دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Mohamed S. Kamel, Nayer M. Wanas (auth.), Terry Windeatt, Fabio Roli (eds.) سری: Lecture Notes in Computer Science 2709 ISBN (شابک) : 9783540403692, 3540422846 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2003 تعداد صفحات: 417 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب سیستم های طبقه بندی چندگانه: چهارمین کارگاه بین المللی ، MCS 2003 گیلفورد ، انگلیس ، 11 تا 13 ژوئن ، مجموعه مقالات: تشخیص الگو، محاسبات توسط دستگاه های انتزاعی، هوش مصنوعی (شامل رباتیک)، پردازش تصویر و بینایی کامپیوتری
در صورت تبدیل فایل کتاب Multiple Classifier Systems: 4th International Workshop, MCS 2003 Guildford, UK, June 11–13, 2003 Proceedings به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب سیستم های طبقه بندی چندگانه: چهارمین کارگاه بین المللی ، MCS 2003 گیلفورد ، انگلیس ، 11 تا 13 ژوئن ، مجموعه مقالات نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب مجموعه مقالات داوری چهارمین کارگاه بین المللی سیستم های طبقه بندی کننده چندگانه، MCS 2003 است که در گیلفورد، انگلستان در ژوئن 2003 برگزار شد.
</ P>
40 مقاله کامل اصلاح شده ارائه شده با یک مقاله دعوت شده به دقت بررسی و برای ارائه انتخاب شدند. مقالات در بخشهای موضوعی در مورد تقویت، قوانین ترکیب، روشهای چند کلاسه، طرحها و معماریهای ترکیبی، مجموعههای شبکه عصبی، استراتژیهای مجموعه، و کاربردها سازماندهی شدهاند
This book constitutes the refereed proceedings of the 4th International Workshop on Multiple Classifier Systems, MCS 2003, held in Guildford, UK in June 2003.
The 40 revised full papers presented with one invited paper were carefully reviewed and selected for presentation. The papers are organized in topical sections on boosting, combination rules, multi-class methods, fusion schemes and architectures, neural network ensembles, ensemble strategies, and applications
Data Dependence in Combining Classifiers....Pages 1-14
Boosting with Averaged Weight Vectors....Pages 15-24
Error Bounds for Aggressive and Conservative AdaBoost....Pages 25-34
An Empirical Comparison of Three Boosting Algorithms on Real Data Sets with Artificial Class Noise....Pages 35-44
The Beneficial Effects of Using Multi-net Systems That Focus on Hard Patterns....Pages 45-54
The Behavior Knowledge Space Fusion Method: Analysis of Generalization Error and Strategies for Performance Improvement....Pages 55-64
Reducing the Overconfidence of Base Classifiers when Combining Their Decisions....Pages 65-73
Linear Combiners for Classifier Fusion: Some Theoretical and Experimental Results....Pages 74-83
Comparison of Classifier Selection Methods for Improving Committee Performance....Pages 84-93
Towards Automated Classifier Combination for Pattern Recognition....Pages 94-105
Serial Multiple Classifier Systems Exploiting a Coarse to Fine Output Coding....Pages 106-114
Polychotomous Classification with Pairwise Classifiers: A New Voting Principle....Pages 115-124
Multi-category Classification by Soft-Max Combination of Binary Classifiers....Pages 125-134
A Sequential Scheduling Approach to Combining Multiple Object Classifiers Using Cross-Entropy....Pages 135-145
Binary Classifier Fusion Based on the Basic Decomposition Methods....Pages 146-155
Good Error Correcting Output Codes for Adaptive Multiclass Learning....Pages 156-165
Finding Natural Clusters Using Multi-clusterer Combiner Based on Shared Nearest Neighbors....Pages 166-175
An Ensemble Approach for Data Fusion with Learn++....Pages 176-185
The Practical Performance Characteristics of Tomographically Filtered Multiple Classifier Fusion....Pages 186-195
Accumulated-Recognition-Rate Normalization for Combining Multiple On/Off-Line Japanese Character Classifiers Tested on a Large Database....Pages 196-205
Beam Search Extraction and Forgetting Strategies on Shared Ensembles....Pages 206-216
A Markov Chain Approach to Multiple Classifier Fusion....Pages 217-226
A Study of Ensemble of Hybrid Networks with Strong Regularization....Pages 227-235
Combining Multiple Modes of Information Using Unsupervised Neural Classifiers....Pages 236-245
Neural Net Ensembles for Lithology Recognition....Pages 246-255
Improving Performance of a Multiple Classifier System Using Self-generating Neural Networks....Pages 256-265
Negative Correlation Learning and the Ambiguity Family of Ensemble Methods....Pages 266-275
Spectral Coefficients and Classifier Correlation....Pages 276-285
Ensemble Construction via Designed Output Distortion....Pages 286-295
Simulating Classifier Outputs for Evaluating Parallel Combination Methods....Pages 296-305
A New Ensemble Diversity Measure Applied to Thinning Ensembles....Pages 306-316
Ensemble Methods for Noise Elimination in Classification Problems....Pages 317-325
New Boosting Algorithms for Classification Problems with Large Number of Classes Applied to a Handwritten Word Recognition Task....Pages 326-335
Automatic Target Recognition Using Multiple Description Coding Models for Multiple Classifier Systems....Pages 336-345
A Modular Multiple Classifier System for the Detection of Intrusions in Computer Networks....Pages 346-355
Input Space Transformations for Multi-classifier Systems Based on n-tuple Classifiers with Application to Handwriting Recognition....Pages 356-365
Building Classifier Ensembles for Automatic Sports Classification....Pages 366-374
Classification of Aircraft Maneuvers for Fault Detection....Pages 375-384
Solving Problems Two at a Time: Classification of Web Pages Using a Generic Pair-Wise Multiple Classifier System....Pages 385-394
Design and Evaluation of an Adaptive Combination Framework for OCR Result Strings....Pages 395-404