Andere Kunden interessierten sich auch für
![RECUPERACIÓN DE IMÁGENES BASADA EN EL CONTENIDO CON TÉCNICA DE RETROALIMENTACIÓN]( "RECUPERACIÓN DE IMÁGENES BASADA EN EL CONTENIDO CON TÉCNICA DE RETROALIMENTACIÓN")
RECUPERACIÓN DE IMÁGENES BASADA EN EL CONTENIDO CON TÉCNICA DE RETROALIMENTACIÓN27,99 €![ENFOQUE DE APRENDIZAJE AUTOMÁTICO PARA EL ANÁLISIS DE DATOS]( "ENFOQUE DE APRENDIZAJE AUTOMÁTICO PARA EL ANÁLISIS DE DATOS")
ENFOQUE DE APRENDIZAJE AUTOMÁTICO PARA EL ANÁLISIS DE DATOS36,99 €![Un sistema de detección de intrusos mediante un algoritmo de aprendizaje automático]( "Un sistema de detección de intrusos mediante un algoritmo de aprendizaje automático")
Un sistema de detección de intrusos mediante un algoritmo de aprendizaje automático27,99 €![Clasificación de la infección por dengue mediante aprendizaje automático]( "Clasificación de la infección por dengue mediante aprendizaje automático")
Clasificación de la infección por dengue mediante aprendizaje automático31,99 €![Predicción del cáncer de mama mediante varios métodos de aprendizaje automático]( "Predicción del cáncer de mama mediante varios métodos de aprendizaje automático")
Predicción del cáncer de mama mediante varios métodos de aprendizaje automático36,99 €![Clasificación de cultivos frutales mediante técnicas de aprendizaje automático]( "Clasificación de cultivos frutales mediante técnicas de aprendizaje automático")
Clasificación de cultivos frutales mediante técnicas de aprendizaje automático27,99 €![Exploración de datos y aprendizaje automático con R]( "Exploración de datos y aprendizaje automático con R")
Exploración de datos y aprendizaje automático con R31,99 €
Proceso de recuperación de imágenes basado en el contenido dependiendo de una nueva estrategia de correspondencia. En este trabajo, el modelo propuesto se compone de cuatro fases principales: extracción de características, reducción de la dimensionalidad, clasificador RNA y estrategia de correspondencia. En la fase de extracción de características, se extraen las características de color y textura, respectivamente, denominadas matriz de co-ocurrencia de color (CCM) y diferencia entre píxeles del patrón de escaneo (DBPSP). La técnica de reducción de la dimensionalidad selecciona las características efectivas que tienen conjuntamente la mayor dependencia de la clase objetivo y la mínima redundancia entre ellas. La red neuronal artificial (RNA) de nuestro modelo propuesto sirve como clasificador, de modo que las características seleccionadas de la imagen de consulta son la entrada y su salida es una de las múltiples clases que tienen la mayor similitud con la imagen de consulta.