愉快的/不愉快为情感过滤图像检索基于互相关的脑电图特征

文摘

人们常常做出决定基于敏感性而不是理性。在生物信息处理领域、方法可用于分析生物信息直接基于脑电图:脑电图来确定用户愉快的/不愉快的反应。在这项研究中,我们提出一个敏感性歧视偏好(愉快的/不愉快)的过滤技术对图像使用基于脑电图的敏感图像过滤系统。使用一组图像相似性检索,检索我们执行sensitivity-based愉快的/不愉快的分类基于情感的图像特征提取图像最大熵方法:MEM。在目前的研究中,情感特征由互相关特性从脑电图时产生一个人观察到的图像。然而,很难测量脑电图当可视化一个未知的主题形象。因此,我们提出一个解决方案,基于典型相关线性回归方法用于估计图像特性的互相关特性。敏感性实验评价的有效性过滤与图像相似性检索方法相比,基于图像特征。我们发现敏感过滤使用颜色相关图适合首选的分类图像,而灵敏度过滤使用局部二进制模式是适合的分类不愉快的图像。此外,灵敏度过滤使用本地二进制模式不愉快的图像有一个90%的成功率。 Thus, we conclude that the proposed method is efficient for filtering unpleasant images.

1。介绍

由于最近的改进计算机的处理速度和信息检索算法的复杂性,可以从庞大的数据库检索相关信息在一个有效的方式。然而,许多检索系统不能执行他们的任务在一个水平,满足用户的需求。因此,需要一个信息检索系统,满足用户的口味。一般来说,用户的口味(偏好)可以从民意调查的结果预测完成用户或基于系统的使用状态。

进行了大量的研究来预测偏好信息从网页浏览历史,过去的网上购买,等等(1- - - - - -6]。然而,网页浏览历史并不一定反映用户的偏好,因为利息的金额也取决于浏览或购买的目标。因此,它是很难获得高水平的准确性以这种方式。使用这些类型的信息预测可能导致不良的信息对用户的建议。不必要的物品或信息的显示也可能产生负面影响。因此,有必要使用更准确的信息做更有用的建议。

然而,方法是可用的,便于直接从用户偏好信息的采集。这些方法都是基于估计偏好从生物信息如脑电图、眼球运动和心电图。例如,Dolcas和Cabez7]和Mitsukura [8脑电图和偏好之间的关系,和宇都宫et al。9,10)提出了一个愉快的/不愉快的估算方法基于脑电图的互关联系数。音效被用作刺激引起愉快/不愉快和愉快的/不愉快的互相关特性的评估矩阵生成的电压在脑电图测量频带。此外,Musha et al。11,12]提出了一种估算方法四种类型的情感,也就是说,幸福,愤怒,悲伤和快乐,用情感谱分析方法(翻)。

此外,伊藤等。13]在脑电图研究个性特性来开发一个脑电图分析方法,是适应个人用户。鉴于个人特点的存在,它可能会建立一个情感评估模型适应每个人。

因此,开发了几种方法估算从脑电图测量灵敏度,已取得了比较令人满意的结果。在目前的研究中,我们使用这些技术来估计敏感性从脑电图和我们关注图像检索系统中,越来越重要,因为数码相机的普及和发展。我们提出一个图像过滤方法,输出结果以适应用户的偏好。

本文的其余部分组织如下。首先,我们描述了在本研究提出敏感的过滤方案。我们解释情感特征估计和愉快的/不愉快的图像分类器使用情感特性。我们目前的评估实验的结果敏感性筛选应用于图像检索和我们讨论该方法的有效性。

2。灵敏度过滤

一般类似的图像检索方案,图像检索是基于他们的相似图像由用户输入的颜色、结构、模式等等。结果包括一些图片,适合用户的口味,以及一些不。灵敏度自动过滤技术,消除了图像检索结果不匹配用户的口味。

这个任务包括图像滤波;所以可能愉快的/不愉快的分类方法直接使用图像特性。然而,似乎人类的灵敏度无法正确预测仅仅基于表面的信息,如图像的特性。例如,如果两人出现在两张图片,其外部方面可以从图像的特性。然而,他们的内部特征,如个性,深感相关所产生的印象,不能以这种方式获得的。很明显,如果一个人在一个照片是众所周知的用户,这些内部因素会影响是否积极或消极的印象。

因此,它可能需要利用用户的生物信息,比如他们的脑电图观察图像时,直接捕获他或她的情感信息。在目前的研究中,我们推断情感特征从脑电图和执行基于他们的图像滤波。然而,测量脑电图的所有图像目标检索数据库中几乎是不可能的,因为脑电图测量设备需要测量用户的脑电图在检索。因此,建设这样一个环境中是很困难的。在目前的研究中,我们没有采用这种方法获得的情感直接从脑电图特征。相反,我们获得的情感特性间接使用等特性获得图像的颜色,结构,和模式。我们假设用户的情感反应的形象在某种程度上影响图像的特征,如颜色、结构和模式,这之间存在一定程度的相关图像的功能和情感功能。

灵敏度过滤方案基于情感特性常用方法如最大熵(14,15)和支持向量机(16,17)愉快的/不愉快的分类模型。灵敏度的过滤方案使用在目前的研究中,情感特征提取图像的特征作为输入用于前面提到的愉快的/不愉快的分类模型方便愉快的不愉快的标签。如果图像包含愉快的/不愉快的标签,可以执行愉快/不愉快的分类根据图像的特征,尽管如果两个图像颜色和结构相似但不同的愉快的/不愉快的分类、比较图像特性产生了只有微小差别,因此很难进行正确的分类。然而,如果一个人看着照片,认出他们是完全不同的,尽管这些细微的差别,从而促进他们的愉快的/令人不快的决定。因此,我们认为差异变得更大的图像特征后转化为情感特征相对于比较形象的功能。

图1显示了流程的流用来评估情感特性的灵敏度过滤实现以及用于创建愉快的/不愉快从情感特征分类模型。下面的解释与图1。(1)愉快的/不愉快的分类标签获得调查完成的科目都连接到图像文件(样本图像)用于训练。(2)这个主题的脑电图测量图像的表示(学习)。脑电图测量方法和测量环境描述。(3)互相关特性提取测量脑电图。节3,我们提供一个互相关特性的详细描述。(4)从图像中提取图像特征的学习。(5)互相关特性和图像特征作为输入用于典型相关分析。(6)线性回归进行使用的典型相关系数和权重每个变量作为输入,每个图像的情感特性预测需要学到的东西。(7)愉快的/不愉快是由机器学习分类模型,使用估计的情感特征和愉快的/不愉快的标签作为输入。

在实际的图像检索任务,基于图像相似的图像检索用户输入开始执行。接下来,情感过滤应用于图像被认为是分享图片的高度相似性,只有适合显示用户的口味。

3所示。情感功能评估

互相关特性三个频段的互关联系数计算得到的傅里叶变换脑电图测量。这些特点代表期间使用的基本状态向量计算涉及情感光谱分析用来估计情感状态。

出现问题,当使用脑电图对图像检索是脑电图必须测量的图像在图像数据库,这将需要大量的时间和劳动力。宇都宫等人提出了一个方法来识别愉快的和不愉快的感情基于脑电图的互关联系数。在目前的研究中,我们决定从只有一个获得情感功能测试问题,避免问题的细化信息如果愉快/不愉快的模型是基于互相关的脑电图从大量的科目。

我们试图估计从图像互相关特性,而不是直接测量的脑电图。评估的多维特性,如互相关特性,从多维信息从图像中获得需要多元分析技术,如典型相关分析、支持向量机(18),或内核典型相关分析19]。在目前的研究中,我们决定利用典型相关分析,这是一个多元回归的扩张。在下面的描述中,我们估计情感特性使用互相关特性和典型相关分析。

3.1。互相关特性

在目前的研究中,受试者的脑电图测量看图像时使用电极位置在国际10 - 20体系建立。脑电图是得到的电极对应的右耳(基本电极)电极对应的头顶(地线),和其他14个电极。

在这个工作中,10/14被用来测量脑电图电极,如图2。

傅里叶变换分解的频带脑电图(,)处理独立和互相关特性维度提取使用(1)。这些乐队被指定为情感特征。如果在电极电压注册是和,互关联系数它们之间定义为如下。这些系数被作为一个向量来表示互相关特性(20.]。

在(1),是指在特定时期内的平均价值。互关联系数归一化使用EEG振幅。自全球振幅的脑电图不包含相关的信息,所以它的影响应该被消除。有10个电极,电极对的总数。我们分类海浪进入三角洲(~ 4赫兹),θ(4 - 8 Hz),α8—13赫兹()和β(13-30 Hz)波。δ波被淘汰是因为眼球运动产生的影响。在(1),我们定义了一个范围的5 - 20 Hz脑电图分析作为目标。45互关联系数计算的值三个脑电图频段,这产生了一个135 -维向量以固定时间间隔。在目前的研究中,平均每5.12秒计算。

接下来,我们提供的描述脑电图测量环境和条件。一个大显示器(32英寸宽)用于显示图像的主题激励信号。大的显示屏上的图像显示调整保持相同级别的决议,这是足以避免粗糙的在一个大的显示屏。演讲时间是30年代/形象。灯饰都是消除房间里避免无关的视觉信息在显示屏上的图像的表示,和light-shielding窗帘被用来创建一个环境,使光的渗透。基本的EEG节律被认为是受药物或咖啡因;我们禁止吸烟和毒品或咖啡因的摄入之前的最后一个晚上脑电图测量。

3.2。利用典型相关分析估计情感特性

摘要,情感特征提取图像特征利用典型相关分析(21)和线性回归。给出两组变量,典型相关分析涉及到创建为每个变量组合成标准,发现重量最大化它们之间的相关性(相关系数),最终找到某种形式的变量组之间的相关结构。我们使用了合成条件(2基于变量组1和合成标准(3基于变量组2)。常数测定最大化之间的相关函数和。考虑 在哪里和被称为第一个正则变量之间的相关系数和被称为第一个典型相关系数。的目标是找到一个线性组合系数这最大化第一个典型相关预测。

解释线性回归方法利用典型相关分析,我们认为的向量和替换(2)和(4)和(3)和(5)。的方程,代表分析中使用的数据点的数量。考虑

在典型相关分析,我们旨在发现系数最大化两个方程之间的相关系数,最终我们遇到特征值问题所示(6),。的值,,在(6)是获得使用(7)。考虑

是一个矩阵的特征值作为其对角元素处理。如在一个关系(8)之间的系数向量和,在那里

方程(9)显示了最大化的限制条件(8)和目标函数线性回归是由(10)。考虑

方程(11)是通过用(4)和(5)(10)。在目前的研究中,图像特征,如颜色相关图(CC)和局部二值模式(LBP)表示,而从脑电图表示为互相关特性。代表了互相关特性,估计和线性回归方程用于估计。根据(11),可以从图像特征估计的互相关特性。考虑

4所示。愉快的/不愉快的分类基于机器学习的图像使用情感特性

情感特征的估计,基于图像特征的线性回归得到的学习图像集,我们计算他们的余弦相似性使用互相关特性获得实际的脑电图。平均相似性与情感特征估计从CC−0.0054,平均相似性与情感特征估计从枸杞多糖是0.034。这些结果表明,使用低的互相关特性从脑电图中直接提取建立愉快的/不愉快的模型可能并不适合正确分类图像的情感特征估计。因此,我们调查是否愉快的情感功能是有效的估计/不愉快的图像分类进行分类实验使用一个令人愉快的/不愉快的分类模型,这是构建使用估计的情感特性学习数据。

在目前的研究中,我们使用classias - 1.1 (22,23执行机器学习)。这个软件是由冈崎和它支持以下学习模型。(我)最大熵方法:MEM [24,25](2)支持向量机:支持向量机(26,27]。

我们进行了愉快的/不愉快的图像分类评估评估分类器构造是否使用上面给出的学习模型是合适的,而之前的实验评估他们的表现特性的不同选择。我们使用200张图片进行实验学习(不愉快愉快:100:100),和我们进行cross-testing 200分裂。学习图片,主题的脑电图测量而形象被监视和调查完成后确定是否喜欢这个形象。图片没有被排除在实验目标的影响。

CC和枸杞多糖作为图像特征。CC是黄等人提出的一个特征。28,29日),这是基于相邻颜色的同现的频率。在目前的研究中,我们设置了interpixel距离共存的测量作为256 - 7和提取维度CC。此外,枸杞多糖(30.- - - - - -33)是常用的作为图像聚类的一个特性。这个功能是不变的浓度变化和较低的计算成本。这个功能是通过分割图像方向集中在焦点像素,在计算不同色调与像素在不同的方向。在目前的研究中,我们使用LBP直方图,含有枸杞多糖的像素值的频率在整个图像。的LBP直方图的横轴将包括10个值,0到8像素周围的边缘出现问题,其他对应边缘的情况不是很好。同样,如果分裂的数量,我们可以建立一个直方图与18个元素在水平轴上。在这些实验中,除了和(分裂),我们也用枸杞多糖功能相关情况焦像素之间的距离变化。我们结合了三个LBP直方图生成和提取的枸杞多糖特性与46个维度。CC是功能,关注的颜色信息,而枸杞多糖主要关注结构。使用两种类型的特性的原因(CC和LBP)是测试不同的功能类型对分类性能的影响。

评估分类器的性能,我们获得的实验结果相比使用分类器由每个特性基于MEM或SVM与之前进行的民意调查的结果。因此被认为是正确的如果两结果吻合但不正确的。以下五种功能。(1)CC特性(2)有限目的银行模式特性(3)情感功能(4)情感特征提取CC(5)情感特征提取枸杞多糖。

结果如图所示3。数字来在图3对应上面的功能。

在图3,正确分类率高于那些吗和当使用MEM或SVM。此外,结果和高于那些吗和。因此,愉快的/不愉快的基于MEM或SVM分类,提高了性能时使用估计的情感特性,而不是直接使用图像特性。用MEM,结果略不如,而支持向量机。这可能是因为我们不能达到100%的性能估计情感特征的图像特征。此外,结果是更好的比吗,这表明没有过滤的问题。

表1显示详细的查全率和查准率率为每个分类器使用情感特性估计从枸杞多糖。正面例子对应“愉快”分类,而负面例子对应“不愉快”的分类。

正确表达的召回率的比值愉快/不愉快的分类实例的数量,而表达的精确的比例正确分类的分类结果。的,计算使用(12)和(13),分别为: 在哪里表示图像的数量,使用分类器的分类同意/不愉快的判断和实际的愉快是图片的数量分类的分类器。

根据表1召回率是非常高的正面例子使用SVM时,虽然精确率是偏向积极的例子。因此,我们可以得出结论,支持向量机是不适合作为分类器过滤,根据实验结果。

这些结果证实使用情感特性的有效性愉快/不愉快的图像分类。使用估计的情感特性,而不是图像特性提高了分类性能。在目前的研究中,我们使用MEM学习模型和L-BFGS规则学习算法。

5。实验评价敏感性过滤图像检索

我们进行了实验评估敏感性过滤使用CC和枸杞多糖作为图像特征。具体来说,对于每个愉快的图像为输入,选择使用不同类型的图像相似的图像检索功能和敏感性过滤进行检索的结果。的逆特性之间的欧氏距离作为衡量图像的相似性。灵敏度过滤的性能是评价通过考虑成功取消的数量从顶部不愉快的图像检索结果的精度以及速度组10相似性最高的分数。在检索操作,输入图像被排除在评价图像数据(检索目标)。

5.1。实验结果

学习数据由200张图片。评估数据(检索目标)也由200图像(100年被认为是“令人愉快的”和100年“不愉快的”)。一组100个图像作为输入用于评价(所有这些都被认为是“令人愉快的”)。只有一个测试主题的脑电图测量。

平均精度计算基于排名前十的相似性在每个检索试验结果。方程(14)是精确计算公式。考虑

情况下,图像被认为是“令人愉快的”并没有消除,而图像的情况下被视为“不愉快的”可以被消除,如果他们被认为是正确的过滤结果。情况下图像视为“愉快”被淘汰(overelimination)和图像的情况视为“不愉快的”并没有消除(nonelimination)算作筛选失败。评估中使用的图像对应的数量之和成功和失败时使用CC和枸杞多糖作为图像特征。

表2显示图片的数量被认为是过滤成功或失败使用CC和枸杞多糖,有1442评价图像被用于CC和枸杞多糖的7112张照片。

CC,“愉快”图像的数量可以被删除是191年,而这一类的图片数量不能删除是390年。因此,它是不可能进行有效的过滤。然而,“愉快”图像的数量没有删除610年与251年相比,不删除的类别。图像的分类为“愉快”取得成功的分类比例为61.0%,这被认为是良好的性能。

枸杞多糖时使用,然而,过滤图像数量的增加与CC时使用。此外,随着枸杞多糖、过滤使用情感特性导致主要在“愉快”的删除图片。成功删除“不愉快的”图像达到90.0%,这也可以认为是良好的性能。

表3显示检索结果的精度平均利率与CC和枸杞多糖,之前和之后的应用敏感性过滤。CC时精确率略低,但枸杞多糖的平均精度率高12.4%,由于灵敏度过滤。

实验也在下列条件进行组合使用两种类型的图像的特性。结果如表所示4。(一)灵敏度过滤使用情感特性估计与枸杞多糖基于类似的图像检索的结果与CC(称为CC-LBP)(B)灵敏度过滤使用情感特征与CC估计结果的基础上类似的图像检索与枸杞多糖(称为LBP-CC)。

平均利率提高了实验精度(A)和(B)。表4表明,当使用估计的情感特性灵敏度过滤、枸杞多糖是更有效的比CC作为情感特性估计的图像特征。

5.2。评论

在下面的评论相关数据,左边的大图像被用作输入(检索目标)和右边的小的输出图像(检索结果)。上面的行输出的图像显示了相似的图像检索结果,而下一行显示结果时灵敏度过滤结果应用上一行。的输出结果图像按降序排列相似(从1日至5日)。在左上角显示“○”图像用户喜欢的,先前的一项调查显示。

5.2.1。LBP-Based敏感性筛选应用于类似的图像检索的结果基于CC

图4提高检索结果的显示了一个示例应用LBP-based敏感性过滤。“不愉快的”图像输出的1日,2日,3日和5日在类似的图像检索成功被淘汰。然而,“愉快”的形象,在第四届地方输出,也消除了。类似的过滤应用到图像从6日起,所以过滤精度率增加。同样,在图5“不愉快的”图像,输出在1日,3日,4日和5日期间地方相似的图像检索成功被淘汰。然而,“愉快”的形象输出在第二位置也取消了。

5.2.2。基于枸杞多糖相似的图像检索和过滤敏感

数据6,7,8显示例子敏感性过滤基于LBP多次应用,也就是说,74年,77年和97倍。当过滤应用大量的时代,图像被认为是“不愉快的”正确地消除。这些情况下只发生在使用枸杞多糖。

此外,愉快的/不愉快的轮询的所有执行评估和学习图像数据作为检索目标。表5显示的细节令人愉快的/不愉快的数据测试。这个表显示所有的图片属于“昆虫”类被认为是“不愉快”,大部分的图像分类被认为是“风景宜人的。“这表明愉快的/不愉快的分类取决于类别。因此,我们得出结论,可以应用过滤仅根据图像特性,提供用户的不愉快的类别是已知的。接下来,我们考虑获得的结果当过滤使用单独的图像特征。当类似的图像检索的结果令人愉快的和不愉快的枸杞多糖是直接分类基于LBP特征,使用一个过滤器的平均精度率为54.6%。得到高精度的速度相比之前过滤,我们得出结论,可以执行过滤使用单独的图像特征。然而,当直接过滤应用使用CC,过滤处理操作的数量是0,这表明其效率低下。

表6显示了一个比较愉快的/不愉快的分类结果与MEM使用情感特性估计从枸杞多糖或直接利用枸杞多糖。趋势在这两种情况下的观测图像的数量分为“不愉快的”(负示例)往往更高,导致更高的精度与积极的例子。因此,如果“昆虫=不愉快”的情况下可以区分从其他情况下正确地使用图像特性(LBP),这将导致更高的成功率,我们可以得出结论,情感特征提取枸杞多糖,类似于枸杞多糖的趋势,也适合过滤。

6。结论

我们提出了一种灵敏度消除不愉快的图像滤波方法获得的结果与传统相似的图像检索方法。在这种方法中,基于典型相关分析的线性回归模型被用来估计情感特征从图像特征。接下来,机器学习的基础上估计情感功能是用于执行愉快的/不愉快的图像分类。在之前的实验中,我们进行愉快的/不愉快的分类使用两种学习模式(MEM和SVM),图像特征,情绪特征,从图像特征和情感特征估计被用作输入。结果表明,情感特征有效的愉快的/不愉快的分类、确认执行愉快的可能性/不愉快使用估计图像情感分类特性。

评估该方法,我们进行了评价实验,我们应用该灵敏度过滤到一个类似的基于图像特征的图像检索方法。根据获得的结果,精确率略有降低过滤后的情感特征估计CC被使用,而精确率增加了12.4%由于灵敏度过滤当情感特征估计从枸杞多糖。因此,它是可能的实现性能高达90%在消除不愉快的图像。此外,精确率增加了1.8%,敏感性之前过滤敏感过滤使用情感特性估计从枸杞多糖应用于基于CC相似的图像检索的结果。这些结果表明该滤波方法是愉快的/不愉快有效分类的图像和枸杞多糖是一个合适的图像特性估算情感特性。此外,我们确认了单独使用的图像特性过滤并不是那么有效。一个可能的解释的情感特性估计的有效性枸杞多糖是,根据先前的实验,情感特征估计从枸杞多糖往往类似于枸杞多糖本身当不愉快的图像分类。因此,他们更有效的检测比情感特征估计从CC不愉快的图像。图像组作为本文的目标,包含昆虫图像的测试主题判断所有不愉快。昆虫,一些常见的texture-related特性的图像可以突出显示,如小细节的浓度、触觉感,四肢,模式的复杂性。因此,图像包含昆虫的分类(=不愉快的形象)导致了愉快的/不愉快的分类基于LBP特征。 Therefore, using LBP image features for filtering is expected to result in performance improvements compared with that before filtering. Given that the subject’s preferences were biased with respect to each image category and assuming that it is possible to estimate the image’s category from its image-related features, it should be possible to perform more sophisticated sensitivity filtering without resorting to the affective features alone by classifying the image in a category and then using a pleasant/unpleasant classification model that is specific to each category.

在这项研究中,我们证实了该方法是有效的作为一个情感图像检索系统,适合敏感性筛选适应一个特定的个体。此外,通过询问用户标签不愉快的图像包含在检索结果,可以实现更好的适合每个人的敏感性过滤系统通过反馈功能,从新了解愉快/不愉快的模型(34)根据他们的口味和环境的变化。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

本研究从科学和研究基金提供资助(B) (21300036)。

引用

1. y Hijikata”,偏好提取信息推荐技术”,IPSJ杂志,48卷,不。9日,第965 - 957页,2007年。视图:谷歌学术搜索
2. y Kawai, j·张,h·川崎”旅游推荐系统基于web的信息和GIS,”IEEE国际会议多媒体和世博会(ICME ' 09),第993 - 990页,2009年。视图:出版商的网站|谷歌学术搜索
3. b·萨瓦尔g . Karypis j . Konstan和l . Riedl“基于项目的协同过滤推荐算法,”学报第十届国际会议上万维网(WWW的01),页285 - 295,香港,中国,2001。视图:谷歌学术搜索
4. g . Adomavicius和a . Tuzhilin”向下一代的推荐系统:一项调查的最先进的和可能的扩展,“IEEE工程知识和数据,17卷,不。6,734 - 749年,2005页。视图:出版商的网站|谷歌学术搜索
5. 走,沙德博尔特米德尔顿,n和d . Roure”Capturinng利益通过推理和可视化:本体论用户分析在推荐系统中,”第二届国际会议上获取知识,第69 - 62页,2003年。视图:谷歌学术搜索
6. j . Pragarauskaite和g . Dzemyda”视觉决定消费者网上购物行为的分析,“非线性分析:建模和控制,17卷,不。3、355 - 368年,2012页。视图:谷歌学术搜索
7. f . Dolcos和r .自己愉快的情绪记忆与事件相关电位:编码,不愉快,和中性图片,”认知、情感和行为神经科学,卷2,不。3、252 - 263年,2002页。视图:谷歌学术搜索
8. y Mitsukura”,我们可以检测脑电图的偏好,”《日本的电气工程师学会,卷130,不。6,352 - 355年,2010页。视图:出版商的网站|谷歌学术搜索
9. h . Fukai y获利,y Mitsukura”设计的偏好使用脑电图采集检测系统,”智能信息系统杂志》上,卷2,不。1,19-25,2013页。视图:出版商的网站|谷歌学术搜索
10. n .宇都宫h .田中,h . Ide”建设愉快情感相关系数矩阵的脑电图,”IEEJ交易行业的应用,卷122,不。2、309 - 311年,2002页。视图:出版商的网站|谷歌学术搜索
11. t . Musha“从脑电图特征提取与情绪有关,”人工生命和机器人,1卷,不。1、15 - 19,1997页。视图:出版商的网站|谷歌学术搜索
12. m . Murugappan m . Rizon r·纳s Yaacob Zunaidi,和d . Hazry“脑电图特征提取对分类情感使用FCM和FKM,”国际计算机和通讯》杂志上,1卷,不。2、21 - 25日,2007页。视图:谷歌学术搜索
13. 美国伊藤、y Mitsukura和m . Fukumi”模型提取个人脑电图的特点及其评价方法,”IEEJ交易电子、信息和系统,卷129,不。1,17-24,2009页。视图:出版商的网站|谷歌学术搜索
14. A·l·伯杰饰面的美国公元,v . j . d .饰面的“最大熵自然语言建模方法。”计算语言学,22卷,不。1,页39 - 71,1996。视图:谷歌学术搜索
15. o·f·约瑟夫·h·奈伊,“有识别力的统计机器翻译,培训和最大熵模型”第四十届会议协会学报》上,计算语言学协会,2002。视图:谷歌学术搜索
16. k . b . Lipkowitz和t·r·Cundari”,支持向量机在化学中的应用,”在计算化学评论,23卷,页291 - 400,Wiley-VCH, 2007年德国,魏因海姆。视图:谷歌学术搜索
17. c·科尔特斯m . Mohri, a . Rostamizadeh“多层次分类最大利润率多个kemel,”30学报》国际会议上机器学习(ICML 13),3卷,46 - 54岁,2013页。视图:谷歌学术搜索
18. A . j . Smola和b . Scholkopf教程支持向量回归。”统计和计算,14卷,不。3、199 - 222年,2004页。视图:出版商的网站|谷歌学术搜索
19. s . Akoho“内核的典型相关分析的方法,”《心理社会的国际会议,1卷,2001年。视图:谷歌学术搜索
20. y Kosugi、y Kotani和t . Musha脑型信息处理,2006年Morikita。
21. m . Karasuyama和m . Sugiyama”规范基于平方损失相互依赖性分析信息”,神经网络卷,34 46-55,2012页。视图:出版商的网站|谷歌学术搜索
22. d . c .刘和j . Nocedal”内存有限bfg大规模优化的方法,”数学规划,45卷,不。1 - 3、503 - 528年,1989页。视图:出版商的网站|谷歌学术搜索
23. j . Duchi和y歌手”,有效的在线学习和批处理使用向前向后分裂,”机器学习研究杂志》上,10卷,第2934 - 2899页,2009年。视图:谷歌学术搜索
24. e . t .我们“最大熵方法的基本原理,IEEE学报》,卷70,不。9日,第952 - 939页,1982年。视图:出版商的网站|谷歌学术搜索
25. a . Caticha和杜松子酒,“更新概率,”《贝叶斯推理和最大熵方法在科学和工程卷,a . Mohammad-Djafari Ed。31日p。872年,每年,2006。视图:谷歌学术搜索
26. t . joachim大规模地支持向量机学习实用美国剑桥,麻省理工学院出版社,质量,1998年。
27. v . n . Vapnik“统计学习理论,概述”IEEE神经网络,10卷,不。5,988 - 999年,1999页。视图:出版商的网站|谷歌学术搜索
28. j .黄s r·库马尔m . Mitra W.-J。朱,r . Zabih“使用颜色相关图、图像索引”《IEEE计算机学会学报计算机视觉与模式识别会议,第768 - 762页,1997年。视图:谷歌学术搜索
29. 即j·考克斯·m·l·米勒,s m . Omohundro和p . n . Yianilos”捕图者:贝叶斯相关反馈图像检索,”《第13次国际会议模式识别,第369 - 361页,1996年。视图:出版商的网站|谷歌学术搜索
30. m . Turtinen m . Pietikainen, o . Silven”视觉表征纸使用isomap和局部二进制模式,”IEICE交易信息和系统,E89-D卷,不。7,2076 - 2083年,2006页。视图:出版商的网站|谷歌学术搜索
31. t . Ojala m . Pietikainen, t . Maenpaa”多分辨率灰度和旋转不变的纹理分类与局部二进制模式,”IEEE模式分析与机器智能,24卷,不。7,971 - 987年,2002页。视图:出版商的网站|谷歌学术搜索
32. m . Turtinen m . Pietikainen o . Silven t . Maenpaa和m . Niskanen”特征的纹理使用visualization-based训练,”国际先进制造技术杂志》上,22卷,不。11 - 12,890 - 898年,2003页。视图:出版商的网站|谷歌学术搜索
33. t . Kohonen自组织映射施普林格,柏林,德国,1997年。
34. 罗x m . Shishibori f . Ren, k .北城,“将特征空间转换与相关性反馈,基于内容的图像检索”国际期刊的创新计算、信息和控制,3卷,不。5,1237 - 1250年,2007页。视图:谷歌学术搜索

版权

版权©2014 Keranmu Xielifuguli等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。