This paper proposes an innovative a

This paper proposes an innovative approach to trafficdensity estimation. It defines a method that focuses onreducing computational time and complexity by extractingrow, column and diagonal mean feature vectors from theimage. Then these feature vectors are used to trainclassifiers and the images are classified as low, moderate orhigh traffic situations. The system works in 2 phases:Training phase and classification phase. In the trainingphase, the image is subtracted to obtain the vehicles. Thefeatures of the subtracted image are extracted and a datasetis created. This dataset is used to train the classifier. In thesecond phase, the trained classifier is used to classify thereal-time traffic data. Finally, seven data mining classifiersare used along with total fifteen combinations of featurevectors to test the accuracy of the eighty-four variations ofthe proposed technique. The Bayes family is proved to bebetter for traffic classification. The column mean featureshave been proven better. Overall Naïve Bayes classifierwith column mean feature vector has given the betteraccuracy among experimented data mining classifiers.

0/5000

原始語言: -

目標語言: -

結果 (繁體中文) 1: [復制]

復制成功！

本文提出了一種創新的方法，以交通 密度估計。它定義了集中在一個方法 通過提取減少計算時間和複雜性 從行，列和對角線平均特徵向量 的圖像。然後將這些特徵向量被用來訓練 分類器和圖像被分類為低，中等或 高流量的情況。該系統的工作分兩個階段： 訓練階段和分類階段。在訓練 階段，圖像被減去以獲得車輛。的 相減圖像的特徵被提取和數據集 被創建。此數據集用於訓練分類。在 第二階段中，訓練的分類器用於分類的 實時交通數據。最後，七個數據挖掘分類器 與特徵的總15組合一起使用 矢量來測試的84變體的準確度 所提出的技術。貝葉斯家庭證明是 更好地對流量進行分類。列均值功能 已被證明更好。總體樸素貝葉斯分類器 與列均值特徵向量給予了較好的 試驗數據挖掘分類中的準確性。

正在翻譯中..

結果 (繁體中文) 2:[復制]

復制成功！

本文提出了一種創新的交通方法 密度估計。它定義了側重于 通過提取減少計算時間和複雜性 行、列和對角線均值特徵向量。 圖像。然後，這些特徵向量用於訓練 分類器和圖像分為低、中度或 高流量情況。該系統分兩個階段工作： 培訓階段和分類階段。在培訓中 相，減去圖像以獲取車輛。的 提取減法圖像的特徵，並提取資料集 將創建。此資料集用於訓練分類器。在 第二階段，訓練過的分類器用於對 即時流量資料。最後，七個資料採礦分類器 與總共 15 個要素組合一起使用 向量測試八十四個變化的準確性 建議的技術。貝葉斯家族被證明是 更好的交通分類。列均值要素 已經證明更好。總體納伊夫貝葉斯分類器 與列均值特徵向量已給予更好的 實驗資料採礦分類器的準確性。

正在翻譯中..

結果 (繁體中文) 3:[復制]

復制成功！

本文提出了一種新的交通方法 密度估計。它定義了一個關注 通過選取减少計算時間和複雜性 行、列和對角線的平均特徵向量 形象。然後這些特徵向量被用來訓練 分類器和影像分為低、中或 交通擁擠的情况。該系統分兩個階段工作： 訓練階段和分類階段。在訓練中 相位，减去影像得到車輛。這個 選取减影影像的特徵，並建立數据集 是創建的。此數据集用於訓練分類器。在 第二階段，使用經過訓練的分類器對 實时交通數據。最後，七個資料挖掘分類器 與總共15個特徵組合一起使用 測試84個變數的準確性的向量 提出的科技。貝耶斯家族被證明是 更適合交通分類。列平均特徵 已經被證明更好了。整體樸素貝葉斯分類器 與列平均特徵向量相比 實驗資料挖掘分類器的準確性。

正在翻譯中..

其它語言

本翻譯工具支援: 世界語, 中文, 丹麥文, 亞塞拜然文, 亞美尼亞文, 伊博文, 俄文, 保加利亞文, 信德文, 偵測語言, 優魯巴文, 克林貢語, 克羅埃西亞文, 冰島文, 加泰羅尼亞文, 加里西亞文, 匈牙利文, 南非柯薩文, 南非祖魯文, 卡納達文, 印尼巽他文, 印尼文, 印度古哈拉地文, 印度文, 吉爾吉斯文, 哈薩克文, 喬治亞文, 土庫曼文, 土耳其文, 塔吉克文, 塞爾維亞文, 夏威夷文, 奇切瓦文, 威爾斯文, 孟加拉文, 宿霧文, 寮文, 尼泊爾文, 巴斯克文, 布爾文, 希伯來文, 希臘文, 帕施圖文, 庫德文, 弗利然文, 德文, 意第緒文, 愛沙尼亞文, 愛爾蘭文, 拉丁文, 拉脫維亞文, 挪威文, 捷克文, 斯洛伐克文, 斯洛維尼亞文, 斯瓦希里文, 旁遮普文, 日文, 歐利亞文 (奧里雅文), 毛利文, 法文, 波士尼亞文, 波斯文, 波蘭文, 泰文, 泰盧固文, 泰米爾文, 海地克里奧文, 烏克蘭文, 烏爾都文, 烏茲別克文, 爪哇文, 瑞典文, 瑟索托文, 白俄羅斯文, 盧安達文, 盧森堡文, 科西嘉文, 立陶宛文, 索馬里文, 紹納文, 維吾爾文, 緬甸文, 繁體中文, 羅馬尼亞文, 義大利文, 芬蘭文, 苗文, 英文, 荷蘭文, 菲律賓文, 葡萄牙文, 蒙古文, 薩摩亞文, 蘇格蘭的蓋爾文, 西班牙文, 豪沙文, 越南文, 錫蘭文, 阿姆哈拉文, 阿拉伯文, 阿爾巴尼亞文, 韃靼文, 韓文, 馬來文, 馬其頓文, 馬拉加斯文, 馬拉地文, 馬拉雅拉姆文, 馬耳他文, 高棉文, 等語言的翻譯.