رفتن به مطلب

hhamidy

کاربر انجمن
  • تعداد ارسال ها

    174
  • تاریخ عضویت

  • آخرین بازدید

تمامی مطالب نوشته شده توسط hhamidy

  1. hhamidy

    DNS

    سلام. علت اینکه هر بار زمان استفاده از اینترنت لپ تاپ خود به خود از حالت DNS اتوماتیک (obtain)به آپشن دیگه یعنی Use the following Dns server addresses میره چی میتونه باشه؟
  2. بله اینا رو تغییر داده بودم اما نتیجه ای نداشت: تایم تغییرشون رو هم تو 5 ساعت گذاشته بودم اما متاسفانه همونی هست که بود.
  3. ممنون ولی منکه گفتم میخوام پس ورد رو بخواد هر دفعه، با این مشکل ندارم. میخوام زود به حالت غیر فعال نره، یعنی مثلا بعد از 4 ساعت این اتفاق بیوفته.
  4. سلام. لپ تاپ من خیلی سریع به حالت اسلیپ میره و هر بارم پس ورود میخواد. یعنی تا یه مدت کوتاه بهش دست نزنی سریع از حالت فعال خارج میشه. تو پاور آپشن سعی کردم این زمانا رو تغییر بدم ری استارتم کردم بارها اما فرقی نکرده. نمیخوام پس ورودشو بردارم اما میخوام این حالت نباشه. کسی در این مورد اطلاعی داره؟
  5. hhamidy

    نرم افزار weka

    پپس حتما جاوا روی سیستم من نصب بوده آخه من خیلی قبل ازش استفاده کردم و البته نه خیلی، یکی از واحدای درسیم یادگیری ماشین بود که خیلی سطحی فقط کاراییش رو استاد معرفی کرد برامون. فایل های pdfای رو که گذاشتم روی سایت مطالعه کردید؟
  6. خواهش می کنم. اینم یه راهیه اما وقتی میتونی با رنذم گرفتن داده هات کامل اونا رو به هم بریزی و بعد از داخلشون دیتاهاتو جدا کنی دیگه اینکار به نظر من لازم نیست. اون ایندکسی که اول براتون گذاشتم(idx) کار ی که میکنه همونطور که توضیح دادم اینه که قد همین دیتاهات یه ماتریس درست میکنه که اعداد داخلش پراکنده هستن. مثلا اولین عنصرت 1000 هست بعدیش 2 هست و ... . اینا یه سری عدد به هم ریخته هستن که فقط تعدادشون با تعداد داده هات برابره. بعد میایم برای ورودیا میگیم ورودی رو که اندیسش الان مساوی با این عدد داخل idx اونو تو خونه های جدید قرار بده. یعنی میاد عنصر 1000ام رو میذاره تو ماتریس جدیدت عنصر اولی بعدش عنصر دومی رو میذاره و ... . همونطور که میبینی این ورودیات کاملا طبق اون اعداد تصادفی که اندیسات هستن به هم ریخته و به ترتیب بر حسب اون اندیس چیده میشن. حالا اگر بیای 4/5 همینو برداری در واقع به منظورت رسیدی دیگه، هم از با پیام ها و هم بدون پیام ها داری برمیداری.
  7. زهرا جان متوجه شدی؟ ببخش من خوب منظور رو نمیرسونم یا شاید اشتباه متوجه شدم. خواستی بگو مجدد توضیح میدم یا توضیح بیشتری نیاز بود اضافه کنم.
  8. خب شما گفتی میخوای رندم داده هات انتخاب بشن منم یه اندیس گذاشتم که اینا رو رندم بگیره دیگه. اونوقت وقتی خواست دیتاهاتو برداری از این ماتریس ورودی و خروجی جدید برداری.
  9. hhamidy

    nb

    نه من وقتی اجرا میگیرم داخل out چیزی نیست. مثل همون تصویری که ارسال کردم. برای همین تو پستای بالاتر خواستم یکی دیگه از دوستان که متلب دارن اجرا بگیرن ازش اونم که گویا ... ممنون زهرا جان.
  10. hhamidy

    nb

    سلام. یکی از دوستان این تکه کد رو اجرا می گیرن با متلب تا ما ببینیم چرا خروجیامون متفاوته: دیتا: [Hidden Content] کد: function bz load matlab.mat data=Ytrain; label=Traininglabel; for i=1:10 n=NaiveBayes.fit(data(i:i+1,:), label(i:i+1)); out{i,1}=n; end save out.mat out; end
  11. hhamidy

    nb

    ببین زهرا خانوم الان برای اون برنامه ای که شما نوشتی که این خروجی رو میگیرم، که خالیه: برای اون قسمت دوم هم، قصد من اینه که بیاد هر تعداد داده ی ترین بهش اضافه میشه(طی برنامه) این بیاد اون ها رو دونه دونه اضافه کنه. ته برنامه ی من بعد لیبل خوردن داده ها طی یه پروسه ای اون لیبل خورده ها با لیبلشون ترین جدیدی محسوب میشن که باید دوباره آموزش داده بشن. منتها برای اینکه یه دفعه بهشون اضافه نشه باید دونه دونه اضافه کنم. حالا مثلا به تعداد اون ترینا که میگم که این خطا رو داره. حالا منظور از این 10ای که گرفتی چی بوده؟ما برای 20000تا عنصر داریم 10تا 10 تا ترینش میکنیم؟ حالا متاسفانه نمیدونم چرا خروجی رو ندارم که بقیشو تست کنم بگم منظورم چیه!
  12. دیتای پاک رو تغذیه کردم رو متوجه نمیشم.چون رو مبحث شما کار نکردم اما اگر میخوای که با هم قاطی نشن و تست و ترین کاملا جدا باشن از هم: اول یه متغیر تعریف می کنیم که به تعداد این عناصر باشه: idx = randperm(dataSize); فکر کن دیتای اصلیت ورودیش x هست و خروجی y. X_new=x(idx( y_new=y(idx); الان به این شکل اومدیم دو تا ماتریس درست کردیم برای ورودی و خروجیت که به ازای اون idxای که داشتیم و ایندکس به هم ریخته و رندمی از ماتریس اولی بود حالا این عناصر ماتریس ورودی و خروجیمون هم به ازای اون اندیس ها جابه جا شد یعنی دقیقا همون ماتریسه فقط جای سطر امون کاملا به هم ریخته و جابه جا شده. حالا یه تعدادش رو میشه برای تست برداری و یه تعداد ترین. مثلا بگی تو این ماتریس جدیده از یک تا مثلا 40تای اول بشه تست بقیه بشه ترین. حالا باز اگه درست متوجه نشدم سوالت رو بگو تا دوباره توضیح بدم خانومی.
  13. خب عزیز الان ترین برنامه رو انجام میدی اول با یه سری داده. بعد قراره برنامه رو باهاش تست کنی تا ببینی چقدر آموزش دیده و یاد گرفته دیگه. پس باید دیتاهات غیر از دیتای آموزش دادت باشن دیگه.اینطوری overfit میشه اصطلاحا. یعنی فقط همونا رو یاد می گیره.
  14. hhamidy

    nb

    سلام. ممنونم زهرا جان. فقط الان داخل ماتریس خروجی که چیزی نیست.(داخل out). و اینکه من میخواستم به تعداد ytrain این کار رو انجام بده دیگه. وقتی مینویسم: nn=numel(Ytrain); for i=1:nn n=NaiveBayes.fit(data(i:i+1,:), label(i:i+1)); out{i,1}=n; end این خطاشه عزیز: Error using NaiveBayes.fit>gaussianFit (line 479) For Gaussian distribution, each class must have at least two observations. Error in NaiveBayes.fit (line 450) obj = gaussianFit(obj, training, gindex);
  15. سوال دیگه ای هم که دارم اینه: من الان با zeropadding اطراف تصویر رو لایه گذاری کردم(با صفر). حالا تصویری که 337*337 بود تبدیل به 339*339 شده. اما بردار نتیجه ی Feature_LBP الان 335*335 هست ابعادش. این الان با سایز تصویر برابر نیست. چون بردار خروجی من دقیقا مساووی با تعداد پیکسل هام هست، مثلا برای این تصویر که 337*337 هست من 113569 عدد پیکسل دارم. اما الان خروجی این بردار Feature_LBP 335*335=112225 هست.این اختلاف به چه صورت حل میشه؟ و اینکه آیا صحیحه که چون در واقع یه ویژگی هستن برای کل تصویر به اینصورت بنویسمش و در یک ستون: kk=reshape(Feature_LBP,112225,1); اگر دوستان محبت کنن پاسخ بدن ممنون میشم.
  16. سلام. ممنونم. منظورت به اینصورته: [Hidden Content] .................................................................... clear; clc; Img1=imread('roimdb001.tif'); Feature_LBP1=[]; Resault=[]; [h w]=size(Img1) Img=padarray(Img1,[1 1]); for i=2:h-1 for j=2:w-1 im=Img(i-1:i+1,j-1:j+1); for ii=1:3 for jj=1:3 if(~(ii==2 && jj==2)) if(im(ii,jj)-im(2,2)>0) im(ii,jj)=1; else im(ii,jj)=0; end end end end num=[num2str(im(2,1)) num2str(im(3,1)) num2str(im(3,2)) num2str(im(3,3)) num2str(im(2,3)) num2str(im(1,3)) num2str(im(1,2)) num2str(im(1,1))]; Resault(i-1,j-1)=bin2dec(num); end end Feature_LBP=[Feature_LBP;Resault]; عدد باینری؟! دسیمالش کردی آخرش دیگه. ...................................... مزیت این کار دقیقا چیه؟ اصلا منظور از lbp چیه؟ چرا ازش استفاده میکنیم؟ میتونید یه کم توضیح بدید؟ برای تصویری مثل مامو که کنتراستش پایین هست به این ترتیب ویژگی که استخراج میشه مطلوبه؟ چرا اینجا از هیستوگرام پروجکشن استفاده کرده بود؟ یه کم توضیح میده لطفا؟ من یه تعداد تصویر دارم اما برای هر کدوم میخوام جداگانه این lbp رو بدست بیارم که نمیدونم مطلوبم هست یا نه اما شما برای 150 تا تصویر این کار رو انجام دادید. چرا برای 150 تا تصویر همزمان lbp رو بدست میاری بعد پروجکشن؟
  17. سلام. امکانش هست که تنها برای یک تصویر این استخراج ویژگی رو انجام بدیم؟ من شنیدم که lbp فقط مربوط به یک دسته تصویر هست. اگر بخوام برای یه تصویر ویژگی lbp اون رو استخراج کنیم، منتها به این صورت باشه که این ماسکی که حولش هست ویژگی هایی رو که استخراج میکنه با ازای تمام عناصر و تصویر صفحه باشه. مثلا برای یه تصویر 225*225 ااگر 80 ویژگی از lbp بدست میاریم ویژگی های مستخرج این تعداد بشن: 50625*80= یعنی :225*225*80 باید به چه صورت این ویژگی استخراج بشه؟ چون الان مثلا من اومدم ویژگیای استاتیک یا glcm رو بدست آوردم برای یه تصویر. بعد میخوام این lbp ها رو هم کنار همون ها قرار بدم.طبیعتا ابعاد اونام با ابعاد تصویرمون برابره دیگه. مثلا استاتیک 6*50625 هست، glcm 44* 50625 هست . اونوقت باید این lbp هم برای اینکه کنار اونیکی ها قرار بگیره یه همچین حالتی داشته باشه دیگه. یعنی اصطلاحا میخوام ویژگیها رو بر اساس پیکسلای تصویر(تک پیکسل تصویر) بدست بیارم و که در کنار ویژگی های قبلی قرار بگیره و هم بعد با اونا باشه. چطور میشه این رو نوشت؟
  18. hhamidy

    nb

    سلام. من تصمیم دارم train برنامه ای که با بیز نوشتم داخل حلقه باشه، اما چون حالت استراکچر داره نمیدونم به چه صورت انجام میشه و آیا ممکن هست و یا نه. این خط کد هست: naive_bayes = NaiveBayes.fit(trainsample, trainlabel); و این هم داده ها: [Hidden Content] میخوام یه حالتی مثل این شکل داشته باشه : for i=1:1:f naive_bayes(i,:)= NaiveBayes.fit(trainsample(i,:), trainlabel(i,:)); end اما متاسفانه چون استراکچر هست نمیدونم ممکنه یا نه و یا به چه طریق! برای تست و بر چسب زدن داده ها اون رو داخل حلقه نوشتم و به صورت دونه دونه تست میشه و نتیجه حاصل میشه: for i=1:1:f Class_Naive(i,:) = nb.predict(testlabel(i,:)); end اما مرحله ی قبل از اون ترین هست که میخواستم طبق توضیحاتی که بالاتر نوشتم اونها هم به صورت دونه ای ترین بشن. کد اصلی بیز بدون حلقه هم این هست: naive_bayes = NaiveBayes.fit(trainsample, trainlabel); Class_Naive = naive_bayes .predict(testlabel);
  19. hhamidy

    استخراج ویژگی

    سلام. زهرا جان اگر ف ی ل ت ر شکن داشته باشی میتونی از این مسیر دانلودش کنی: [Hidden Content] اگرم نه، بگو تا خودم برات ارسال کنم. اون فایل زیپ شده رو دانلود کن که بتونی به کلش دسترسی داشته باشی.
×
×
  • اضافه کردن...