1、“.....通过步骤为来误判实例分配权重总和复合假说。归复合误差是获得更新分配权被分配到第步中个别实例，然后使用。正确复合假说分类实例分配权重降低了因素因此，当分布于下次迭代第步重新正常化时，误判实例权重有效地增加。这是因为，当个新数据集介绍尤其是与新类或功能，现有合奏是可能误认实例，尚未得到妥善教训，因此这些情况下权重增加，迫使该算法把重点放在新数据。介绍了在每个数据融合应用中个权重额外集。这些权重代表特定数据源重要性和可靠性，可以根据以往经验分配，例如，诊断神经系统疾病，我们可以知道，磁共振成像是更为可靠脑电图，因此，我们可以选择较高权重训练与数据分类，或者他们可以在自己训练数据上，根据整体表现设置特定功能训练。我们套等权重计算个数据集基础上，第个数据集上训练合奏训练中表现，调整使用投票权......”。

2、“.....每个分类调整后权重，在最后假说加权多数表决。图是该算法示意图。仿真结果，使用多个数量集增量学习，相比较其他增量学习方法，如模糊可以找到。两个数据融合应用仿真结果，现介绍如下，其中主要包括额外细节，更新结果比提出有进步了解。个涉及超声波和确定管道缺陷漏磁数据组合，以及其他涉及化学传感器数据来自多个传感器组合，这些应用程序都是真实世界应用。图算法示意图厚度对薄膜气体传感器影响结果与讨论结构特征半导体氧化锌传感机制，属于表面控制型，气敏表面吸附位地区决定。表面形貌随薄膜厚度变化显著，因此暴露目标气体总吸附面积也可能随薄膜厚度变化。在本文中，吸附面积薄膜厚度功能控制，通过改变沉积时间，分钟。从纳米到纳米薄膜厚度增加，当沉积时间从至分钟不等。图薄膜能量弥散线分析频谱正如图所示，光谱表明，主峰是锌线和线。在光谱另高峰期是从观察到预先进行金涂层处理凹峰......”。

3、“.....表面形貌如图所示。可以看出，薄膜光滑，作为薄膜厚膜增加同晶粒尺寸与形貌发达多。薄膜传感器传感特性在般情况下，传感器灵敏度受工作温度影响。温度越高，薄膜表面反应越大，在定温度范围内给出了更高灵敏度。图气氛下，氧化锌薄膜灵敏度和操作温度关系如图所示，浓度下，从至，显示函数操作温度灵敏度，沉积氧化锌薄膜各种厚度。观察快速增长敏感度，纳米薄膜操作温度升高到达到最大，随着操作温度进步增加而下降。从这个观察中由此可以推断，敏感度增长随着薄膜厚度减少，相比较另外薄膜，纳米薄膜最佳工作温度是最低。金属氧化物半导体传感器灵敏度主要取决于目标气体和传感器表面之间相互作用。材料表面积越大，吸附气体和传感器表面之间相互作用越强，即气体传感灵敏度较高。它可以从扫描时电子显微镜中观察到形貌，如图所示，晶粒尺寸在纳米薄膜小，而在纳米晶界是最大......”。

4、“.....图薄膜纳米厚暴露于各种浓度下摄氏度瞬态响应如图所示，作为个气体浓度功能灵敏度，纳米氧化锌在沉积气体传感器灵敏度，例如气体浓度增加从到，然后当气体被转移急剧下降。对于不同浓度，表明气体传感器具有良好反应。此外，传感器几乎同时间在不同浓度中达到最高灵敏度。这结果与操作温度响应时间控制结论是致。图气体灵敏度和不同浓度下，纳米薄膜工作温度关系。如图所示，作为各种浓度功能操作温度敏感性。由此可以看出，薄膜敏感性增加随着浓度从到变化。图在气氛下，对于薄膜沉积操作温度灵敏度影响如图所示，在气体气氛下，对于纳米薄膜沉积在不同操作温度下灵敏度与操作时间动态变化。据观察，操作温度升高到时，灵敏度达到最大。结论用射频磁控溅射系统获得各种厚度气体传感器结构和薄膜传感特性进行了研究。结构特征显示晶粒尺寸提高，因为薄膜厚度增加，导致总面积减少，结果有个低传感灵敏度。此外......”。

5、“.....通过提高操作温度，灵敏度以及响应时间进行了改进。在这项研究中获得最高灵敏度为在操作温度纳米薄膜。，，，，ε，目前假设不成立，返回到步骤中选择个新训练子集。所有假设产生迄今，然后结合使用加权多数投票获得复合假说。在对，每个假设被分配重量是成反比，给予较高权重较小训练误差分类。然后以类似方式计算复合假说，通过步骤为来误判实例分配权重总和复合假说。归复合误差是获得更新分配权被分配到第步中个别实例，然后使用。正确复合假说分类实例分配权重降低了因素因此，当分布于下次迭代第步重新正常化时，误判实例权重有效地增加。这是因为，当个新数据集介绍尤其是与新类或功能，现有合奏是可能误认实例，尚未得到妥善教训，因此这些情况下权重增加，迫使该算法把重点放在新数据。介绍了在每个数据融合应用中个权重额外集。这些权重代表特定数据源重要性和可靠性，可以根据以往经验分配，例如......”。

6、“.....我们可以知道，磁共振成像是更为可本科生毕业设计外文资料翻译题目传感器技术专业班级姓名指导教师所在学院附件外文资料翻译译文外文原文多传感器数据融合多分类器系统引言在许多应用识别和自动识别模式中，从不同传感器监测物理现象提供免费信息中获得数据是很罕见。对这类信息适当组合通常就叫做数据或者信息融合，而且可以提高分类决策准确性和信赖度相对于那些基于单个数据源任何单独决策。之前我们已经介绍过，种以整体分类为基础方法，作为种有效自动分类算法是能逐步学习。该算法能够获得额外数据，在分类系统设计好后就能变成有用数据了。为了实现增量学习，生成个整体分类器专家，其中每个分类器都是作为前面数据库。为了认清数据融合和增量学习之间概念相似性，我们讨论了数据融合些类似方法聘用个正义专家，从提供数据中训练每个数据，然后战略性结合他们输出......”。

7、“.....这样个系统中应用很多，其中数据是从相同应用程序所产生多种来源或多个传感器提供可能包含补充信息中获得。例如，在对管道做非破坏性评估时，缺陷信息可从涡流，磁泄漏图像，超声波扫描，热成像获得，或者几个不同诊断信息可从不同医学检测获得，如血液分析心电图，脑电图或者医疗成像设备，如超声波，磁共振或正电子扫描等。直观，如果来自多个来源信息可以适当结合起来，那么分类系统检测是否有缺陷，或是否可以做出诊断决定性能可以得到改善。所以，增量学习和数据融合涉及学习不同数据集。在增量学习中补充信息必须提取新数据集，其中可能包含新分类实例。而在数据融合中补充信息也必须提取新数据集，其中可能包含代表数据使用不同特点。传统方法般是根据概率理论叶贝斯定理，卡尔曼滤波，或登普斯特谢弗和它变化，其中主要用于军事上应用开发，特别是目标检测和跟踪，如决策理论......”。

8、“.....还应当指出是，在些应用中如上述无损检测和医疗诊断等，从不同来源获得数据可能已产生不同物理方式，并因此获得功能可能是不样。虽然在这种情况下使用概率或者决策理论方法会变得更加复杂，但异构功能可以很容易被安置整体系统，讨论如下。个集成系统结合了集中不同分类和特定输出。分类多样性可以允许使用略有不同训练参数，如不同训练数据集产生不同决策边界。直觉来看，每个专家会产生不同，而这些分类战略可以降低总。集成系统由于各种应用报道比单分类系统优越性已在过去十年吸引了极大关注。认识到增量学习应用这种方法潜力，我们最近开发了，并表明确实是有能力逐步学习新数据。此外，该算法不要求对以前使用数据访问，并没有忘记以前所学知识，还能够容纳从以前在早期培训看不见类实例。在中般方法，就像人脸检测在其他集成算法中方法差不多，创建个集成分类......”。

9、“.....然后结合使用加权多数表决分类。在这方面贡献，我们回顾了算法能适当修改数据融合应用。从本质上讲，从不同来源或使用不同功能生成每个数据集，生成新集成分类，然后结合使用加权多数表决。二算法伪码，应用于数据融合问题，见图，并在下面段落中详细描述。对于每个数据库，由组不同特点，提出，算法输入是训练数据实例随着他们正确标签序列二监督分类算法中相应分类，生成个人分类今后，假设三个整数为第个数据库要生成分类。每种假说，在第个迭代算法中产生，接受不同训练数据集。这是通过初始化套重量训练数据和从第步获得个分布。根据这个分布训练子集是来自训练数据步骤。分布决定更有可能被选择进入训练子集训练数据实例。在步骤中被分类，返回第个假设。这假说，ε计算在当前数据库上，作为误判实例分配权重总和步骤。此是必须小于，以确保最低限度合理性能，可以从预计。如果是这种情况，假设接受，则归到获得规范化步骤......”。