Modele lettre depassement decouvert

Dans la recherche future, LDA avec rétrécissement [22] ou LDA bayésienne [32] sera appliqué au classifieur d`ensemble avec le partitionnement chevauché. Ces deux méthodes évaluent les matrices de covariance de différentes manières de sorte que LDA en elle-même devient robuste contre un manque de données de formation. Ainsi, il peut être possible d`obtenir une meilleure précision de classification avec une plus petite quantité de données de formation en appliquant les deux méthodes. Les classificateurs d`ensemble proposés avec un partitionnement superposé peuvent s`appliquer à d`autres types de BCIs, tels qu`une BCI basée sur la désynchronisation/synchronisation des événements (ERD/ERS) [42]. En fait, certains classificateurs d`ensemble pour les BCIs basés sur les ERD/ERS ont été évalués [43] et nos classificateurs d`ensemble superposés proposés pourraient également s`appliquer. En outre, le classifieur d`ensemble avec le partitionnement superposé peut être utilisé dans d`autres problèmes de reconnaissance de modèle, par exemple, une classification de cancer [44] ou l`analyse de données d`IRM [45]. En outre, les algorithmes de clustering tels que k-means clustering [46] pourraient être utilisés pour un nouveau partitionnement superposé des classificateurs d`ensemble. En regroupant les données avec des chevauchements, les classificateurs qui fonctionnent bien pour des fonctionnalités spécifiques peuvent être formés. Ainsi, le partitionnement groupé avec des chevauchements peut montrer une meilleure performance de classification. Comme on peut le voir dans le tableau 3, les valeurs des paramètres d`écart-type sont assez semblables pour toutes les expériences. Cela nous permet de réduire le nombre de paramètres en ajustant l`écart type pour chaque position avec une croissance exponentielle simple à la fonction asymptote sur la position de la lettre: toutes les procédures de formation et de test du classificateur d`ensemble proposé pour Les RCC basés sur P300 sont présentés à la figure 5.

Dans le partitionnement superposé, les ensembles de données d`apprentissage sont divisés en partitions, où le chevauchement de chaque partition est autorisé. Dans la première étape de la méthode de partitionnement chevauché, les données d`apprentissage attribuées aux commandes d`entrée ont été triées par temps enregistré et ont été divisées en blocs sans chevauchement. Ensuite, en supposant que les blocs ont été alignés autour d`un cercle, des blocs consécutifs de Th Block () ont été sélectionnés pour former une partition. La procédure a été répétée pour tous. Un exemple de partitionnement superposé est illustré à la figure 6. Chaque apprenant faible a été formé sur les données partitionnées (voir la figure 5). L`avantage de cette méthode de partitionnement par rapport au partitionnement naïf est qu`une plus grande quantité de données sont stockées dans chaque partition. Ainsi, le partitionnement superposé peut être robuste contre la pénurie de données de formation. Dans la présente étude, a été fixée; Cependant, a été varié dans l`analyse hors ligne. Les lettres majuscules ont tendance à être plus courantes pour les marques de lettres, puisque c`est le cas que vous êtes le plus susceptible d`utiliser lors de l`écriture des premières lettres dans le nom de la société.

Changeons la couleur de chaque lettre. Commençons par la première lettre sur la gauche. Double-cliquez sur la vignette du calque de forme supérieur dans le panneau Calques: dans la fenêtre du document, cliquez n`importe où sur l`arrière-plan blanc pour désélectionner les lettres. Ensuite, cliquez sur la première lettre sur la gauche pour la sélectionner. Un contour de tracé réapparaîtra autour d`une seule lettre: les performances de classification des classificateurs d`ensemble avec le partitionnement superposé étaient aussi bien, ou légèrement meilleures que celles du classifieur unique, lorsque 8100 données de formation ont été fournies. Comme le montre la figure 10, la pire performance de classification a été obtenue par les classificateurs d`ensemble () pour tous les algorithmes, ce qui était le même que l`analyse de l`ensemble de données A à l`aide de la validation croisée.