-
题名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
- 1
-
-
作者
孟广婷
王红
刘海燕
-
机构
山东师范大学信息科学与工程学院
山东省分布式计算软件新技术重点实验室
山东师范大学生命科学研究院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第9期2050-2055,共6页
-
基金
国家自然科学基金项目(61672329
61373149
+9 种基金
61472233
61572300
81273704)资助
山东省科技计划项目(2014GGX101026)资助
山东省教育科学规划项目(ZK1437B010)资助
山东省泰山学者基金项目(TSHW201502038
20110819)资助
山东省精品课程项目(2012BK294
2013BK399
2013BK402)资助
-
文摘
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.
-
关键词
鼠标轨迹识别
多尺度
半监督
并行投票决策树
-
Keywords
mouse trajectory recognition
multi-scale
semi-supervised
parallel voting decision tree
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于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
-
机构
成都理工大学
-
出处
《电脑知识与技术》
2013年第1期130-132,共3页
-
文摘
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%。
-
关键词
BP神经网络
鼠标轨迹识别
训练样本生成
-
Keywords
BP neural network
mouse trajectory recognition
training sample generation
-
分类号
TP18
[自动化与计算机技术—控制科学与工程][自动化与计算机技术—控制理论与控制工程]
-
-
题名基于特征组分层与半监督学习的鼠标轨迹识别
被引量：1
- 3
-
-
作者
康璐璐
范兴容
王茜竹
杨晓雅
明蕊
-
机构
重庆邮电大学通信与信息工程学院
重庆工商大学计算机科学与信息工程学院
重庆邮电大学电子信息与网络工程研究院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第4期277-284,共8页
-
基金
重庆市自然科学基金(cstc2018jcyjAX0587)
重庆市科技重大主题专项重点示范项目(cstc2018jszx-cyztzxX0035)
中国移动科研基金项目(MCM20170203)。
-
文摘
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%。
-
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
-
Keywords
mouse trajectory recognition
feature group hierarchy
semi-supervised learning
random forest model
unbalanced data
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
