期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
机器学习技术在游戏中的应用研究——解决鼠标轨迹识别问题 被引量:2
1
作者 刘天白 张舒白 《电脑知识与技术》 2011年第5期3100-3102,共3页
通过赋予游戏中智能体识别鼠标轨迹的能力,提高了游戏的可操作性,增加了游戏的趣味性。鼠标轨迹识别属于多分类问题,该文提出的解决方案是采用BP神经网络和支持向量机(SVM)求解8种鼠标轨迹的识别问题,并且完成了实验对比,封闭测试中... 通过赋予游戏中智能体识别鼠标轨迹的能力,提高了游戏的可操作性,增加了游戏的趣味性。鼠标轨迹识别属于多分类问题,该文提出的解决方案是采用BP神经网络和支持向量机(SVM)求解8种鼠标轨迹的识别问题,并且完成了实验对比,封闭测试中两种方法对鼠标轨迹的正确识别率分别为93.75%和98.75%。 展开更多
关键词 游戏 轨迹平滑 鼠标轨迹识别 BP神经网络 支持向量机
下载PDF
基于BP神经网络的鼠标轨迹识别技术 被引量:2
2
作者 陈喆 周雷 《电脑知识与技术》 2013年第1期130-132,共3页
鼠标与电脑交互通常采用点击的方式,而由鼠标画出特定的轨迹,由轨迹识别算法识别出所属类别,并执行相应的命令,即鼠标手势,这是一种更高效的交互方式。轨迹识别属于分类问题,该文采用BP神经网络技术实现鼠标轨迹的识别。针对人工生成训... 鼠标与电脑交互通常采用点击的方式,而由鼠标画出特定的轨迹,由轨迹识别算法识别出所属类别,并执行相应的命令,即鼠标手势,这是一种更高效的交互方式。轨迹识别属于分类问题,该文采用BP神经网络技术实现鼠标轨迹的识别。针对人工生成训练样本耗时、低效的缺点,该文提出了使用原型轨迹的变换版本扩充训练样本集(提取角度特征,给原型轨迹加噪声)。最后训练11种轨迹,并对BP神经网络识别性能做测试,实验结果表明识别率达到92.9%。 展开更多
关键词 BP神经网络 鼠标轨迹识别 训练样本生成
下载PDF
融合并行投票决策树和半监督学习的鼠标轨迹识别方法 被引量:2
3
作者 孟广婷 王红 刘海燕 《小型微型计算机系统》 CSCD 北大核心 2018年第9期2050-2055,共6页
本文针对已有鼠标轨迹识别方法存在的问题,提出了一种基于并行投票决策树的半监督鼠标轨迹识别方法.首先,本文对鼠标轨迹进行分析,根据多尺度特征思想提取出包括局部轨迹在内的105个特征,并对鼠标轨迹特征进行了划分.其次,本文提出了鼠... 本文针对已有鼠标轨迹识别方法存在的问题,提出了一种基于并行投票决策树的半监督鼠标轨迹识别方法.首先,本文对鼠标轨迹进行分析,根据多尺度特征思想提取出包括局部轨迹在内的105个特征,并对鼠标轨迹特征进行了划分.其次,本文提出了鼠标轨迹识别的半监督学习方法,避免过拟合和数据噪声的影响.最后,为了提高方法的效率,本文提出并行投票决策树模型,训练多尺度特征,对人的鼠标轨迹和机器鼠标轨迹进行分类.实验结果显示,本文方法具有较好的性能. 展开更多
关键词 鼠标轨迹识别 多尺度 半监督 并行投票决策树
下载PDF
基于梯度提升决策树的鼠标轨迹识别方法与研究 被引量:1
4
作者 张志腾 刘琳岚 《信息通信》 2018年第9期17-19,共3页
如今许多不法黑客企图通过编写程序让机器模拟人的行为通过验证码检测,这将导致许多网络安全问题的出现。文章所做的鼠标轨迹识别研究工作,是为了能更好地分辨拖拽式验证码所产生的轨迹是人为还是机器所为,使得验证码技术可以更好地抵... 如今许多不法黑客企图通过编写程序让机器模拟人的行为通过验证码检测,这将导致许多网络安全问题的出现。文章所做的鼠标轨迹识别研究工作,是为了能更好地分辨拖拽式验证码所产生的轨迹是人为还是机器所为,使得验证码技术可以更好地抵御黑客攻击,从而阻止许多网络安全问题的发生。使用2017腾讯大数据挑战赛所提供的鼠标轨迹数据集,采用Python语言进行数据处理,提取出八个鼠标轨迹特征,并通过特征相关性对特征进行筛选得到六个有效特征,使用这六个有效特征构建决策树后通过梯度提升算法叠加多个决策树,以提高拟合度,最终生成梯度提升决策树识别模型,并对鼠标轨迹进行识别,识别准确率为0.9472。该识别模型与决策树识别模型、逻辑回归识别模型、支持向量机识别模型进行对比,得出基于集成学习方法的梯度提升决策树生成的模型识别准确率和AUC值最高。验证码产品采用该识别模型对鼠标轨迹进行识别能够使其更加不易被破解。 展开更多
关键词 鼠标轨迹识别 梯度提升决策树 特征提取 识别模型
下载PDF
基于特征组分层与半监督学习的鼠标轨迹识别 被引量:1
5
作者 康璐璐 范兴容 +2 位作者 王茜竹 杨晓雅 明蕊 《计算机工程》 CAS CSCD 北大核心 2021年第4期277-284,共8页
传统时间序列分类方法存在鼠标轨迹特征挖掘不充分、数据不平衡与标记样本量少等问题,造成识别效果较差。结合特征组分层和半监督学习,提出一种鼠标轨迹识别方法。通过不同视角构建有层次的鼠标轨迹特征组,并借鉴半监督学习的思想,利用... 传统时间序列分类方法存在鼠标轨迹特征挖掘不充分、数据不平衡与标记样本量少等问题,造成识别效果较差。结合特征组分层和半监督学习,提出一种鼠标轨迹识别方法。通过不同视角构建有层次的鼠标轨迹特征组,并借鉴半监督学习的思想,利用多个随机森林模型对未标记样本进行伪标记,且将抽取标签预测一致且置信度较高的部分样本加入到训练集中。基于基础特征组和辅助特征组,在扩充后的训练集上训练随机森林模型,以实现鼠标轨迹的人机识别。实验结果表明,该方法可有效识别鼠标轨迹,且精确率、召回率与调和均值分别达到97.83%、94.72%和96.56%。 展开更多
关键词 鼠标轨迹识别 特征组分层 半监督学习 随机森林模型 不平衡数据
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部