In our problem of finding optimal w

In our problem of finding optimal weights to rectangles, the
genome is an array, representing the weights to be assigned to the
rectangles. A valid genome for a Haar-like feature with k rectangles
would be an array of length k, whose elements can take real values.
For a given genome and a Haar-like feature, our fitness function
builds a weak classifier and returns the error  made by the weak
classifier on training examples. The lower the error returned by the
fitness function, the better the genome represents the desired solution.
The genetic optimization, as explained in Algorithm 2, is done
over a series of N generations. In each generation, the population
of genomes are improved through the application of crossover and
mutation operators. The genome, along with the threshold and polarity
values, that produce the least training error are chosen as the
parameters to be assigned to the weak classifier h

ผลลัพธ์ (ไทย) 1:

ในปัญหาการหาน้ำหนักที่เหมาะสมกับรูปสี่เหลี่ยมจีโนมคือ อาร์เรย์ น้ำหนักให้กับตัวแทนสี่เหลี่ยม กลุ่มที่ถูกต้องสำหรับคุณลักษณะ Haar เหมือนกับสี่เหลี่ยม kจะเป็นอาร์เรย์ยาว k องค์ประกอบสามารถใช้ค่าที่แท้จริงสำหรับกลุ่มกำหนดและคุณลักษณะเหมือน Haar ฟังก์ชันการออกกำลังกายของเราสร้าง classifier อ่อนแอ และส่งกลับข้อผิดพลาดโดยอ่อนแอclassifier บนตัวอย่างการฝึกอบรม ข้อผิดพลาดที่ต่ำกว่าที่ได้จากการฟังก์ชันการออกกำลังกาย กลุ่มที่ดีแทนการแก้ปัญหาต้องปรับพันธุกรรม ตามที่อธิบายไว้ในอัลกอริทึม 2 เสร็จกว่าชุดรุ่น N ในแต่ละรุ่น ประชากรของ genomes กำลังปรับปรุงผ่านแอพลิเคชันของแบบไขว้ และตัวดำเนินการกลายพันธุ์ จีโนม ขีดจำกัดและขั้วค่า ที่ทำให้เกิดข้อผิดพลาดของการฝึกอบรมน้อยที่สุดจะถูกเลือกเป็นพารามิเตอร์จะกำหนด h classifier อ่อนแอ

ผลลัพธ์ (ไทย) 2:

ในปัญหาของเราในการหาน้ำหนักที่เหมาะสมเพื่อสี่เหลี่ยมที่จีโนมเป็นอาร์เรย์คิดเป็นน้ำหนักที่จะได้รับมอบหมายให้สี่เหลี่ยม จีโนมที่ถูกต้องสำหรับคุณลักษณะ Haar เช่นเดียวกับรูปสี่เหลี่ยม k จะเป็นอาเรย์ของความยาว k ซึ่งมีองค์ประกอบที่สามารถใช้ค่าที่แท้จริง. สำหรับจีโนมที่กำหนดและคุณลักษณะ Haar เหมือนฟังก์ชั่นการออกกำลังกายของเราสร้างลักษณนามอ่อนแอและกลับข้อผิดพลาดหรือไม่ ทำโดยผู้ที่อ่อนแอลักษณนามตัวอย่างการฝึกอบรม ที่ต่ำกว่าข้อผิดพลาดที่ส่งกลับโดยฟังก์ชั่นการออกกำลังกายที่ดีกว่าจีโนมหมายถึงวิธีการแก้ปัญหาที่ต้องการ. การเพิ่มประสิทธิภาพทางพันธุกรรมที่อธิบายไว้ในขั้นตอนวิธีที่ 2 จะทำมากกว่าชุดของรุ่นเอ็น ในแต่ละรุ่นประชากรของจีโนมที่ดีขึ้นผ่านการประยุกต์ใช้ครอสโอเวอร์และผู้ประกอบการกลายพันธุ์ จีโนมพร้อมกับขั้วเกณฑ์และค่านิยมที่ผลิตข้อผิดพลาดการฝึกอบรมอย่างน้อยจะได้รับเลือกให้เป็นพารามิเตอร์ที่จะได้รับมอบหมายให้ลักษณนามอ่อนแอชั่วโมง

ผลลัพธ์ (ไทย) 3:

ปัญหาของการหาน้ำหนักที่เหมาะสมเพื่อสี่เหลี่ยม
จีโนมเป็นอาร์เรย์ ที่เป็นตัวแทนของน้ำหนักที่จะได้รับมอบหมาย
สี่เหลี่ยม เป็นพันธุกรรมที่ถูกต้องสำหรับ Haar ชอบคุณลักษณะกับ K รูปสี่เหลี่ยม
จะเป็นอาร์เรย์ของความยาว K ที่มีองค์ประกอบสามารถใช้ค่าจริง
ให้จีโนมและเธอชอบคุณลักษณะของเรา , ฟิตเนสฟังก์ชัน
สร้างอ่อนแอลักษณนามและส่งกลับข้อผิดพลาดที่ทำโดย  อ่อนแอ
ตัวอย่างแบบฝึก ลดข้อผิดพลาดที่ส่งกลับโดยฟังก์ชันฟิตเนสดีกว่า
, จีโนมเป็นที่ต้องการเพิ่มประสิทธิภาพโซลูชั่น
พันธุกรรมตามที่อธิบายไว้ในขั้นตอนที่ 2 เสร็จแล้ว
ผ่านชุดของรุ่น ในแต่ละรุ่น ประชากร
ของจีโนมมีการปรับปรุงโดยการใช้ครอสโอเวอร์และ
ผู้ประกอบการกลายพันธุ์ พันธุกรรม ,พร้อมกับเกณฑ์และขั้ว
ค่า ที่ผลิตการฝึกอบรมอย่างน้อยความผิดพลาดจะเลือกเป็น
ค่าพารามิเตอร์ที่จะมอบหมายให้อ่อนแอลักษณนามเอช