基于OpenCV2.0的训练分类器XML的方法
基于opencv2.0的haar算法以人脸识别为例的训练分类器xml的方法
第一步采集样本
1、将正负样本分别放在两个不同的文件夹下面
分别取名pos和neg，其中pos用来存放正样本图像，neg用来存放负样本
注意事项：1、正样本要统一切成24*24像素（或者其他）的格式，建议保存成灰度图，节省空间
2、正样本的数目越多，训练的时间也将越长，训练出来的效果也就越好
3、负样本的数量想对于正样本一定要足够的多，很多朋友在训练的时候，往往出现了CPU占用率达到了100%，但是训练只是停留在一个分类器长达几小时没有相应，问题出现在取负样本的那个函数 icvGetHaarTrainingDataFromBG中; 当剩下所有的negtive样本在临时的cascade Classifier中,evaluate的结果都是0（也就是拒绝了），随机取样本的数目到几百万都是找不到误检测的neg 样本了，因而没法跳出循环
2、建立正负样本的说明文件这里我们假定根目录在D:\boost下面。在cmd下面进入pos目录，输入 dir /b > pos.txt
这个时候会在pos文件加下面生成一个pos.txt文件，打开pos.txt
我们对它进行如下编辑：
（1）、将BMP 替换成为 BMP 1 0 0 24 24
注意：1代表此图片出现的目标个数后面的 0 0 24 24代表目标矩形框（0,0)
到(24,24)，用户可以根据自身需要调整数值
（2）、删除文本中最后一行的“pos.txt”
2、对负样本进行编辑
在CMD下输入 dir /b > neg.txt
同理，打开neg目录下的neg.txt文件，只需要删除最后一行的neg.txt这一句注意：1、负样本说明文件不能含有目标物体
2、负样本图像尺寸不受到限制，但是尺寸越大，训练所用的时间越长，
3、负样本图像可以是灰度图，也可以不是，笔者建议使用灰度图，这样处理起来可能更有效率
4、负样本图像一定不要重复，增大负样本图像的差异性，可以增加分类器的使用范围，笔者建议可以使用网上的素材库，将1000多张不含目标的图片灰度处理后用来训练，效果更佳
二、使用opencv_createsamples.exe创立样本VEC文件
1、首先我们将要用的的2个程序opencv_createsamples.exe和
opencv_haartraining.exe拷到根目录下
在CMD下输入如下命令：
opencv_createsamples.exe -vec pos.vec -info pos\pos.txt -bg neg\neg.txt -w 40 -h 40 -num 142
以上参数的含义如下：
－vec
训练好的正样本的输出文件名。
－img
源目标图片（例如：一个公司图标）
－bg
背景描述文件。
－num
要产生的正样本的数量，和正样本图片数目相同。
－bgcolor
背景色（假定当前图片为灰度图）。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh
参数来指定。则在bgcolor－bgthresh 和bgcolor＋bgthresh 中间的像素被认为是透明的。
－bgthresh
－inv
如果指定，颜色会反色
－randinv
如果指定，颜色会任意反色
－maxidev
背景色最大的偏离度。
－maxangel
－maxangle
－maxzangle
最大旋转角度，以弧度为单位。
－show
如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程
继续。这是个有用的debug 选项。
－w
输出样本的宽度（以像素为单位）
－h《sample_height》
输出样本的高度，以像素为单位。
按下回车后我们的正样本
三、使用opencv_haartraing.exe进行训练
参数说明如下：
Haartraining 的命令行参数如下：
－data
－vec
－bg
－npos
－nneg
-nPos = 7000;nNeg = 3000－nstages
－nsplits
如果1，则一个简单的stump classifier 被使用。如果是2 或者更多，则带有number_of_splits 个内部节点的CART 分类器被使用。
－mem
速度越快。－sym（default）－nonsym指定训练的目标对象是否垂直对称。垂
直对称提高目标的训练速度。例如，正面部是垂直对称的。
－minhitrate《min_hit_rate》每个阶段分类器需要的最小的命中率。总的命中
率为min_hit_rate 的number_of_stages 次方。
－maxfalsealarm
－weighttrimming
－mode
－h《sample_height》训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同
在CMD下输入opencv_haartraining.exe -data xml -vec pos.vec -bg
neg\neg.txt -w 40 -h 40 -mem 800
然后开始训练
训练过程如图，呵呵，要是成百上千的样本的话，我们先去吃完泡面休息一下吧
好了，休息回来，训练完成提示信息如下：
在根目录下就会生成相应的XML文件
失语症的概述、分类和评定方法
第一节、失语症的概述 一、定义 由于大脑受损导致的语言功能受损或丧失。失语症是一种获得性语言障碍，表现为患者意识清楚，无精神障碍、无严重认知障碍、无感觉缺失、无口、咽喉、舌等发音器官肌肉瘫痪及共济失调，却听不懂别人及自己的讲话，说不出要表达的意思，不理解或写不出病前会读会写的字句。 二、病因 失语症可由多种脑部疾病引起，常见病因有脑血管意外、脑外伤、脑部肿瘤、感染等，最常见的为脑血管病，我国的研究资料显示至少三分之一以上的脑卒中患者会产生各种言语障碍。 三、失语症语言症状 由各种原因引起的失语症可表现为自发谈话、听理解、复述、命名、阅读、书写等六种基本障碍。 （一）口语表达障碍是指患者语言陈述过程困难，表现为找词、语音、词汇、句法、语法等方面的障碍。 1找词困难；2.命名障碍；3.说话费力；4.杂乱语；5.刻板语言；6.模仿语言；7.复述障碍；8.持续症；9.语法障碍；10发音障碍；11.错语 （二）听理解障碍是指患者对口语的理解能力降低或丧失，主要表现在对字词、短语、长句和文章等不同程度的理解障碍。 1. 语义辨认障碍不能理解，却能正确辨认，准确复述。 2.语音辨认障碍不能正确辨认听到的语音。 （三）阅读障碍又称失读症，是大脑损伤导致对已经获得的文字的阅读能力丧失或受损，伴或不伴朗读障碍。1.形、音、义失读；2.形、义失读；3.形、音失读，不能正确朗读文字，却能理解文字的意义。 （四）书写障碍书写是一种语言表达方式，除了语言本身外，还涉及视觉、听觉、运动觉、视空间功能和运动的参与。包括失语性书写障碍、非失语性书写障碍两种。常见表现有：1.完全书写不能；2.构字障碍；3.象形书写；4.镜像书写；5.惰性书写；6.书写过多；7.错误语法书写；8.视空间性书写障碍 失语症的分类和评定方法 直到今天，人们对失语症的分类仍然没有取得完全一致的意见。由于历史上对失语症研究的学派很多，观点不尽一致，因此对于失语症的分类方法也是多种多样。对失语症分类的不同，反应了各个时期对产生失语障碍的不同看法。下面我们就来一起研究一下，失语症的分类和评定方法。 19世纪下半叶，语言功能定位联系学说占主流，认为不同病变部位是产生不同失语类型的基础；20世纪前半叶，功能整体学说占主流，此时期否定语言功能定位学说，抛弃从语言障碍探寻大脑受损部位的方法，以语言活动过程受损进行分类；20世纪后半叶至今，随着科技的发展，功能定位学说再次受到重视。 现在认为，大脑某一部位的损害，会造成一组完全或不完全的语言临床症状较高频率的出现，如果损伤较局限，多表现为典型的失语症状，如果范围较广，会呈现出非典型的失语
失语症分类
失语症分类 （1）运动性失语（Broca失语）以口语表达障碍突出为特点，无构音肌瘫痪，但言语表达能力丧失或仅能说出个别单字，复述和书写也同样困难。神经系统检查大多有不同程度右侧肢体偏瘫。可出现左手的意向运动性失用。感觉障碍少见，如存在且重则提示深部结构受损。病灶部位大多在优势半球额叶Broca区—额下回后部额盖，Brodmann4区。 （2）感觉性失语（Wernicke失语）以严重的听理解障碍为特点，患者语调正常，言语流畅，但用字错误，别人听不懂，也不能正确复述和书写，对言语和书写文字（阅读）的理解能力丧失。神经系统检查常为阴性。亦可有轻的偏身感觉障碍或轻偏瘫，持续时间短。病灶部位大多在优势半球颞上回后部，即Wernicke区皮质及皮质下。（3）传导性失语以复述不成比例受损突出为特点，患者言语流畅，用字发音不准，复述障碍与听理解障碍不成比例，患者能听懂的词和句却不能正确复述。神经系统检查常无阳性体征，但偏身感觉障碍及轻偏瘫亦可见，也可见同向性偏盲和象限盲。病灶部位大多在左侧缘上回。传导性失语（Conduction Aphasia）亦称传入-运动性失语（Afferent Motor Aphasia）,或中央型失语（Central Aphasia）.与患者的口语表达和听理解相比,复述障碍更为严重是这一类失语症患者的特征.复述不成比例地受损是最有诊断意义的特点.其语言缺欠是不能逐字重复别人的句子和不能有效地把音素编成词句而出现音位错误.
（4）经皮质运动性失语患者有Broca失语的特点，但程度较轻，且保留复述能力，神经系统检查大多有右侧偏瘫，初期还可出现同向凝视麻痹。常有意向运动性失用。有些患者有额叶功能障碍，表现为持续性。如执行变换的动作有困难；或在失语检查时，检查刺激改变，仍以前一应答反应。病灶部位大多在优势侧额顶分水岭区。 （5）经皮质感觉性失语患者有Wernicke失语的特点，但复述较好，神经系统查体常为阴性。病灶部位大多为优势半球后部分水岭区和（或）其皮质下。 （6）经皮质混合性失语以口语复述稍好外所有语言功能均有严重障碍为其特点，神经系统检查大多有偏瘫，偏身感觉障碍，也可有偏盲。病灶部分大多在优势半球分水岭区的大片区域。 （7）命名性失语以命名不能为主要特征，但常可接受选词提示，口语流利、言语理解基本正常，复述好，神经系统检查常为阴性，也可有“三偏”。各型失语恢复期都可表现以命名障碍为主要特点的失语，似命名性失语，因此，命名性失语的病灶可在优势半球的不同部位，但如起病后急性期即表现典型的命名性失语特点，则病灶大多在优势侧颞中回后部或颞枕结合区。 （8）完全性失语是最严重的一种失语类型，所有言语功能都有明显障碍。常伴有明显的神经系统体征，包括“三偏”。病灶部位大多在优势半球大脑中动脉分布区的广泛区域。 （学习的目的是增长知识，提高能力，相信一分耕耘一分收获，努力就一定可以获得应有的回报）
分类器训练
一、简介 目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。该方法的基本步骤为：首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。 分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。 分类器训练完以后，就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。 目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。 "boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。 根据上面的分析，目标检测分为三个步骤： 1、样本的创建 2、训练分类器 3、利用训练好的分类器进行目标检测。 二、样本创建 训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如人脸或汽车等)，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小(例如，20x20)。 负样本 负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件必须手工创建。 e.g: 负样本描述文件的一个例子： 假定目录结构如下： /img img1.jpg img2.jpg bg.txt 则背景描述文件bg.txt的内容为： img/img1.jpg img/img2.jpg 正样本 正样本由程序createsample程序来创建。该程序的源代码由OpenCV给出，并且在bin目录下包含了这个可执行的程序。 正样本可以由单个的目标图片或者一系列的事先标记好的图片来创建。 Createsamples程序的命令行参数：
液位计的种类、原理及优缺点
液位计的种类、原理及优缺点 磁性浮子液位计 根据浮力原理和磁性耦合作用研制而成。当被测容器中的液位升降时，液位计本体管中的磁性浮子也随之升降，浮子内的永久磁钢通过磁耦合传递到磁翻柱指示器，驱动红、白翻柱翻转，当液位上升时翻柱由白色转变为红色，当液位下降时翻柱由红色转变为白色，指示器的红白交界处为容器内部液位的实际高度，从而实现液位清晰的指示。 可以做到高密封，防泄漏和适用于高温、高压、耐腐蚀的场合。对高温、高压、有毒、有害、强腐蚀介质更显其优越性。 与介质直接接触，浮球密封要求要严格，不能测量粘性介质。磁性材料如退磁易导致液位计不能正常工作 磁性翻板（柱）式液位计 与上同 与上同 翻板容易卡死，造成无法远传指示。磁性材料如退磁易导致液位计不能正常工作。 电磁波雷达液位计（导波雷达液位计） 雷达液位计采用发射—反射—接收的工作模式。雷达液位计的天线发射出电磁波，这些波经被测对象表面反射后，再被天线接收，电磁波从发射到接收的时间与到液面的距离成正比，关系式如下： D＝CT／2（D：雷达液位计到液面的距离C：光速T：电磁波运行时间） 雷达液位计记录脉冲波经历的时间，而电磁波的传输速度为常数，则可算出液面到雷达天线的距离，从而知道液面的液位。
不需要传输媒介，不受大气、蒸气、槽内挥发雾影响的特点，能用于挥发介质的液位测量。采用非接触式测量，不受槽内液体的密度、浓度等物理特性的影响。 价格昂贵。仪表需要设置的参数较多，一旦出现问题，通常很难查出是什么原因造成的。如果天线本身不慎沾上介质会报错。如有结晶结冰现象会报错，需加热保温处理，并清理天线。最初安装需要是空仓，即空料位？ 超声波液位计 超声波液位计是由微处理器控制的数字物位仪表。在测量中脉冲超声波由传感器（换能器）发出，声波经物体表面反射后被同一传感器接收，转换成电信号。并由声波的发射和接收之间的时间来计算传感器到被测物体的距离。 无机械可动部分，可靠性高，安装简单、方便，属于非接触测量，且不受液体的粘度、密度等影响 精度比较低，测试容易有盲区。不可以测量压力容器，不能测量易挥发性介质。 电容式液位计 采用测量电容的变化来测量液面的高低的。它是一根金属棒插入盛液容器内，金属棒作为电容的一个极，容器壁作为电容的另一极。两电极间的介质即为液体及其上面的气体。由于液体的介电常数ε1和液面上的介电常数ε2不同，比如：ε1》ε2，则当液位升高时，两电极间总的介电常数值随之加大因而电容量增大。反之当液位下降，ε值减小，电容量也减小。所以，可通过两电极间的电容量的变化来测量液位的高低。电容液位计的灵敏度主要取决于两种介电常数的差值，而且，只有ε1和ε2的恒定才能保证液位测量准确，因被测介质具有导电性，所以金属棒电极都有绝缘层覆盖。 传感器无机械可动部分，结构简单、可靠；精确度高；检测端消耗电能小，动态响应快；维护
【参考】听-失语症康复听理解训练
失语症康复训练(听理解训练)题目开发设 计 听理解模块 1.图图匹配训练 元素： 界面背景；提示文字“请找出相同的图片”；训练图片；音频反馈“①你答对了； ②答错了，继续努力哦”；视觉反馈“笑脸、哭脸”。 要求： 1、界面背景简洁、大方、以白色为主。 2、图片使用2D卡通图像设计。 根据患者是否存在单侧忽略等问题，要求因患者情况，将图片或文字显示于画面的上下左右四个方向。图片排列呈对称排列如 以此类推，以对称美观为原则。以下类似板块皆以此为原则，不再赘述。 3.提示音频使用标准普通话录制。后期可考虑福州话、广东话等。 4.等级设置： 1）按张数设置 2）8s时，患者无操作，则再播放一次提示音，15s无操作则自动进入下一题 3）每1级别患者有5次答题机会，其中答对次数4次及以上（即正答率》80%以上），进入下一级别答题；答对次数等于3次时，再在同一级别上给予5次答题机会重新计算正确率；答题次数等于2次及以下的，退回上一级别重新答题，计算正确率。 流程： 1、进入题目 2、出现界面背景，语音按文字播放题目要求提示。 3、患者根据语音（如请找出相同的图片）提示进行操作，操作完毕后界面给予听、视觉正
负反馈，正确反馈是同时界面显示“下一题”，错误的反馈时界面显示“继续下一题” 或者“重复”。 4、统计训练情况。生成训练报告。 应用范围： 失语症 说明： 训练项目具体要求： 患者根据语音（如请找出相同的图片）提示进行操作，操作完毕后界面给予听、视觉正负反馈，正确反馈是同时界面显示“下一题”，错误的反馈时界面显示“继续下一题” 或者“重复”。如果病人选择了正确图片，屏幕上出现“√”红色提示信息，并且语音播放处播放“你做对了”提示信息。如果选择错误，屏幕上除了出现“×”红色提示并且语音播放处播放“不要灰心，继续努力”，同时屏幕还要将正确图片显示。
如何训练分类器
如何用OpenCV训练自己的分类器 另：英文说明http://se.cs.ait.ac.th/cvwiki/opencv:tutorial:haartraining 最近要做一个性别识别的项目，在人脸检测与五官定位上我采用OPENCV的haartraining 进行定位，这里介绍下这两天我学习的如何用opencv训练自己的分类器。在这两天的学习里，我遇到了不少问题，不过我遇到了几个好心的大侠帮我解决了不少问题，特别是无忌，在这里我再次感谢他的帮助。 一、简介 目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。该方法的基本步骤为：首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。 分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。 分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。 目前支持这种分类器的boosting技术有四种：Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。 "boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。 根据上面的分析，目标检测分为三个步骤： 1、样本的创建 2、训练分类器 3、利用训练好的分类器进行目标检测。 二、样本创建 训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片。 负样本 负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下： 采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata下，则： 按Ctrl+R打开Windows运行程序，输入cmd打开DOS命令窗口，输入d:回车，再输入cd D:\face\negdata进入图片路径，再次输入dir /b > negdata.dat，则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的negdata.dat删除，这样就生成了负样本描述文件。dos命令窗口结果如下图：
液位传感器的分类方法
按液位计传感器的所属学科分类。可分为物理型、化学型和生物型。把被测量转换成电址参数;化学型是利用化学反应，物理型是利用各种物理效应，把被测量转换成为电量参数;生物型是利用生物 按液位计传感器转换过程中的能量关系分类，可分为能最转换型和能最控制型。能量转换型是磁性翻柱液位计传感器直接将被测量的能最转换为输出量的能量;能量控制型是由外部供给液位计传感器能量。而由被测量来控制输出的能量。 按液位计传感器转换原理分类，可分为电阻式、微波式、激光式、超声式、光电式、热电式、电感式、电容式、电磁式、压电式、髯尔式、光纤式及核辐射式等等。 按液位计传感器转换过程中的物理现象分类，可分为结构型和物性型。结构型是依靠液位计传感器结构变化来实现参数转换的;物性型是利用液位计传感器的敏感元件特性变化实现参数转换的。 按液位计传感器的用途分类。可分为重址、位移、速度、加速度、力、电压、电流、温度、压力、流傲、功率物性参数等等。 效应及机体部分组织、微生物，把被测量转换为电最参数。 按液位计传感器输出量的形式分类，可分为模拟式和数字式。模拟式液位计传感器枪出为模拟量;数字式液位计传感器输出直接为数字量。 按液位计传感器的功能分类。可分为传统型和智能型。传统型磁翻板液位计传感器一般是指只具有显示和输出功能的液位计传感器;真正意义上的智能液位计传感器，推理、感知、应该具备学习、通讯等功能，具有精度高、性能价格比高、使用方便等特点。 智能型液位计传感器发展迅速，目前可实现的功能，概括起来有： 具有自动补偿功能具有自校零、自标定、白校正功能;具有双向通讯、标准化数字输出或者符号输出功能能够自动采集数据，并对数据进行预处理;能够自动进行检验、自选量程、自动诊断故障;具有数据存储、记忆与信息处理功能;具有判断、决策处理功能。 艾驰商城是国内最专业的MRO工业品网购平台，正品现货、优势价格、迅捷配送，是一站式采购的工业品商城！具有10年工业用品电子商务领域研究，以强大的信息通道建设的优势，以及依托线下贸易交易市场在工业用品行业上游供应链的整合能力，为广大的用户提供了传感器、图尔克传感器、变频器、断路器、继电器、PLC、工控机、仪器仪表、气缸、五金工具、伺服电机、劳保用品等一系列自动化的工控产品。 如需进一步了解图尔克、奥托尼克斯、科瑞、山武、倍加福、邦纳、亚德客、施克等各类传感器的选型，报价，采购，参数，图片，批发信息，请关注艾驰商
失语症的康复训练
. 1 运动性失语的康复训练运动性失语的患者，通常都能很好地理解语言，但不能用口语表达，应以语言训练为主。(1)发音器官的训练：先做简单的张口、伸舌、龇牙、鼓腮动作，再进行软腭提高训练，指导患者将嘴张大，教其发a音；舌部训练，让患者尽量向外伸舌，反复做伸缩舌运动，由慢到快，逐步提高其运动速度，舌尖舔上下唇、左右唇角，再做顺向及逆向舔全舌动作；唇部训练，指导患者反复进行抿嘴、撅嘴训练。本组患者经1周训练，均能完成训练动作。(2)发音训练：采用示教―模仿方法，从英语音标元音a-e-i-o-u开始，然后学喉音h、ha，唇音b、p音，舌齿音d、t音。对本组患者训练1周后，元音发音效果好，而喉音、唇音、舌齿音训练有一定难度，1个月后14例患者基本掌握，7例患者只能达到有时发音准确但有时困难。(3)词、句训练：单音训练1周后逐步训练患者单词―词组―短句发音。从简单的单词开始，如“西瓜”、“床”、“鸡”、“吃饭”等。适当提示，如说“吃”，患者多会接着说“饭”，最后说出完整单词“吃饭”；如模仿吃水果动作，诱导患者主动说出“吃苹果”。0～1级患者以单词训练为主，2～3级患者以词组、短句为主。(4)阅读训练：本组患者失语程度达2级以上者，经过1～2周时间训练，掌握一般词组、短句即能接受跟读或阅读短文的训练。(5)书写训练：0～1级患者从简单字开始如“火”、“水”，逐步到单词―句子；2～3级患者进行单词―句子―短文的训练。这种训练每天10次，每次10min。 2.2 感觉性失语的康复训练感觉性失语的口语及书面语理解困难，应以提高理解能力训练为主。(1)听觉训练：声音刺激。让患者听广播、听音乐、听他人读报，每天2次，每次20min，刺激思维，提高对语言的理解力。(2)手势训练：通过对患者较熟悉的手势激发其理解能力。如喝水，护士或家属做喝水动作，让患者模仿、重复，9例患者经7周训练能基本掌握，5例患者不稳定。(3)实物刺激：让患者说出所看见实物名称，护士可适当提醒，反复训练。(4)记忆训练：让患者回忆印象深刻的往事，对这些问题本组患者大多积极配合，回答较正确。(5)兴趣训练：从患者兴趣爱好着手，如打麻将、唱歌、下象棋等，由于记忆深刻，患者常容易接受。 2.3 完全性失语的康复训练完全性失语患者语言功能几乎完全丧失，其理解能力和口语表达能力严重障碍，一般仅会发出单音。训练应以听、理解为主，辅以语音训练。此类患者对眼神、语调、表情、手势较为敏感，应以非语言交流训练为主，如以张开嘴表示喝水、吃饭、吃水果，闭眼表示睡觉，手指便器表示大小便，同时发出“吃”、“喝”、“尿”的音，本组患者经7周训练，能用简单的字词及简单的体语表达基本需求。 总之，上述训练方法需要医护人员耐心指导及患者家属密切配合；规范的训练方法，对于失语症患者的康复、减轻患者的痛苦，具有明显效果。 精选文档
简单分类器的MATLAB实现
简单分类器的MATLAB实现 摘要：本实验运用最小距离法、Fisher线形判别法、朴素贝叶斯法、K近邻法四种模式识别中最简单的方法处理两维两类别的识别问题，最后对实验结果进行了比较。 关键字：MATLAB 最小距离Fisher线形判别朴素贝叶斯K近邻法 一．M atlab语言简介 Matlab 语言(即Matrix 和Laboratory) 的前三位字母组合,意为“矩阵实验室”,Matlab 语言是一种具有面向对象程序设计特征的高级语言,以矩阵和阵列为基本编程单位。Matlab 可以被高度“向量化”,而且用户易写易读。传统的高级语言开发程序不仅仅需要掌握所用语言的语法,还需要对有关算法进行深入的分析。与其他高级程序设计语言相比,Matlab 在编程的效率、可读性以及可移植性等方面都要高于其他高级语言,但是执行效率要低于高级语言,对计算机系统的要求比较高。例如,某数据集是m*n的二维数据组，对一般的高级计算机语言来说，必须采用两层循环才能得到结果,不但循环费时费力,而且程序复杂;而用Matlab 处理这样的问题就快得多,只需要一小段程序就可完成该功能,虽然指令简单,但其计算的快速性、准确性和稳定性是一般高级语言程序所远远不及的。严格地说,Matlab 语言所开发的程序不能脱离其解释性执行环境而运行。 二．样本预处理 实验样本来源于1996年UCI的Abalone data，原始样本格式如下： 1 2 3 4 5 6 7 8 9 其中第一行是属性代码：1.sex 2.length 3.diameter 4.height 5.whole_weight 6.shucked_weight 7 .viscera weight 8. shell weight 9.age 原始样本是一个8维20类的样本集，就是根据Abalone的第一至第八个特征来预测第九个特征，即Abalone的年龄。为简单其见，首先将原始样本处理成两维两类别问题的样本。选取length和weiht作为两个特征向量，来预测第三个特征向量age.(age=6或者age=9)，我们将age=6的样本做为第一类，age=12的样本做为第二类。 处理后的样本： length weight age
opencv自己训练分类器进行物体识别
从SVM的那几张图可以看出来，SVM是一种典型的两类分类器，即它只回答属于正类还是负类的问题。而现实中要解决的问题，往往是多类的问题（少部分例外，例如垃圾邮件过滤，就只需要确定“是”还是“不是”垃圾邮件），比如文本分类，比如数字识别。如何由两类分类器得到多类分类器，就是一个值得研究的问题。 还以文本分类为例，现成的方法有很多，其中一种一劳永逸的方法，就是真的一次性考虑所有样本，并求解一个多目标函数的优化问题，一次性得到多个分类面，就像下图这样： 多个超平面把空间划分为多个区域，每个区域对应一个类别，给一篇文章，看它落在哪个区域就知道了它的分类。 看起来很美对不对？只可惜这种算法还基本停留在纸面上，因为一次性求解的方法计算量实在太大，大到无法实用的地步。 稍稍退一步，我们就会想到所谓“一类对其余”的方法，就是每次仍然解一个两类分类的问题。比如我们有5个类别，第一次就把类别1的样本定为正样本，其余2，3，4，5的样本合起来定为负样本，这样得到一个两类分类器，它能够指出一篇文章是还是不是第1类的；第二次我们把类别2 的样本定为正样本，把1，3，4，5的样本合起来定为负样本，得到一个分类器，如此下去，我们可以得到5个这样的两类分类器（总是和类别的数目一致）。到了有文章需要分类的时候，我们就拿着这篇文章挨个分类器的问：是属于你的么？是属于你的
么？哪个分类器点头说是了，文章的类别就确定了。这种方法的好处是每个优化问题的规模比较小，而且分类的时候速度很快（只需要调用5个分类器就知道了结果）。但有时也会出现两种很尴尬的情况，例如拿一篇文章问了一圈，每一个分类器都说它是属于它那一类的，或者每一个分类器都说它不是它那一类的，前者叫分类重叠现象，后者叫不可分类现象。分类重叠倒还好办，随便选一个结果都不至于太离谱，或者看看这篇文章到各个超平面的距离，哪个远就判给哪个。不可分类现象就着实难办了，只能把它分给第6个类别了……更要命的是，本来各个类别的样本数目是差不多的，但“其余”的那一类样本数总是要数倍于正类（因为它是除正类以外其他类别的样本之和嘛），这就人为的造成了上一节所说的“数据集偏斜”问题。 因此我们还得再退一步，还是解两类分类问题，还是每次选一个类的样本作正类样本，而负类样本则变成只选一个类（称为“一对一单挑”的方法，哦，不对，没有单挑，就是“一对一”的方法，呵呵），这就避免了偏斜。因此过程就是算出这样一些分类器，第一个只回答“是第1类还是第2类”，第二个只回答“是第1类还是第3类”，第三个只回答“是第1类还是第4类”，如此下去，你也可以马上得出，这样的分类器应该有5 X 4/2=10个（通式是，如果有k个类别，则总的两类分类器数目为k(k-1)/2）。虽然分类器的数目多了，但是在训练阶段（也就是算出这些分类器的分类平面时）所用的总时间却比“一类对其余”方法少很多，在真正用来分类的时候，把一篇文章扔给所有分类器，第一个分类器会投票说它是“1”或者“2”，第二个会说它是“1”或者“3”，让每一个都投上自己的一票，最后统计票数，如果类别“1”得票最多，就判这篇文章属于第1类。这种方法显然也会有分类重叠的现象，但不会有不可分类现象，因为总不可能所有类别的票数都是0。看起来够好么？其实不然，想想分类一篇文章，我们调用了多少个分类器？10个，这还是类别数为5的时候，类别数如果是1000，要调用的分类器数目会上升至约500,000个（类别数的平方量级）。这如何是好？ 看来我们必须再退一步，在分类的时候下功夫，我们还是像一对一方法那样来训练，只是在对一篇文章进行分类之前，我们先按照下面图的样子来组织分类器（如你所见，这是一个有向无环图，因此这种方法也叫做DAG SVM）
几种液位计的原理与选型
几种液位计的原理与选型． 磁翻柱液位计 主要原理 磁翻柱液位计也称为磁翻板液位计，它的结构主要基于浮力和磁力原理设计生产的。带有磁体的浮子（简称磁性浮子）在被测介质中的位置受浮力作用影响。液位的变化导致磁性浮子位置的变化、磁性浮子和磁翻柱（也成为磁翻板）的静磁力耦合作用导致磁翻柱翻转一定角度（磁翻柱表面涂敷不同的颜色），进而反映容器内液位的情况。 配合传感器（磁簧开关）和精密电子元器件等构成的电子模块和变送器模块，可以变送输出电阻值信号、电流值（4～20mA）信号、开关信号以及其他电学信号。从而实现现场观测和远程控制的完美结合。 适用范围及特点 本液位计采用优质磁体和进口电子元件，使产品具有：设计合理、结构简单、使用方便、性能稳定、使用寿命长、便于安装维护等优点。 本液位计输出信号多样，实现远距离的液位指示、检测、控制和记录。 本液位计几乎可以适用于各种工业自动化过程控制中的液位测量与控制。可以广泛运用于石油加工、食品加工、化工、水处理、制药、电力、造纸、冶金、船舶和锅炉等领域中的液位测量、控制与监测。 磁浮球液位计（液位开关） 主要原理 磁浮球液位计（液位开关）结构主要基于浮力和静磁场原理设计生产的。带有磁体的浮球（简称浮球）在被测介质中的位置受浮力作用影响：液位的变化导致磁性浮子位置的变化。浮球中的磁体和传感器（磁簧开关）作用，使串联入电路的元件（如定值电阻）的数量发生变化，进而使仪表电路系统的电学量发生改变。也就是使磁性浮子位置的变化引起电学量的变化。通过检测电学量的变化来反映容器内液位的情况。 该液位计可以直接输出电阻值信号，也可以配合使用变送模块，输出电流值（4～20mA）信号；同时配合其他转换器，输出电压信号或者开关信号（也可以按照客户需求转换器由公司配送）。从而实现电学信号的远程传输、分析与控制。 适用范围及特点 本产品采用优质磁体和进口电子元件，使产品具有：结构简单、使用方便、性能稳定、使用寿命长、便于安装维护等优点。 本产品几乎可以适用与各种工业自动化过程控制中的液位测量与控制，可以广泛运用于石油加工、食品加工、化工、水处理、制药、电力、造纸、冶金、船舶和锅炉等领域中的液位测量、控制与监测。 防爆浮球液位开关 主要原理 防爆浮球液位开关，也称为防爆浮球液位控制器。它是专门为爆炸性环境中使用而设计制造的液位控制仪表，本产品是基于浮力原理和杠杆原理设计的，当容器内液位发生变化时，浮球的位置将随液位的变化而变化，浮球的这种位移将通过杠杆作用于微动开关，进而由微动开关产生开关信号。 适用范围及特点 本产品采用优质材料和进口电子元件，使产品具有：设计合理、结构简单、使用方便、性能
失语的分类及康复训练方法
失语的分类及康复训练方法 失语的分类，有以下四种：（1）运动性失语（又称表达性失语）：病人不能说话，心里明白，对别人的话能理解。（2）感觉性失语（又称接受性失语）：病人能表达，但出现逻辑错误，也不能理解别人的话。（3）命名性失语（又称健忘性失语）：对某件物品能说出用途，就是说不出名称。（4）混合性失语：既有运动性失语又有感觉性失语，病人既听不懂别人说话的意思，又不会说。 失语证的病变都在大脑皮层的语言中枢，目尚无特效药物专门作用于语言中枢。因此，语言的康复训练就十分重要。方法如下 运动性失语对完全失语症病人的康复训练要像教小孩说话一样从学发音开始，由简单到复杂，如让病人用喉部发“啊”音，然后再说常用单字，如“吃”、“喝”、“好”到“吃饭”、“喝水”、“好人”等单词，也可出示卡片，让病人读出上面的字，会说的词了，再练习简单的语句，他人说上半句，病人接下半句，慢慢过渡到说整句话，然后再训练复杂的句子，最后可让病人读简单的文章。训练时说话与视觉刺激结合，如说“吃”时与饭菜结合起来，或以看图识字法，说与看图结合起来。不完全性失语病人能说出一些单字、词组、句子或说话不流利，病人常有词汇贫乏、讲话缓慢、重复语言等对类病人要耐心地教，反复复述阅读的句子，练习灵活性、锻炼语言的运用技巧。 感觉性失语这类病人的训练要比运动性失语困难些，可运用视觉逻辑法、手势法进行训练，如给病人端上脸盆，放好毛巾，并对病人说“洗脸”，病人虽不理解“洗脸”二字之意，但从逻辑上他会理解你是让他洗脸。如此反复多日进行，久而久之，就会使语言与视觉结合，语言功能得以恢复，手势法即家属用手势与语言结合的方法来训练病人，如让病人“吃饭”，训练者拿筷子以吃饭的动作多次示范，病人很快就会理解，从而主动拿筷子吃饭。 命名性失语即看到实物而叫不出名字。可用生活中常用的物品给他看，并说出名称和用途，到较少见的物品，同时还要注意反复强化已掌握的词汇。 混合性失语此类病人语言康复训练困难，必须采取说、视、听三结合的方法反复多次进行，如让病人穿毛衣，则必须既说“穿毛衣”让病人听，又要指着准备好的毛衣，并作出手势示意让病人看。 2 如何了解失语病人的感受及需要 可从病人手势及表情中理解其需要，并利用实物图片法、手势法、文字书写法等，结合病人的日常生活习惯与病人沟通，具体方法如下。 手势法手捂前额表示头痛，手在腹部移动表示肚子不舒服，手掌上下翻动表示要翻身，抬高臀部表示大小便。 实物图片法利用常用物品或自制图片，手指水杯表示口渴，手指头表示头痛。
xml分类器训练
分类：数据库/DB2/文章 第一步采集样本 1、将正负样本分别放在两个不同的文件夹下面 分别取名pos和neg，其中pos用来存放正样本图像，neg用来存放负样本 注意事项：1、正样本要统一切成24*24像素（或者其他）的格式，建议保存成灰度图，节省空间 2、正样本的数目越多，训练的时间也将越长，训练出来的效果也就越好 3、负样本的数量想对于正样本一定要足够的多，很多朋友在训练的时候，往往出现了CPU占用率达到了100%，但是训练只是停留在一个分类器长达几小时没有相应，问题出现在取负样本的那个函数icvGetHaarTrainingDataFromBG中; 当剩下所有的negtive样本在临时的cascade Classifier中,evaluate的结果都是0（也就是拒绝了），随机取样本的数目到几百万都是找不到误检测的neg样本了，因而没法跳出循环 2、建立正负样本的说明文件 这里我们假定根目录在D:\boost下面。
在cmd下面进入pos目录，输入dir /b > pos.txt 这个时候会在pos文件加下面生成一个pos.txt文件，打开pos.txt
我们对它进行如下编辑： （1）、将BMP 替换成为BMP 1 0 0 24 24 注意：1代表此图片出现的目标个数后面的0 0 24 24代表目标矩形框（0,0)到(24,24)，用户可以根据自身需要调整数值（2）、删除文本中最后一行的“pos.txt”
2、对负样本进行编辑 在CMD下输入dir /b > neg.txt 同理，打开neg目录下的neg.txt文件，只需要删除最后一行的neg.txt这一句 注意：1、负样本说明文件不能含有目标物体 2、负样本图像尺寸不受到限制，但是尺寸越大，训练所用的时间越长， 3、负样本图像可以是灰度图，也可以不是，笔者建议使用灰度图，这样处理起来可能更有效率 4、负样本图像一定不要重复，增大负样本图像的差异性，可以增加分类器的使用范围，笔者建议可以使用网上的素材库，将1000多张不含目标的图片灰度处理后用来训练，效果更佳 二、使用opencv_createsamples.exe创立样本VEC文件 1、首先我们将要用的的2个程序opencv_createsamples.exe和opencv_haartraining.exe拷到根目录下 在CMD下输入如下命令： opencv_createsamples.exe -vec pos.vec -info pos\pos.txt -bg neg\neg.txt -w 40 -h 40 -num 142 以上参数的含义如下：
水位传感器种类、工作原理介绍
水位传感器种类、工作原理介绍 水位传感器是一种可以检测水位的传感器，主要应用于医疗、食品、化工行业中，进行水位控制、水位的检测。先介绍水位传感器的分类。 水位传感器的种类： 水位传感器种类很多，包括单法兰静压/双法兰差压水位传感器，浮球式水位传感器，磁性水位传感器，投入式水位传感器，电动内浮球水位传感器，电动浮筒水位传感器，电容式水位传感器，磁致伸缩水位传感器，伺服水位传感器等，超声波水位传感器，雷达水位传感器等。 （图片源自网络）
（图片来源于网络）
上图是一个水位传感器种类的大概情况，由此图我们可以看出水位传感器种类较多，主要可以分为接触式和非接触式两种。 浮筒式水位传感器：浮筒式水位变送器是将磁性浮球改为浮筒，水位传感器是根据阿基米德浮力原理设计的。浮筒式水位变送器是利用微小的金属膜应变传感技术来测量液体的水位、界位或密度的，它在工作时可以通过现场按键来进行常规的设定操作。 浮球式水位传感器：浮球式水位变送器由磁性浮球、测量导管、信号单元、电子单元、接线盒及安装件组成，一般磁性浮球的比重小于0.5，可漂于液面之上并沿测量导管上下移动，导管内装有测量元件，它可以在外磁作用下将被测水位信号转换成正比于水位变化的电阻信号，并将电子单元转换成信号输出。浮球开关因为是最简单、最古老的检测方式，有着检测水位不精确的缺点，浮子易卡死。 （图片源自网络）
静压式水位传感器： 该变送器利用液体静压力的测量原理工作，它一般选用硅压力测压传感器将测量到的压力转换成电信号，再经放大电路放大和补偿电路补偿，最后以4～20mA或0～10mA电流方式输出。 超声波式水位传感器： 这是一种振动频率高于声波的机械波，由换能晶片在电压的激励下发生振动产生的超声波，超声波在碰到液体会产生显著反射形成反射成回波。因此以超声波作为检测手段，产生超声波和接收超声波。这就是超声波式的水位传感器工作原理。超声波式水位传感器特点：频率高、波长短、绕射现象小，特别是方向性好、能够成为射线而定向传播。 光电式水位传感器： 光电液位传感器是利用光在两种不同介质界面发生反射折射原理而 开发的新型接触式点液位测控装置。光电水位传感器具有结构简单、定位精度高，没有机械部件，不需调试，灵敏度高及耐腐蚀、耗电少、体积小等诸多优点，还具有耐高温、耐高压、耐强腐蚀，化学性质稳定，对被测介质影响小等特征。
如何用OPENCV训练自己的分类器
如何用OpenCV训练自己的分类器 最近要做一个性别识别的项目，在人脸检测与五官定位上我采用OPENCV的haartraining进行定位，这里介绍下这两天我学习的如何用opencv训练自己的分类器。在这两天的学习里，我遇到了不少问题，不过我遇到了几个好心的大侠帮我解决了不少问题，特别是无忌，在这里我再次感谢他的帮助。 一、简介 目标检测方法最初由Paul Viola[Viola01]提出，并由Rainer Lienhart[Lienhart02]对这一方法进行了改善。该方法的基本步骤为：首先，利用样本（大约几百幅样本图片）的harr特征进行分类器训练，得到一个级联的boosted分类器。分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。 分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。 目前支持这种分类器的boosting技术有四种：Discrete Adaboost,Real Adaboost,Gentle Adaboost and Logitboost。"boosted"即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。 根据上面的分析，目标检测分为三个步骤： 1、样本的创建 2、训练分类器 3、利用训练好的分类器进行目标检测。 二、样本创建 训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片。 负样本 负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下： 采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata 下，则： 按Ctrl+R打开Windows运行程序，输入cmd打开DOS命令窗口，输入d:回车，再输入cd D:\face\negdata进入图片路径，再次输入dir/b>negdata.dat，则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的negdata.dat删除，这样就生成了负样本描述文件。dos命令窗口结果如下图： 正样本 对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小），如上图所示： 由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序（在你所按照的opencv\bin下，如果没有需要编译opencv\apps\HaarTraining\make下的.dsw文件，注意要编译release版的）将准备好的正样本转换为vec文件。转换的步骤如下： 1)制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片
如何用OpenCV训练自己的分类器
如何用OpenCV训练自己的分类器 2009-09-04 22:15 最近要做一个性别识别的项目，在人脸检测与五官定位上我采用OPENCV的haartraining进行定位，这里介绍下这两天我学习的如何用opencv训练自己的分类器。在这两天的学习里，我遇到了不少问题，不过我遇到了几个好心的大侠帮我解决了不少问题，特别是无忌，在这里我再次感谢他的帮助。 一、简介 目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。该方法的基本步骤为：首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。 分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。 分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。 目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。 "boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。 根据上面的分析，目标检测分为三个步骤： 1、样本的创建 2、训练分类器 3、利用训练好的分类器进行目标检测。 二、样本创建 训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片。 负样本 负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下： 采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata下，则： 按Ctrl+R打开Windows运行程序，输入cmd打开DOS命令窗口，输入 d:回车，再输入cd D:\face\negdata进入图片路径，再次输入dir /b > negdata.dat，则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的