本项目对不规则几何图形、人脸图形及立体图形三类图形在不同显示条件、旋殊条件及作业任务条件下的取样策略及聚样策略与图形识别作业绩效的关系进行研究。结果表明:①图形的取样信息可分成三类:基本信息、辅助信息和独特信息,人对图形的取样策略,有先基本信息,后辅助信息的超势,独特信息的取样则变异较大。②首视点的分布与作业难度有关,作业难度增较大,首视点超向于集中。首视点的位置不影响作业绩效。③图形的取样序有按取样信息特征差异度进行排序的超势。差异度较大的信息顶取样序中排列较前。④取样的心理贤源分配有按取样特征信息的差异度大小进行调配的超势。⑤合理调配心理资源扮配,可提高图形识别的作业绩效。
{{i.achievement_title}}
数据更新时间:2023-05-31
A Fast Algorithm for Computing Dominance Classes
Ordinal space projection learning via neighbor classes representation
基于纳米铝颗粒改性合成稳定的JP-10基纳米流体燃料
Numerical investigation on aerodynamic performance of a bionics flapping wing
Seismic performance evaluation of large-span offshore cable-stayed bridges under non-uniform earthquake excitations including strain rate effect
求解Basis Pursuit问题的数值优化方法
几类特殊优化问题的数值方法研究
大规模机器学习问题的结构优化方法研究
大规模矩阵特征问题及相关问题的准确和非准确数值方法