比舞蹈技术更基本的技术 K-note超级训练营课堂笔记(一)

在5月举行的首届2017K-note超级训练营中,十位明星导师的课程让参加的学员真真正正享受到了一份高能量的'舞蹈大餐',每一位导师带给大家的内容都是前沿的、实用的,需要认真思考和消化的。今天,我们走进金文杰的课堂,为读者们呈现他所讲授的技术干货。

跳斗牛 要学会为自己“加戏” K-note超级训练营课堂笔记(二)

在今年5月举行的首届2017K-note超级训练营中,十位明星导师的课程让参加的学员真真正正享受到了一份高能量的'舞蹈大餐',在此之中,石磊/卫雪男讲授的斗牛舞让学员们受益匪浅、印象深刻。诙谐幽默的语言、精准到位的示范、透彻细致的讲解,短短几节课的时间让学员们喜欢上了石磊/卫雪男,也喜欢上了他们的舞蹈。

基于主成分分析和K-means的便利贴显微共聚焦激光拉曼光谱分类

显微共聚焦激光拉曼光谱法与机器学习结合,建立便利贴物证识别分类模型,为基层民警开展侦查工作提供帮助。以36个不同产地、不同生产厂家的便利贴样品为研究对象,利用显微共聚焦激光拉曼光谱法获取便利贴样品拉曼光谱数据,并对拉曼光谱数据进行基线校正、曲线平滑、标准化预处理。利用主成分分析法对36个便利贴样品预处理后的拉曼光谱数据降维,提取了3个特征值大于等于1且累计贡献率85%以上的主成分,3个主成分解释了样品拉曼光谱数据大部分信息。利用K-means无监督聚类算法,指定K值范围,并计算对应聚类系数,确定36个便利贴样品最佳聚类数为6类。利用判别分析验证基于主成分分析和K-means的样品分类模型的适用性和准确性,经验证,样品分类模型原始分类正确率和交叉验证分类正确率分别为100%和97.22%。实验结果表明,显微共聚焦激光拉曼光谱法结合主成分分析和K-means可以实现便利贴分类模型构建,且分类结果可靠。

一种基于主成分分析的钞票识别算法

提出一种基于PCA的钞票识别算法。通过对经预处理后的钞票图像作感兴趣区域(ROI)切割,获得ROI图像;然后对ROI图像做K-L变换提取钞票图像的主成分,构造钞票的特征空间;利用训练样本在特征空间中的投影向量构建特征模板。通过计算待识别目标与特征模板的最小距离来完成识别。以第五套人民币作为实验对象进行实验,实验结果表明本文提出方法的有效性。

差分拉曼光谱结合支持向量机模型对便签纸的鉴别分析

基于差分拉曼光谱技术与支持向量机(SVM)模型,提出了一种对便签纸类检材的快速可视化鉴别方法。实验获取了40组不同品牌便签纸样本的差分拉曼光谱数据,利用BP神经网络和差分技术完成谱图的除噪与基线校正后,借助F检验与主成分分析提取谱段信息,构建出SVM分类模型。实验结果表明,当设置Linear为SVM模型的核函数时,可以实现对样本测试集的完全准确划分,K折交叉验证的结果理想。相比于传统聚类分析手段,本方法可以在原始高维光谱数据中筛选出有效特征矩阵,且SVM模型兼具高效性和准确性,为公安实践中纸张类物证的区分鉴别提供一种新思路。