統(tǒng)對實驗室進(jìn)行智能預(yù)警[8]。該系統(tǒng)采用了固定式RFID閱讀器，雖然具有較強(qiáng)的信號收發(fā)能力，但與系統(tǒng)主機(jī)進(jìn)行通信時會由于設(shè)備的移動而使信號中斷，影響實驗室的正常運行。為了解決以上問題，本設(shè)計提出了基于SSM框架的“三創(chuàng)”
蚌埠學(xué)院學(xué)報 2022年5期2022-09-13
- 基于LightGBM的氣象數(shù)據(jù)質(zhì)量控制方法研究*
權(quán)組合，再綜合查全率和查準(zhǔn)率選取閾值，最后獲得氣象數(shù)據(jù)質(zhì)量控制的檢測模型。將LightGBM算法引入氣象數(shù)據(jù)質(zhì)控中，能夠充分發(fā)揮算法與多維氣象數(shù)據(jù)的優(yōu)勢，有效利用多維度數(shù)據(jù)之間存在的相關(guān)性，完成對某種氣象要素的預(yù)測，達(dá)到質(zhì)量控制的目的。圖3 基于LightGBM的質(zhì)控算法流程圖3.2 異常數(shù)據(jù)氣象數(shù)據(jù)質(zhì)量控制的本質(zhì)是時間序列的異常檢測，常見的時間序列異常有4種類型：(a)附加性異常；(b)革新性異常；(c)暫時性異常；(d)移位性異常，如圖4所示。模擬4種
海峽科學(xué) 2022年7期2022-09-01
- 基于情感計算與深度學(xué)習(xí)的彈幕文本敏感詞識別方法
基礎(chǔ)。4.2 查全率對比查全率是被正確檢索的樣本數(shù)與應(yīng)當(dāng)被檢索到的樣本數(shù)之比。設(shè)，識別出的敏感詞為TP，未識別出的敏感詞為FN，查全率公式如下：(5)對比本文方法與傳統(tǒng)方法的查全率，結(jié)果如圖3所示。圖3 查全率對比從圖3分析可知，當(dāng)數(shù)據(jù)集為80個時，傳統(tǒng)識別方法查全率相對較低，這可能是由于數(shù)據(jù)量較小，誤判對實驗結(jié)果影響較大所致，從而降低了查全率。而本文提出的基于情感計算與深度學(xué)習(xí)的彈幕文本敏感詞識別方法的查全率達(dá)到85%以上，能對文本詞匯進(jìn)行綜合分析，提高
常州工學(xué)院學(xué)報 2022年3期2022-07-12
- 基于遷移VGG和線性支持高階張量機(jī)的駕駛行為異常檢測
調(diào)。實驗均采用查全率（實際正例中被分類為正例的比率）進(jìn)行評價。三種算法均在Matlab上進(jìn)行編譯，平臺運行版本為Mat‐lab R2018b，并在操作系統(tǒng)為Windows7，GPU為NVIDIA GeForce RTX 2080Ti，運行內(nèi)存為64G的臺式電腦上運行。3.2 實驗數(shù)據(jù)集實驗數(shù)據(jù)通過安裝在副駕駛上的手機(jī)攝像頭進(jìn)行圖像獲取，記錄駕駛員分心時的行為舉止。該數(shù)據(jù)集總共邀請十位測試員，其中男生7人，女生3人，且每個人的衣著體型等外貌特征均有明顯差異。
機(jī)械設(shè)計與制造 2022年3期2022-04-27
- 基于三層B/S的不動產(chǎn)登記信息模塊化管理平臺設(shè)計
設(shè)計的管理平臺查全率較高，丟包率較低，具有一定的實用性，為信息管理的發(fā)展提供了一定的依據(jù)。2 基于三層B/S的平臺總體架構(gòu)設(shè)計三層B/S 架構(gòu)是一種以“高內(nèi)聚，低耦合”思想為主導(dǎo)的網(wǎng)絡(luò)結(jié)構(gòu)模式，共分為瀏覽器端、中間層和服務(wù)器端3層結(jié)構(gòu)。三層B/S架構(gòu)主要采取瀏覽器請求，服務(wù)器響應(yīng)的工作模式，這種模式統(tǒng)一了客戶端，將系統(tǒng)功能實現(xiàn)的核心部分集中到服務(wù)器上，從而優(yōu)化了平臺的開發(fā)、維護(hù)和使用過程。三層B/S結(jié)構(gòu)不僅簡化了服務(wù)器的工作量，而且支持對不動產(chǎn)登記信息的分
自動化技術(shù)與應(yīng)用 2022年1期2022-02-22
- 基于顏色網(wǎng)絡(luò)圖像檢索方法設(shè)計及應(yīng)用探討
評價指標(biāo)查準(zhǔn)、查全率一般情況下是用來評價檢索性能的相似性檢索準(zhǔn)則，對各個檢索結(jié)果進(jìn)行計算便可以得出查準(zhǔn)、查全率的平均值[6]，以此給出評價。1.2.1 查準(zhǔn)率1.2.2 查全率查準(zhǔn)、查全率分別從準(zhǔn)確性和全面性兩個方面評價了系統(tǒng)的有效性。理論上說是兩者的比例越大越好，但是這兩者又是矛盾體，所以本次系統(tǒng)就要求盡量使查準(zhǔn)率和查全率達(dá)成平衡。1.3 圖像檢索系統(tǒng)性能測試1.3.1 系統(tǒng)優(yōu)越性測試為了突出顏色圖像檢索技術(shù)的優(yōu)越性，選擇了更為客觀的評價方式（查準(zhǔn)率大小
普洱學(xué)院學(xué)報 2021年6期2022-01-14
- 基于機(jī)器學(xué)習(xí)的生活號敏感內(nèi)容感知與預(yù)警系統(tǒng)設(shè)計
基礎(chǔ)上，以信息查全率和敏感信息查準(zhǔn)率為測試指標(biāo)，對本文系統(tǒng)、社交網(wǎng)絡(luò)敏感內(nèi)容檢測系統(tǒng)、無線局域網(wǎng)內(nèi)敏感信息安全檢索系統(tǒng)展開性能檢測。其中，信息查全率是指系統(tǒng)對其所感知的信息作出正確分類的樣本數(shù)與信息實際樣本數(shù)的比值，查全率越高，說明系統(tǒng)在敏感信息感知與預(yù)警過程中漏掉的樣本數(shù)量越少，查全率計算式如式(2)。(2)其中，R表示信息查全率;n表示信息分類正確的數(shù)量;N表示信息的實際數(shù)量。敏感信息查準(zhǔn)率表示不同系統(tǒng)對敏感信息的正確判斷數(shù)量與實際敏感信息數(shù)量的比值，
微型電腦應(yīng)用 2021年11期2021-12-09
- 基于EfficientNet的皮膚癌識別與分類
模型的準(zhǔn)確率和查全率可分別達(dá)到90.78%和88.23%，在保證了準(zhǔn)確率和查全率的前提下，參數(shù)量大大減少，可有效提升臨床醫(yī)學(xué)診斷的效率。關(guān)鍵詞：EfficientNet模型;Adam;皮膚癌識別中圖分類號：TP391.4? ? ? ?文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2021）09-0013-03Skin Cancer Identification and Classification Based on EfficientNetZHANG Ji
現(xiàn)代信息科技 2021年9期2021-11-04
- 多層導(dǎo)電結(jié)構(gòu)缺陷位置和尺寸的無損估計方法研究?
識別的查準(zhǔn)率和查全率，降低缺陷尺寸識別的誤差。1 理論方法1.1 特征提取脈沖渦流檢測信號包含了被測試件的信息，不同的信號特征表征不同的被測試件的結(jié)構(gòu)信息，若多層導(dǎo)電結(jié)構(gòu)存在缺陷會導(dǎo)致磁感應(yīng)強(qiáng)度變化，從而導(dǎo)致檢測到的脈沖渦流檢測信號會對缺陷有一定的反映，電壓出現(xiàn)不同的波峰，因此從時域中分別提取峰值、峰值時間和過零點時間三個特征。如圖1所示，其中，峰值是指激勵信號的上升沿和下降沿同時檢測到瞬態(tài)響應(yīng)信號的最大電壓幅值，過零點時間是指從激勵信號的上升沿或下降沿開
傳感技術(shù)學(xué)報 2021年5期2021-08-27
- 基于人工智能技術(shù)的圖書館信息檢索模型
度、檢索精度、查全率、查準(zhǔn)率、查全率/查準(zhǔn)率曲線作為模型檢索性能測試指標(biāo)。用Q與R分別表示用戶查詢信息以及相關(guān)文檔集，|R|與A分別表示集合內(nèi)文檔數(shù)量以及檢索后返回的文檔集合，|A|與|Ra|分別表示文檔集合的總數(shù)量以及文檔集合R與文檔集合A內(nèi)存在相同文檔的數(shù)量，可得查全率B以及查準(zhǔn)率C，公式如下：查準(zhǔn)率/查全率曲線是指查全率以及查準(zhǔn)率分別為橫軸以及縱軸時所獲取的曲線。檢索精度是指實際檢索相關(guān)文檔數(shù)與全部檢索獲取文檔總數(shù)之比。2.3 測試結(jié)果輸入測試詞語時
電子設(shè)計工程 2021年14期2021-07-30
- 基于信息熵與詞長信息改進(jìn)的TFIDF算法
分類的準(zhǔn)確率、查全率以及F值上都有了較大的提升。使用相同的訓(xùn)練集與測試集，在邏輯回歸分類器上，TFIDF算法的平均準(zhǔn)確率為85.73%，改進(jìn)算法HIDF的平均準(zhǔn)確率達(dá)到92.02%，比TFIDF高出6.29%，表明引入信息熵的思想能夠有效地改進(jìn)TFIDF算法的不足，提升文本分類的準(zhǔn)確度。2.2 詞長信息傳統(tǒng)的TFIDF算法中并未考慮到詞長信息，它將所有長度不同的詞條都統(tǒng)一對待，算法損失了詞長信息這一重要的部分。葉雪梅等[20]也提到，詞條短的詞能夠包含的信
浙江工業(yè)大學(xué)學(xué)報 2021年2期2021-03-29
- 高錯誤率長序列的高敏感度比對
比對的敏感度和查全率.隨著第三代測序技術(shù)的發(fā)展和序列組裝算法的改進(jìn)[12]，分割序列映射(split-read mapping，SRM)[8]成為長序列比對的一種有效策略.它更易于發(fā)現(xiàn)序列中的結(jié)構(gòu)變異錯誤，且可在比對過程中減少結(jié)構(gòu)變異錯誤對比對結(jié)果的影響.比對方法STAR[13]、YAHA[8]、LAMSA[9]、LordFAST[11]采用了該種策略.其思想是：首先將長序列分割成等長的若干片段，并將片段映射到參考基因組，生成片段定位的侯選位置，然后以片段
小型微型計算機(jī)系統(tǒng) 2020年11期2020-12-10
- 基于Mahout的相似重復(fù)數(shù)據(jù)清洗策略研究＊
方法在保證較高查全率與查準(zhǔn)率的同時，比傳統(tǒng)相似重復(fù)數(shù)據(jù)清洗算法更具有擴(kuò)展性，這對大數(shù)據(jù)的處理有較強(qiáng)的實用意義。數(shù)據(jù)清洗；k-means；相似重復(fù)記錄；文本聚類1 引言在信息爆炸的大數(shù)據(jù)時代，大數(shù)據(jù)系統(tǒng)已被許多領(lǐng)域廣泛采用，提供有效的數(shù)據(jù)解決方案。大數(shù)據(jù)系統(tǒng)產(chǎn)生大量的非結(jié)構(gòu)化日志，其中隱藏了許多有價值的信息。但是僅注意數(shù)據(jù)分析而不重視數(shù)據(jù)質(zhì)量問題可能會使研究或分析變得毫無意義，甚至導(dǎo)致災(zāi)難性的后果。因此，對于大數(shù)據(jù)分析和挖掘，數(shù)據(jù)質(zhì)量起著關(guān)鍵作用，數(shù)據(jù)清理是
科技與創(chuàng)新 2020年20期2020-10-24
- 基于標(biāo)準(zhǔn)時序生成的科研熱點預(yù)測及加速方法
降低熱點關(guān)鍵詞查全率。在具體實施過程中，可設(shè)置2.5 預(yù)測加速模塊本模塊負(fù)責(zé)對熱點預(yù)測任務(wù)進(jìn)行加速。在熱點預(yù)測模塊，每個關(guān)鍵詞都要與每個標(biāo)準(zhǔn)熱點時序進(jìn)行DTW距離計算，因此其時間復(fù)雜度為w·｜Z｜，其中w為模塊4（熱點預(yù)測模塊）步驟1）過濾后關(guān)鍵詞的數(shù)量，｜Z｜為Z標(biāo)準(zhǔn)熱點時序的數(shù)量。此方法比較耗時，本模塊基于時序特征前置比較的方式，加快預(yù)測時間。方法如下：1）提取每個 Bβ｜Bβ∈Z的時序特征。 這些時序特征包括均值、方差、最大值、最小值等，Bβ的時序特
山東電力技術(shù) 2020年8期2020-09-02
- 基于改進(jìn)AKAZE算法的圖像特征匹配方法
及算法錯誤率-查全率進(jìn)行對比分析。3.1 匹配實驗實驗圖像在尺度變化、亮度變化、旋轉(zhuǎn)變化、模糊變化情況下的匹配結(jié)果見圖1。在圖像發(fā)生亮度變化、旋轉(zhuǎn)變化和模糊變化3種情況下,本文改進(jìn)算法較AKAZE算法提取的特征點更均勻、數(shù)量更多、匹配準(zhǔn)確率高,表明本文改進(jìn)算法適應(yīng)性更強(qiáng);在圖像發(fā)生尺度變化情況下,提取特征點數(shù)量與AKAZE算法提取的一致,但匹配精度得到提高。圖 1 各算法在彩色圖像下的匹配結(jié)果3.2 特征點提取平均用時對比特征點提取平均用時是衡量算法的重要
西安工程大學(xué)學(xué)報 2020年4期2020-08-20
- 基于塊結(jié)構(gòu)的過程模型隱變遷挖掘方法*
(行為精確度和查全率) 設(shè)σ是一個事件日志的跡,L(σ)為跡σ在一個事件日志中所發(fā)生的次數(shù),Nr和Nm分別表示Petri網(wǎng)的參考模型和挖掘模型,Cr和Cm分別表示Nr和Nm的因果關(guān)系,行為精確度和查全率的計算式分別為定義8[15](結(jié)構(gòu)精確度和查全率) 設(shè)Nr和Nm分別表示Petri網(wǎng)的參考模型和挖掘模型,Cr和Cm分別表示Nr和Nm的因果關(guān)系,結(jié)構(gòu)精確度和查全率的計算公式分別為:2 基于行為輪廓挖掘隱變遷的方法在結(jié)構(gòu)良好的流程中，模型支持的行為被設(shè)計就期
哈爾濱師范大學(xué)自然科學(xué)學(xué)報 2020年6期2020-05-13
- 基于局部估計密度的局部離群點檢測算法
需要提高算法的查全率.針對這種情況,提出一種新的基于局部估計密度的局部離群點檢測算法LOLED(Local Outlier Detection Based on Local Estimation Density),該算法利用核密度估計方法計算數(shù)據(jù)集中每個數(shù)據(jù)的局部估計密度,為了反映數(shù)據(jù)集中每個數(shù)據(jù)的局部范圍內(nèi)的稀疏密集程度對其密度計算結(jié)果的影響,對核密度估計方法進(jìn)行優(yōu)化,使帶寬的值可以根據(jù)局部范圍內(nèi)稀疏密集程度的不同進(jìn)行調(diào)整;然后用局部估計密度計算局部離群
小型微型計算機(jī)系統(tǒng) 2020年2期2020-05-09
- 基于空間信息支持的圖書館個性化資源集成系統(tǒng)設(shè)計
讀者信息查詢的查全率與查準(zhǔn)率。1 圖書館個性化資源集成系統(tǒng)設(shè)計為了提高圖書館用戶信息查詢的查全率和查準(zhǔn)率，設(shè)計基于空間信息支持的圖書館個性化資源集成系統(tǒng)。1.1 系統(tǒng)硬件設(shè)計基于空間信息支持的圖書館個性化資源集成系統(tǒng)主要由空間信息管理模塊、個性化數(shù)據(jù)源集成模塊、服務(wù)器、后臺數(shù)據(jù)庫以及WAP 展示層構(gòu)成，如圖1所示。讀者在圖書館數(shù)據(jù)庫列表里選取多個目標(biāo)數(shù)據(jù)庫實行檢索后，個性化數(shù)據(jù)源集成模塊提取并集成各類數(shù)據(jù)源，構(gòu)建統(tǒng)一查詢接口，通過findAPI 的規(guī)定建立
現(xiàn)代電子技術(shù) 2019年18期2019-09-23
- 結(jié)合加權(quán)Schatten-p范數(shù)與3D全變分的前景檢測
e值是最高的，查全率與查準(zhǔn)率也處于最優(yōu)或次優(yōu)狀態(tài)。由此可知，所提模型在動態(tài)背景、惡劣天氣等復(fù)雜場景中能有效提高運動目標(biāo)的提取精確度，且提取的前景目標(biāo)視覺效果較好。關(guān)鍵詞：?低秩稀疏分解;前景檢測;加權(quán)Schatten-p范數(shù);3D全變分中圖分類號：TP391.4文獻(xiàn)標(biāo)志碼：A文章編號：1001-9081（2019）04-1170-06Abstract： In view of the fact that the low rank and sparse met
計算機(jī)應(yīng)用 2019年4期2019-08-01
- 基于分塊sim-min-Hash的近似圖像檢索
mH在查準(zhǔn)率、查全率和速度方面都大大強(qiáng)于min-Hash以及sim-min-Hash。并且PsmH更加容易實現(xiàn)，只要在sim-min-Hash算法的基礎(chǔ)上，增加分塊大小和重疊門限兩個參數(shù)的設(shè)置即可。3.2 PsmH算法來比較圖像相似性的實現(xiàn)過程設(shè)一共有i幅圖像，首先將每幅圖像被分為p個相等的矩形區(qū)域(p1,p2,…,pp)，每個區(qū)域就被稱為一個分塊。然后，對每個分塊分別進(jìn)行提取SIFT描述子，并對所有SIFT描述子集合，進(jìn)行K-means聚類，而不是像si
計算機(jī)應(yīng)用與軟件 2019年7期2019-07-15
- 基于YOLO算法的多類目標(biāo)識別
ision)，查全率(recall)，平均交并比(avg IOU)，平均識別時間(avg time)等。計算預(yù)測邊界框和實際邊界框的交并比IOU。當(dāng)IOU＞0.5定義為真正例;IOU＜0.5定義為假正例;IOU=0.5定義為假反例［13-14］。用TP代表真正例，F(xiàn)P代表假正例，F(xiàn)N代表假反例，則查準(zhǔn)率和查全率［15］的計算公式為:計算兩個模型的查全率(recall)和查準(zhǔn)率(precision)，平均識別率(mAP)，平均 IOU，平均檢測時間等如表4所
實驗室研究與探索 2019年3期2019-06-03
- 面向短文本分類的特征提取與算法研究
精度、查準(zhǔn)率、查全率與F1值。在二分類問題中，根據(jù)樣本真實類別與模型預(yù)測結(jié)果的組合定義真正例(True Positive,TP)、假正例(False Positive,FP)、真反例(True Negative,TN)、假反例(False Negative,FN)，分類結(jié)果混淆矩陣如表2所示[9]。表2 分類結(jié)果混淆矩陣3.2.1 精度精度是分類正確的樣本數(shù)在總樣本數(shù)中的比例。精度acc定義為：(4)精度是分類任務(wù)中最常用、最基本但同時也是最重要的一個評價
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2019年5期2019-05-27
- 基于Gamma隸屬度的車輛圖像檢索算法
像，以查準(zhǔn)率和查全率[17]為評價指標(biāo)，對比非均勻量化算法、三角形隸屬度量化算法及本文算法的檢索效果。實驗1在Corel標(biāo)準(zhǔn)圖像庫中隨機(jī)選取10張圖像，分別使用3種算法進(jìn)行相似檢索。3種算法的查準(zhǔn)率與查全率結(jié)果分別如表1和表2所示。由表1和表2可以看出，非均勻量化算法的查準(zhǔn)率為70%，查全率為42%；三角形隸屬度量化算法的查準(zhǔn)率為75%，查全率為45%；本文算法的查準(zhǔn)率為85%，查全率為51%。實驗2在車輛圖像庫隨機(jī)選取10張圖像，分別使用3種算法進(jìn)行相似
西安郵電大學(xué)學(xué)報 2019年1期2019-05-05
- 多方強(qiáng)隱私保護(hù)記錄鏈接方法*
RL同時達(dá)到高查全率和高查準(zhǔn)率，主要源自于如下兩方面：一方面，分塊后還會生成過多真實情況下并不匹配的候選記錄組，造成額外的計算代價；另一方面，分塊后損失真實匹配的記錄組，未對其進(jìn)行匹配計算。而已有PPRL中的匹配方法大多適應(yīng)于兩個數(shù)據(jù)方間的記錄鏈接，而多個數(shù)據(jù)方間的匹配方法[6-10]均不能同時達(dá)到強(qiáng)隱私性和高效性。強(qiáng)隱私保護(hù)記錄鏈接可完全防止攻擊方的攻擊，而現(xiàn)有的多方強(qiáng)隱私保護(hù)下的匹配方法均具有很高的匹配計算代價，導(dǎo)致匹配時間過長，使其不適用于大數(shù)據(jù)環(huán)境
計算機(jī)與生活 2019年3期2019-04-18
- 分組加權(quán)t-SNE的手寫數(shù)字奇異類樣本聚類方法研究
的聚類效果，且查全率(Recall Rate)平均可提高4%，查準(zhǔn)率(Precision)平均可提高3.3%，為奇異樣本手寫體數(shù)字的識別問題提供了一種新的解決方案.2 分組加權(quán)t-SNE手寫體數(shù)字降維算法2.1 基本原理t-SNE算法是將高維空間中樣本對之間的歐氏距離轉(zhuǎn)化為高維聯(lián)合條件概率，同時計算低維空間內(nèi)樣本對的聯(lián)合概率，并用KL散度構(gòu)建目標(biāo)函數(shù)，通過梯度下降法求取低維表達(dá)最優(yōu)解.在傳統(tǒng)的t-SNE算法中，歐式距離表征兩個空間向量之間的累積差異，并沒有
小型微型計算機(jī)系統(tǒng) 2018年12期2019-01-24
- 不平衡數(shù)據(jù)分類研究及在銀行營銷中的應(yīng)用
數(shù)類的召回率(查全率)可以反映正確判別的少數(shù)類占所有少數(shù)類的比例。 F1分?jǐn)?shù)同時考慮了分類模型的準(zhǔn)確率和召回率，是處理不平衡數(shù)據(jù)分類問題時的有效評價指標(biāo)[5]。F1分?jǐn)?shù)可以看作是模型準(zhǔn)確率和召回率的一種加權(quán)平均，F(xiàn)1分?jǐn)?shù)的分布在0-1之間。還可以采用ROC曲線下的面積AUC作為評價指標(biāo)。因為ROC曲線有一個很好的性能，當(dāng)測試集中的正負(fù)樣本的分布變化時，ROC曲線能夠保持不變，因此適合作為不平衡數(shù)據(jù)集分類時的評價指標(biāo)[6]。2 銀行營銷中的不平衡數(shù)據(jù)分類2.
山西電子技術(shù) 2018年5期2018-11-09
- 海量圖書館檔案信息的快速檢索方法
略了檔案信息的查全率和查準(zhǔn)率。因此，提出一種基于模糊集的海量圖書館檔案信息快速檢索方法。利用多個向量代表檔案信息的對象，建立特征向量模型對圖書館檔案信息進(jìn)行處理，需要在數(shù)據(jù)庫中對檔案信息的語義索引和語義特征向量進(jìn)行處理。在對圖書館檔案信息處理完成的基礎(chǔ)上，計算索引項在檔案信息中的頻率，并且計算索引項的大小來決定檔案信息項位置的權(quán)重，對圖書館檔案信息檢索式進(jìn)行量化和劃分，并建立權(quán)重向量，獲得檔案信息向量，利用檔案信息向量計算相似度函數(shù)，最終實現(xiàn)模糊集的圖書館
現(xiàn)代電子技術(shù) 2018年20期2018-10-24
- 基于大樣本的隨機(jī)森林惡意代碼檢測與分類算法
ision)、查全率(Recall)和F1度量評估本文算法，通常以關(guān)注的類為正類，其他類為負(fù)類，指標(biāo)的取值為0～1。這些度量的計算公式如下:(1)(2)(3)其中,TP(True Positive)是指將正類預(yù)測為正類數(shù)，F(xiàn)P(False Positive)是指將負(fù)類預(yù)測為正類數(shù)，F(xiàn)N(False Negative)是指正類預(yù)測為負(fù)類數(shù)。2.4 結(jié)果分析在所選擇的數(shù)據(jù)集(江民新科技術(shù)有限公司病毒庫中的數(shù)據(jù)集)上將本文的隨機(jī)森林算法與支持向量機(jī)算法、邏輯回歸
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2018年7期2018-08-06
- 視頻檢索中的鏡頭邊界檢測方法研究
檢索的查準(zhǔn)率和查全率,但依然可以進(jìn)一步改進(jìn)。視頻檢索,對視頻進(jìn)行鏡頭分割是第一步。對視頻進(jìn)行邊界檢測,將視頻從檢測到的邊界處依次分割開,形成一個個獨立鏡頭的過程即為鏡頭分割。鏡頭的轉(zhuǎn)換方式分為突變鏡頭和漸變鏡頭兩種。突變鏡頭算法包括:基于直方圖的鏡頭切變檢測方法、基于像素比較的鏡頭邊界檢測方法、基于邊緣檢測的鏡頭邊界檢測方法和基于壓縮視頻的鏡頭邊界檢測方法。漸變鏡頭算法包括:雙閾值法[1]、模型法、聚類和模糊聚類法。文獻(xiàn)[2]提出了基于多特征的視頻鏡頭檢測
沈陽理工大學(xué)學(xué)報 2018年6期2018-03-20
- 基于詞嵌入語義的精準(zhǔn)檢索式構(gòu)建方法
將導(dǎo)致檢索結(jié)果查全率較低；檢索式中的關(guān)鍵詞如果一詞多義，則可能向檢索結(jié)果中引入無關(guān)文獻(xiàn)，導(dǎo)致查準(zhǔn)率較低。[方法/過程]針對這兩類問題，本文提出使用詞嵌入這一新穎的文本數(shù)據(jù)化表現(xiàn)形式，一方面通過語義分析對檢索關(guān)鍵詞進(jìn)行擴(kuò)充從而提高查全率；另一方面通過發(fā)現(xiàn)語義異常點來提高查準(zhǔn)率。[結(jié)果/結(jié)論]本文將該方法應(yīng)用于人工智能領(lǐng)域中深度學(xué)習(xí)方向上的文獻(xiàn)檢索式構(gòu)建，實驗結(jié)果表明該方法能在一定程度上提高檢索的查全率和查準(zhǔn)率?！碴P(guān)鍵詞〕 深度學(xué)習(xí)；詞嵌入；查準(zhǔn)率；查全率；檢
現(xiàn)代情報 2018年11期2018-01-07
- Gabor小波與HOG特征融合的行人識別算法
能夠獲取較高的查全率和識別率。行人識別；Gabor變換；方向梯度直方圖；支持向量機(jī)0 引言車輛輔助駕駛系統(tǒng)中的行人檢測主要運用模式識別和圖像處理等技術(shù)實現(xiàn)車輛前方行人的檢測與識別，有效保護(hù)道路上的行人。因為受到姿態(tài)、外表、服飾和光照天氣等眾多因素的影響，使得行人檢測成為一個非常具有挑戰(zhàn)性的課題[1]。當(dāng)前行人檢測大多采用基于統(tǒng)計分類的方法，行人特征提取和分類器的選擇是這類方法中最為關(guān)鍵的2部分。Dalal和Triggs[2]等人首次提出了梯度方向直方圖特征
無線電工程 2017年10期2017-09-28
- 基于上下文敏感的貝葉斯網(wǎng)絡(luò)及方向關(guān)系的遙感圖像檢索
信息，該方法的查全率較高、但查準(zhǔn)率偏低。Li等[8-9]則認(rèn)為簡單的貝葉斯網(wǎng)絡(luò)不足以描述復(fù)雜的圖像信息，建立了基于對上下文語境敏感的貝葉斯網(wǎng)絡(luò)(content-sensitive Bayesian network,CSBN)，其最主要的特征是通過綜合相鄰區(qū)域的特征推斷圖像的語義特征，有效地提高了圖像檢索的查準(zhǔn)率。但在這些檢索方法中，缺少對圖像方向關(guān)系的描述，無法詳細(xì)地描述圖像的場景語義。本文在對CSBN進(jìn)行研究的基礎(chǔ)上，針對城市區(qū)域的特點，提出了以平均高頻
自然資源遙感 2017年3期2017-09-21
- 面向開源軟件的演化確認(rèn)方法*
目前常常會使用查全率和查準(zhǔn)率作為衡量指標(biāo)，并通過這兩個指標(biāo)來對輸出結(jié)果進(jìn)行評價[40]。定義2Recall表示查全率，correct代表所需查找的演化文件，retrieved代表使用本文方法查找出來的文件，則查全率的定義為：查全率，也稱為召回率，是指檢出的相關(guān)文獻(xiàn)量與檢索系統(tǒng)中相關(guān)文獻(xiàn)總量的比率，是衡量信息檢索系統(tǒng)檢出相關(guān)文獻(xiàn)能力的尺度。定義3 Precision表示查準(zhǔn)率，correct代表所需查找的演化文件，retrieved代表使用本文方法查找出來的
計算機(jī)與生活 2017年4期2017-04-17
- 一種新的基于矢量量化的圖像檢索算法
，多次實驗比較查全率和查準(zhǔn)率，找到較為滿意的門限值，使檢索算法更加完善。實驗結(jié)果表明，該算法能有效地提高圖像檢索精準(zhǔn)度。HSI空間圖像特征矢量量化門限值0 引 言隨著信息技術(shù)的發(fā)展，生活中不斷地生成大量的圖片，它們都是無序的、無索引的。目前，我們面臨的一個問題就是如何從這些海量的圖片里快速而準(zhǔn)確地檢索到我們想要查詢的圖片。因此，基于內(nèi)容的圖像檢索成為了當(dāng)下一個研究的熱點?；贑BIR[1]技術(shù)主要依據(jù)圖像所具有顏色(灰度)、紋理、形狀、空間關(guān)系等特征[2]
計算機(jī)應(yīng)用與軟件 2016年3期2016-09-26
- 演化軟件的特征定位方法*
驗結(jié)果中，平均查全率達(dá)到69.16%和100%，平均查準(zhǔn)率達(dá)到1.28%和2.43%，平均調(diào)和平均數(shù)達(dá)到2.50%和4.72%，性能較對比方法有較大的提高。軟件演化；特征定位；主題模型；領(lǐng)域知識1 引言特征是指軟件系統(tǒng)中被需求所定義和被使用的一個功能[1]。建立軟件特征與源代碼之間映射關(guān)系的過程稱為特征定位[2]。特征定位是順利實現(xiàn)軟件演化意圖的前提之一。對于文檔缺失的中、大型軟件采用人工的方式實現(xiàn)特征定位幾乎是不可能的。文獻(xiàn)[1]指出特征定位存在“兩難”
計算機(jī)與生活 2016年9期2016-09-20
- 基于顏色特征的生豬口蹄疫監(jiān)測方法研究
，口蹄疫疫情的查全率約為88%。關(guān)鍵詞：顏色特征;生豬口蹄疫;監(jiān)測方法;查全率引用格式：陳松楠，劉陸民，張莉. 基于顏色特征的生豬口蹄疫監(jiān)測方法研究[J].微型機(jī)與應(yīng)用，2016,35(12)：42-45.0引言隨著生豬養(yǎng)殖的集成化和規(guī)?；恍┘膊〉谋l(fā)頻率也越來越高。當(dāng)前，我國生豬疫情的防治工作仍然非常艱巨，口蹄疫的防治尤其突出，該疫情的爆發(fā)不僅對畜牧業(yè)具有嚴(yán)重的危害，而且也對大眾的飲食安全產(chǎn)生了巨大的影響。因此，快速、簡便、準(zhǔn)確地做好該病的防控工作具
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2016年12期2016-08-01
- 基于臨床領(lǐng)域本體的語義信息檢索模型研究
間的檢索模型在查全率和查準(zhǔn)率上效率較低，在臨床領(lǐng)域本體的基礎(chǔ)上，通過分析和討論了改進(jìn)的概念間語義相似度和相關(guān)度混合計算方法，提出基于臨床領(lǐng)域本體的語義信息檢索模型。實驗結(jié)果表明，該混合計算方法是可行性的，能有效提高語義信息檢索模型的查準(zhǔn)率。關(guān)鍵詞：臨床領(lǐng)域本體；語義相似度計算；信息檢索模型；查全率；查準(zhǔn)率1概述在網(wǎng)絡(luò)技術(shù)和信息技術(shù)飛速發(fā)展的今天，信息資源飛速增長，用戶更多關(guān)注的是如何在海量的信息資源中快速高效地獲取所需要的知識。傳統(tǒng)的Web服務(wù)是通過關(guān)鍵字
常州工學(xué)院學(xué)報 2016年2期2016-06-13
- 全局分析和本體技術(shù)相結(jié)合的查詢擴(kuò)展算法
sion ）、查全率（recall ）和F值是評價系統(tǒng)性能的主要指標(biāo)。查全率為搜索結(jié)果中符合查詢條件的資源數(shù)量占總符合查詢條件資源數(shù)量的比例。查準(zhǔn)率為搜索結(jié)果中符合查詢條件的資源數(shù)量占返回資源數(shù)量的比例。F 值為查全率和查準(zhǔn)率的加權(quán)幾何平均。F值將查全率和查準(zhǔn)率結(jié)合在一起進(jìn)行評價，防止出現(xiàn)查準(zhǔn)率很高而查全率很低或者查全率很高而查準(zhǔn)率很低的現(xiàn)象。F值反映系統(tǒng)的綜合性能，該值越接近1越好。搜索性能評價指標(biāo)的計算公式分別為：式（3）和（4）中，resourcer
中國科技信息 2015年9期2015-11-01
- 查詢擴(kuò)展技術(shù)在跨語言信息檢索中的應(yīng)用
語言信息檢索的查全率?？缯Z言信息檢索；查詢擴(kuò)展；Lucene0 引言隨著互聯(lián)網(wǎng)的不斷發(fā)展，使用不同語言的互聯(lián)網(wǎng)用戶也在不斷增加，網(wǎng)絡(luò)上的海量信息資源由很多不同的語言所組成，當(dāng)用戶需要檢索的信息是自己不熟悉的語言時往往會面臨一定的障礙，這使得很多用戶不能自由地獲取信息。為了解決多語種問題帶來的語言障礙，讓用戶可以更加便捷地檢索信息，學(xué)者們開始對跨語言信息檢索進(jìn)行探索。傳統(tǒng)的信息檢索研究的是單一語種的檢索問題，即檢索提問式和被檢索文檔集采用的是同一種語言表述。
現(xiàn)代計算機(jī) 2015年2期2015-05-15
- 淺議電子信息檢索
較高的查準(zhǔn)率和查全率，獲得滿意的效果。1 聯(lián)機(jī)信息檢索因此，多年來DIALOG系統(tǒng)一直是我國科技查新工作中的主要檢索工具，同時也是國內(nèi)科技、經(jīng)濟(jì)信息檢索服務(wù)中利用率最高的國際聯(lián)機(jī)檢索系統(tǒng)。在進(jìn)行國際聯(lián)機(jī)檢索時，一般可采取下列幾個步驟：1.1 先試檢摸底國際聯(lián)機(jī)檢索前最好先對相應(yīng)的檢索刊物進(jìn)行手工試檢，或利用因特網(wǎng)搜索相關(guān)信息，了解專業(yè)文獻(xiàn)分布情況，初步估算文獻(xiàn)量，以便確定相應(yīng)的聯(lián)機(jī)檢索方案；手檢(或因特網(wǎng)搜索)摸底有助于準(zhǔn)確地掌握專業(yè)用詞，以提高下一步檢索
電子世界 2015年18期2015-03-26
- 基于加權(quán)置信度的運動捕捉數(shù)據(jù)低級時域分割算法
，會造成較低的查全率以及準(zhǔn)確率.文獻(xiàn)［5］首先找出各維上的分割點，當(dāng)分割點在大多數(shù)維度上重合時，則判斷該點為整體的分割點，該方法適用于局部人體的動作分割，例如手臂上的動作，然而全身動作通常包含更高的維度，很少出現(xiàn)各維分割點重合的情況，所以這種方法并不能解決對全身動作進(jìn)行分割.文獻(xiàn)［11-12］通過將待分段動作與模板動作進(jìn)行對比從而獲得分割點，然而這類方法只適合于特殊的應(yīng)用，如康復(fù)性治療，醫(yī)生會給出病人練習(xí)的模板動作.大部分情況下，模板動作往往是不可獲取的.
江蘇大學(xué)學(xué)報（自然科學(xué)版） 2015年3期2015-02-21
- 基于三種顏色分量歸一化累積直方圖的圖像檢索系統(tǒng)設(shè)計
用的是查準(zhǔn)率和查全率兩個指標(biāo)。查準(zhǔn)率的含義是在一次查詢過程中，系統(tǒng)返回查詢結(jié)果中相關(guān)圖像的數(shù)目占所有返回數(shù)目的比例；查全率則指系統(tǒng)返回查詢結(jié)果中相關(guān)圖像的數(shù)目占圖像庫中所有相關(guān)圖像數(shù)目的比例。用戶在評價查詢結(jié)果時，可以預(yù)先確定某些圖像作為查詢的相關(guān)圖像，然后根據(jù)系統(tǒng)返回的結(jié)果來計算查準(zhǔn)率和查全率。這兩個指標(biāo)的值越高說明檢索方法的效果越好。本文采用了微軟商品圖像庫，其中存入了5000幅商品圖像，取出500張作為檢索圖片，分成了4類，每類50張圖片，檢索圖片如
電子測試 2014年5期2014-11-15
- 基于空間金字塔的鏡頭檢測
較于以上文獻(xiàn)在查全率和查準(zhǔn)率上都有很大的提高。3 空間金字塔3.1 分塊空間金字塔空間金字塔是一種考慮圖像的全局像素信息的方法。文獻(xiàn)[5]使用的是如圖1所示的空間金字塔方法。圖1 空間金字塔及各層量化信息從圖1可以看出，隨著層數(shù)的增加，分的小塊越來越多、越來越細(xì)，考慮的位置信息越來越多，相對地，每一塊的像素信息直方圖的劃分會越來越粗糙。算法如下：圖像 f(x，y)在單個維度上像素所屬塊的位置確定為：其中a表示行和列分的塊數(shù)（本文中要求行和列分的塊數(shù)相同），
計算機(jī)工程與應(yīng)用 2013年11期2013-08-04
- 基于最大相似類別和位置熵的三維模型融合檢索方法
結(jié)果用查準(zhǔn)率-查全率曲線、平均查準(zhǔn)率、前 50%查全率上的平均查準(zhǔn)率、BEP、R-Precision、和最近鄰檢索精度來評價檢索性能[10]。其中查準(zhǔn)率-查全率曲線比較全面地描述了檢索性能，是較重要的一種性能評價標(biāo)準(zhǔn)。其他每種指標(biāo)各有側(cè)重點，一種指標(biāo)評價算法某一方面的優(yōu)劣，如最近鄰檢索精度表示當(dāng)返回檢索結(jié)果數(shù)為1時的正確率；R-Precision表示返回模型數(shù)為（ ni表示與查詢模型相關(guān)的模型數(shù)）時的查準(zhǔn)率；BEP表示返回模型數(shù)為時的查全率；平均查準(zhǔn)率是各
圖學(xué)學(xué)報 2013年5期2013-03-16
- 基于ν－最大間隔超球體支持向量機(jī)的非平衡數(shù)據(jù)分類
［16］中正負(fù)查全率(Recall)和g均值方法來評價實驗結(jié)果:其中:TP、TN表示正確分類的正類和負(fù)類;FN、FP錯誤分類的正類和負(fù)類;Recall+、Recall－表示2個類的查全率。表2是不同算法對各個數(shù)據(jù)集的正負(fù)查全率，表3為不同算法對各個數(shù)據(jù)集的g均值及平均值。表2 不同算法的分類精度表3 不同數(shù)據(jù)集的g均值及平均值從表2可以看出，HSSVM有較高的負(fù)查全率，且遠(yuǎn)高于正查全率，但正查全率較低。而ν－M MHSSVM不但有較高的正查全率，而且還有較
重慶理工大學(xué)學(xué)報(自然科學(xué)) 2012年12期2012-09-18
- 基于顏色特征的電視圖像檢索
多，如查準(zhǔn)率與查全率法、排序值評法、ANMRR法[4]等，但比較常用的還是查準(zhǔn)率與查全率法。查準(zhǔn)率與查全率是較為直觀且具有通用性的檢索性能客觀評價指標(biāo)。查全率是指一次檢索后，返回用戶的檢索結(jié)果中有效結(jié)果的數(shù)目和數(shù)據(jù)庫中存儲的與該分類圖像總數(shù)之比。查準(zhǔn)率是在該次檢索后，返回用戶的檢索結(jié)果中有效結(jié)果的數(shù)目同返回用戶的圖片數(shù)目之比。查準(zhǔn)率的數(shù)學(xué)定義為查全率的數(shù)學(xué)定義為式中：a代表正確檢索出的相關(guān)圖像數(shù)目；b代表檢索出的無關(guān)圖像；c代表漏檢的相關(guān)圖像數(shù)目；A代表某
電視技術(shù) 2012年8期2012-06-25
- 基于本體的局部文檔分析查詢擴(kuò)展方法研究
。為提高檢索的查全率，本文在分析了傳統(tǒng)查詢擴(kuò)展方法的基礎(chǔ)上，結(jié)合語義檢索技術(shù)的發(fā)展趨勢，將語義模型中的本體概念融合到查詢擴(kuò)展技術(shù)中，提出了基于本體的局部文檔分析查詢擴(kuò)展方法。實驗結(jié)果顯示，該方法的檢索結(jié)果與人們的認(rèn)識比較接近，達(dá)到了較好的語義檢索效果。本體 語義檢索 查詢擴(kuò)展 局部文檔分析0 引言目前的信息檢索系統(tǒng)以關(guān)鍵詞匹配為技術(shù)基礎(chǔ)，檢索結(jié)果的優(yōu)劣依賴于用戶給出的檢索關(guān)鍵詞。Furnas第一個發(fā)現(xiàn)了“詞典問題”（dictionary problem）[
科技傳播 2011年3期2011-09-23
- 基于刻面分類的ERP構(gòu)件檢索
兼顧構(gòu)件檢索的查全率和查準(zhǔn)率，并且有較好的檢索效率。2 刻面分類技術(shù)介紹刻面分類檢索方法[2-3]是通過反映構(gòu)件本質(zhì)特性的視角（刻面）對構(gòu)件進(jìn)行精確的分類。一個刻面分類模式由一組描述構(gòu)件本質(zhì)特性的刻面組成，每個刻面從不同的側(cè)面對構(gòu)件庫中的構(gòu)件進(jìn)行分類。每個刻面由一組術(shù)語組成，稱為術(shù)語空間，描述子由不同的刻面中不同術(shù)語組成，用來描述構(gòu)件庫中特定的構(gòu)件。通過用戶構(gòu)造描述子形成查詢條件，在構(gòu)件庫中檢索符合條件的構(gòu)件，這樣對于用戶來說可以直觀的從不同角度指明待檢索
中國新技術(shù)新產(chǎn)品 2010年10期2010-09-08
- 基于Ｗｅｂ的概念屬性抽取的研究
算法，所獲得的查全率隨著迭代的遞增，不斷增加；相反，準(zhǔn)確率卻相應(yīng)下降，這個評測結(jié)果說明屬性抽取方法的可行性。［關(guān)鍵詞］ 屬性抽取；概念；過濾；查全率；準(zhǔn)確率doi:10.3969/j.issn.1673-0194.2009.10.033［中圖分類號］F270.7；TP391［文獻(xiàn)標(biāo)識碼］A［文章編號］1673-0194（2009）10-0098-040引言全球調(diào)查顯示，在互聯(lián)網(wǎng)上搜索引擎的使用率僅次于電子郵箱，搜索引擎服務(wù)能成為最受歡迎的服務(wù)是因為它解決了
中國管理信息化 2009年10期2009-06-19