这样，就形成了整个步进控制系统与SFC程序的一一对应。如果用顺序控制程序编写其互锁控制电路，不仅程序编写复杂，同时也无法显示信号运行时的先后逻辑顺序；而用SFC来编写互锁控制电路，由于其程序结构的特点，可以很好地应对这一要求。......
2025-09-29
数据分类特性测试优化建议
【摘要】：PCP每次均将数据集随机分成2个子集，轮流作为训练集与测试集，得到2个测试精度，10次均值实际上是20个精度值的平均，这个均值的有效性更好。交叉检验实验说明，利用特征数据能较好地区分各类行为。按第5.3.2节向量分量排列顺序，分量下标为k的特征，如果k或k+1能被4整除，说明其反映的是空档变化情况；不符合这个特征，说明其反映的是宽度变化情况。
为了获得一定的精度，先选择了较精细的划分，在横竖两个方向均划分为20个区间，按第5.3.2节的方法对筛选出的视频段进行特征提取，共获得640行向量，每个向量的维数有（20×2+20×2+2）×2=164个。为从不同角度测试数据的有效性，分别对此640×164数据集进行了交叉检验、特征分级及降维后的交叉检验测试。
1.不同识别方法的测试
为了测试模式识别方法在此数据集上的识别精度，一般的方法是将此数据集随机划分为训练集与测试集进行分类测试，实验选择了交叉检验。选择交叉检验，PCP程序将整个数据集随机分成K个子集，轮流取出一个子集做测试集，同时以另外K-1个子集做训练集，测试分类精度。实验中选择了2子集交叉，做10次检验，取精度的平均值。PCP每次均将数据集随机分成2个子集，轮流作为训练集与测试集，得到2个测试精度，10次均值实际上是20个精度值的平均，这个均值的有效性更好。以不同方法进行交叉检验结果如表5.1所示。
表5.1 以不同识别方法交叉检验结果
续表
由表5.1可知，不同的参数或不同的识别方法对同一数据集交叉检验，结果差距很大；支持向量机分类时，其核函数的选择，目前国际上还没有形成统一的模式，一般凭经验或实验对比来选择。从这个实验中看出，采用不同的核，分类精度差距很大；多层感知器实际上应用的是神经网络方法，因为神经网络的学习过程是迭代过程，前几次的精度很低，表5.1中的77.5%是全部迭代的平均值，所以是不准确的。如果以每次实验的最后两次迭代精度进行平均，其精度可达98.3%。
表5.1显示的是总的分类精度，为了区分此特征对每类行为的表征能力，表5.2列出了3种分类器下各类别的召回率R，R的计算方法如式（4.9）。
表5.2 3种分类器下各类别的召回率
表5.2显示，在用线性判别式分类器和最近邻分类器进行分类时，running和jogging两类召回率很低，其他4类一直保持较高的召回率。其主要原因是跑和慢跑均为跑，实际应为一快一慢，但实验录像中两类的界限较模糊，这一点在文献[144]中也有说明。实验中，如果除去其中的一类记录，那么总体精度均提高了。(https://www.chuimin.cn)
交叉检验实验说明，利用特征数据能较好地区分各类行为。
2.特征值有效性分析
本部分进行测试的特征向量有164维，反映的是人体横向20个区间、纵向20个区间、质心x和质心y的变化的频率和幅度，在分类中，这164个特征值所起的作用是否相同？哪些部分的分类特征较明显些？为了说明这个问题，利用640×164的数据集进行了特征选择分析。特征选择是指从一组特征中挑选出对分类最有利的特征，一般特征选择的目的是降低空间维数，本实验的目的是为了分析各分量对识别运动行为的支持度。选择PCP特征选择中的特征分级功能（feature ranking），并选择Euclidean距离作为判据进行按距离特征分级；PCP给出向量中各分量在分类中所起作用的等级，将等级值映射到[0，1]区间，得到164个反映分类等级的值。表5.3列出了特征分级等级排前40个的下标值及对应的等级。因为结果庞大，不方便以表格形式全部列出，以点分布形式显示为如图5.5所示。图5.5中横坐标表示向量中特征值的下标1～164，纵坐标表示对应特征的分类有效性等级0～1，其值越大，表示在分类中所起的作用越大。
表5.3 特征分级等级排前40个的下标值及对应的等级
图5.5 特征分级结果
由表5.3和图5.5可以得出，有效性等级大于0.5的，其下标值均为偶数，说明大部分时间平均方差值在分类中所起作用明显。另外，全部值的有效性等级均大于0.2，说明所有特征均在分类中起到相当的作用，不能忽视。横向的1～20行特征反映在向量的1～80下标的特征值，其两端和中间作用明显，也就是头、手、脚部位的宽度变化在分类中作用显著；纵向的1～20列特征反映在向量的81～160下标的特征值，仍是两端和中间作用明显；161～164特征反映的是质心x和质心y的波动，4个值的分类作用均较小，这符合人对这6项运动的认识。
按第5.3.2节向量分量排列顺序，分量下标为k的特征，如果k或k+1能被4整除，说明其反映的是空档变化情况；不符合这个特征，说明其反映的是宽度变化情况。将结果按分级值降序排序，发现对应下标有或没有“k或k+1能被4整除”特征的交杂在一起，说明空档的变化情况和宽度变化情况在分类中所起的作用是相当的。在横竖两个方向均划分为20个区间，按第5.3.2节方法对筛选出的视频段进行特征提取，但只提取宽度而忽略宽度内空档的数据，仍可获得640行向量，每个向量的维数有（20+20+2）×2=84个。对此640×84数据集进行2子集交叉，10交叉检验，测试结果如表5.4所示，与表5.1的1、4、6、7行对比，精度大大降低了。
表5.4 不提取宽度内空档信息的数据集交叉检验结果
至此，特征向量分类特征明显，各分量在分类中均有效，不能明显找出分类作用很小或没有作用的分量，在后面的实验中将不对数据进行降维处理。
相关文章
- 详细阅读
-
疫情数据的复杂网络建模优化方案详细阅读
且此类节点越多，病毒就越容易传播，确诊人数也会增加得越快。因此，控制这些地理节点是阻止新一轮病毒传播的有效方法。通过控制几个社区间的紧密联系路径与关键地理节点，可以有效地防止社区间的交叉感染，阻止新一轮病毒的传播。......
2025-09-29
-
EPC系统性能分析的优化建议详细阅读
由上述分析可知：某硅钢片厂跑偏控制EPC系统可以简化成一个三阶系统。上面从理论上分析了现有EPC系统及改造后EPC系统的动态特性，并实测了CP机组和CW机组的频宽，现将结果综合列在表12-3中。表12-3 EPC系统的性能参数由表12-3可以看出：1）增大活塞有效面积和卷重后，系统的开环放大系数k将降低，快速性和卷取精度都受影响。......
2025-09-29
-
关联规则分类算法优化技巧详细阅读
如果后件“C”只有类别值，自然可以想到使用此规则进行分类。典型的关联规则分类算法有CBA、CMAR和CPAR[99]。CBA是由Liu B等人提出的，是最早的也是最简单的关联规则分类算法[99]。在一些典型的分类数据集的测试中，CBA算法的实验精度高于C 4.5。但与CMAR不同的是，CPAR只选择每组中的“最好的”K个规则进行分类计算。可见，关联规则分类算法是一类基于规则的算法，其基础是频繁项目的与运算。......
2025-09-29
-
热和电气特性分析与优化详细阅读
如前所述，大多数LED具有保护功能，避免在电压达10kV或20kV的直接或反向静电放电情况下受到损坏。从热的角度看，LED具有以下特性：1）结和热沉之间的热阻为Rj-s，目前LED的Rj-s一般在5～15K/W，而多芯片LED的热阻低于5K/W；2）正向电压温度系数的单位是V/℃；3）最大结温；4）额定工作模式下的环境空气温度的最大范围。在5.3节中已经解释过最后一个特性非常依赖于热阻Rj-s，但也依赖于总热阻Rj-a。......
2025-09-29
-
照明电器配件优化建议详细阅读
照明电器附件主要包括整流器、电子触发器、电子变压器、电子式镇流器、电子调频器、启动器和灯用电器。电子变压器是开关稳压电源，实际上就是一种逆变器。电子变压器具有体积小、质量轻、价格低等优点。照明电器的附件种类繁多，样式各异，在以后的介绍中，会一一讲述，在此便不再赘述。......
2025-09-29
-
挤出成型机头的分类优化详细阅读
机头是挤出机的成型部件，它主要包括机头体、分流器、分流器支架、芯棒、口模、调节螺栓等。2）按机头内压力大小分类。3）按挤出制品的形状分类。管材挤出成型机头主要是挤出软质和硬质圆形塑料管状制品，另外还有塑料与塑料、塑料与金属复合管状制品。板与片的挤出成型模具主要指机头，定型在辅机中进行。又称电缆挤出成型机头。棒材一般是指实心的圆棒、方棒、多角棒等，挤出成型模具包括机头和定型模套。⑨坯料挤出机头。......
2025-09-29
-
测试必要规则对分类影响的简单有效方法详细阅读
本实验目标是测试必要规则对分类的影响，将采用最简单的方法。但相对实验目标，方法是有效的。表4.1示例训练集D训练时，设充分置信度阈值为70%，必要置信度阈值为90%，K=3。表4.2第2次访问D后得到簇与类关联关系的统计数据依据表4.2数据计算双向置信度，得到的分类规则按类索引，结果如表4.3所示，表4.3就是训练得到的规则集R。表4.3D训练得到的分类规则表测试时，分两种方法。......
2025-09-29
相关推荐