Tài liệu Hận dạng biển số xe mô tô phục vụ quản lý xe tại các bãi giữ xe

  • Số trang: 13 |
  • Loại file: PDF |
  • Lượt xem: 41 |
  • Lượt tải: 0
quangtran

Đã đăng 3721 tài liệu

Mô tả:

Đề tài luận văn tốt nghiệp K35, học kỳ 2, 2012-2013 Giáo viên hướng dẫn: Phạm Nguyên Khang E-mail: pnkhang@cit.ctu.edu.vn Đề tài 1: Nhận dạng biển số xe mô tô phục vụ quản lý xe tại các bãi giữ xe ..................................... 2 Đề tài 2: Phân loại ảnh sử dụng phân tích ngữ nghĩa tiềm ẩn có xác suất ......................................... 3 Đề tài 3: Chứng thực người dùng sử dụng nhận dạng mặt người ...................................................... 4 Đề tài 4: Dựng ảnh 3D từ ảnh 2D .................................................................................................... 5 Đề tài 5: Xây dựng hệ thống hỗ trợ trang trí nội nhất sử dụng đồ họa 3D ......................................... 6 Giáo viên hướng dẫn: Th.S GVC Phạm Gia Tiến E-mail: pgtien@cit.ctu.edu.vn ĐỀ TÀI SỐ 01: Nhận dạng giọng nói (phân biệt giọng nói của một người với các người khác) ....... 7 ĐỀ TÀI SỐ 02: Chuyển âm thanh đọc chữ số sang chữ số ............................................................... 7 ĐỀ TÀI SỐ 03: Chẩn đoán hỏng hóc của xe qua tiếng máy ............................................................. 7 ĐỀ TÀI SỐ 04: Nhận biết âm thanh của nhạc cụ ............................................................................. 7 Giáo viên hướng dẫn: Phạm Xuân Hiền & Bùi Minh Quân E-mail: pxhien@cit.ctu.edu.vn & bmquan@cit.ctu.edu.vn Đề tài 1: Xây dựng công cụ để phân loại dữ liệu đối với tập dữ liệu không cân bằng dưới tác động của chi phí(2sinh viên). ................................................................................................................... 9 Đề tài 2: Xây dựng công cụ để phân loại dữ liệu đối với tập dữ liệu không cân bằng bằng phương pháp lấy mẫu giảm (giải thuật EasyEnsemble, BalanceCascade) (2sinh viên) ................................ 11 Giáo viên hướng dẫn: Nguyễn Bá Diệp E-mail: nbdiep@cit.ctu.edu.vn Đề tài 1:Xây dựng trò chơi dàn trận theo thể loại TBS trên thiết bị di động.................................... 13 1 Đề tài 1: Nhận dạng biển số xe mô tô phục vụ quản lý xe tại các bãi giữ xe Số sinh viên: 2 Mô tả: Hiện nay tại các bãi giữ xe quản lý xe thông qua hình thức thủ công (ghi phiếu/bấm phiếu trực tiếp) hoặc bán thủ công với sự trợ giúp của các thẻ thông minh (thẻ thông minh kết hợp với hình chụp). Với cách quản lý thứ hai, người ta chỉ quản lý được hình chụp mà không biết số xe là gì. Nhằm hỗ trợ thêm cho người phụ trách kiểm tra xe vào/ra, đề tài đề xuất phương pháp trích và nhận dạng biển số xe với sự trợ giúp của máy tính. Mục tiêu chính của đề tài là xây dựng hệ thống nhận dạng biển số xe hỗ trợ cho người phụ trách kiểm tra xe vào/ra tại các bãi giữ xe. Các thành phần của hệ thống bao gồm: camera chụp ảnh xe, máy tính xử lý. Chương trình xử lý của hệ thống phải có các chức năng: trích được biển số xe từ ảnh chụp, trích được các ký tự, ký số trong biển số và nhận được các ký tự và ký số đó. Một tình huống sử dụng của hệ thống như sau: xe vào bãi, camera chụp ảnh phía sau xe, người quản lý cung cấp một thẻ từ cho khách hàng, thẻ từ được sử dụng để liên kết với ảnh chụp, chương trình trích biến số và nhận dạng biển số thực hiện việc nhận dạng và lưu trữ kết quả kèm với ảnh chụp ban đầu; khi xe trả xe, giao trả thẻ từ, hệ thống tìm lại ảnh chụp bản đầu, chụp ảnh mới, trích và nhận dạng biển số, đối chiếu với biển số trích lọc trước đây, so sánh và cảnh báo người quản lý. Yêu cầu: - Khả năng lập trình tốt - Ngôn ngữ lập trình: C/C++ Sinh viên 1: nghiên cứu phân tích, trích biển số, kí tự, kí số trong biển số xe Sinh viên 2: xây dựng bộ nhận dạng kí tự kí số Cả 2: tích hợp thành hệ thống hoàn chỉnh Tài liệu tham khảo 1. Open CV: http://opencv.org 2. Paul Viola, Michael Jones, Robust Real-time Object Detection, International Journal of Computer Vision, 2001. 2 Đề tài 2: Phân loại ảnh sử dụng phân tích ngữ nghĩa tiềm ẩn có xác suất Mô tả: Phân loại ảnh nhận đầu vào là một ảnh và gán nhãn cho ảnh dựa vào nội dung của ảnh. Đây là một tác vụ khó vì sự thay đổi về màu sắc, ánh sáng, thay đổi góc chụp ảnh, vật thể bị che khuất, ảnh hưởng của phông nền lên vật thể. Gần đây, việc sử dụng các đặc trưng cục bộ SIFT (scale-invariant feature transform) đã mang lại nhiều thành tựu đáng kể trong phân tích ảnh. Trước hết, người ta tìm các điểm đặc biệt (interest points) trên ảnh. Các điểm này thường là các điểm nằm trong các vùng có kết cấu (texture) đặc biệt. Sau đó từng điểm đặc biệt, ta sẽ được mô tả bằng một vec-tơ đặc trưng được trích lọc từ vùng xung quanh của điểm đặc biệt này. Mỗi vectơ đặc trưng là một vectơ 128 chiều. trung bình một ảnh sẽ có khoảng 1.000 vectơ đặc trưng. Sivic et al. (2003) đã trình bày một phương pháp để biểu diễn ảnh nhằm giải quyết vấn đề không gian lưu trữ và biểu diễn ảnh bằng các vec-tơ có số chiều bằng nhau. Theo đó, các vectơ đặc trưng sẽ được phân nhóm trước bằng một giải thuật phân nhóm (clustering) nào đó. Kế đến, các vectơ đặc trưng sẽ được gán vào các nhóm (cluster) tương ứng. Người ta gọi các cluster này là các visual words. Như vậy một ảnh có thể được xem như là một danh sách chứa các visual words. Thứ tự xuất hiện của các visual words không quan trọng và thường được bỏ qua. Đếm số vectơ của một ảnh được gán vào từng visual words ta sẽ thu được phân phối của các visual words trong ảnh này. Phân phối này có thể được biểu diễn bằng một vectơ. Như vậy thay vì biểu diển ảnh bằng một tập các vectơ đặc trưng SIFT (khoảng 1000 vectơ) thì ta có thể biểu diễn ảnh bằng một vectơ duy nhất. Cách biểu diễn này tương tự như cách biểu diễn văn bản bằng mô hình “túi từ” (bag of words) trong phân tích dữ liệu văn bản. Và tập ảnh sẽ được biểu diễn bằng một bảng ngẫu nhiên (contingency table) với các hàng tương ứng với ảnh và các cột tương ứng với các visual word. Mục tiêu chính của đề tài là sử dụng Phân tích ngữ nghĩa tiềm ẩn có xác suất (PLSA - Probabilistic Latent Semantic Analysis) để phân tích bảng tần số trên tạo chỉ mục cho ảnh. Bước kế tiếp sử dụng một phương pháp học máy cũng theo mô hình xác suất để học phân loại cho ảnh. Kiểm thử ảnh trên một số tập dữ liệu chuẩn (Caltech101, Caltech256) Yêu cầu: - Kỹ năng lập trình tốt - Có kiến thức về xử lý ảnh, đại số tuyến tính, xác xuất, thống kê - Ngôn ngữ lập trình: C/C++ (khuyến khích lập trình trên GNU/Linux) Tài liệu tham khảo 1. David G. Lowe, Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision, 60, 2 (2004), pp. 91-110. 2. R. Lienhart and M. Slaney. pLSA on large scale image databases. IEEE International Conference on Acoustics, Speech and Signal Processing 2007 (ICASSP 2007), Vol. IV: 1217-1220, 2007. 3 Đề tài 3: Chứng thực người dùng sử dụng nhận dạng mặt người Số SV: 3 Sinh viên Mô tả: Mục tiêu của đề tài xây dựng một hệ thống nhận dạng mặt người cho phép chứng thực người dùng. Từ ảnh đầu vào, sử dụng modun định vị mặt người của OpenCV để định vị khuôn mặt người có trong ảnh. Kế đến, trích xuất đặc trưng từ ảnh (đặc trưng SIFT). Modun 1: Sử dụng phương pháp đối sánh SIFT để nhận dạng: 2 ảnh được cho là giống nhau nếu số cặp SIFT khớp với nhau vượt quá 1 ngưỡng nào đó. Modun 2: Sử dụng phương pháp biểu diễn ảnh bằng phân phối các đặc trưng SIFT. So sánh sự giống nhau của 2 ảnh bằng cách so sánh 2 phân phối tương ứng. Modun 3: Sử dụng mô hình túi từ và máy học vector hỗ trợ để nhận dạng. Ảnh sau khi được trích xuất các đặc trưng SIFT, sẽ được biểu diễn bằng mô hình túi từ. Sau đó, sử dụng máy học véc-tơ hỗ trợ để học mô hình phân lớp/nhận dạng (xem đề tài 3). Yêu cầu: - Kỹ năng lập trình tốt - Có kiến thức về xử lý ảnh, đại số tuyến tính, khai khoáng dữ liệu - Ngôn ngữ lập trình: C/C++ (khuyến khích lập trình trên GNU/Linux) Tài liệu tham khảo 1. Đỗ Thanh Nghị, Khai khoáng dữ liệu, NXB ĐHCT 2. Đỗ Thanh Nghị, Phạm Nguyên Khang, Nguyên lý máy học, NXB ĐHCT 3. David G. Lowe, Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision, 60, 2 (2004), pp. 91-110. 4. Oren Boiman, In Defense of Nearest-Neighbor Based Image Classification, In CVPR (2008) 4 Đề tài 4: Dựng ảnh 3D từ ảnh 2D Mô tả: Dựng ảnh 3D từ 2 hay nhiều ảnh 2D là bài toán rất hấp dẫn trong lĩnh vực đồ họa máy tính. Mục tiêu của bài toán là xây dựng được mô hình ảnh 3D từ các ảnh 2D được chụp từ nhiều góc độ khác nhau. Bài toán có nhiều ứng dụng trong thực tế như: xây dựng các mô hình một cách nhanh chóng từ ảnh chụp, tạo phòng trưng bày sản phẩm ảo, … Đề tài tập trung vào việc sử dụng thư viện OpenCV và thư viện Point Clouds để dựng lại ảnh 3D từ 2 hay nhiều ảnh 2D. Nghiên cứu xuất kết quả đầu ra dưới các định dạng phổ biến 3ds (của 3D MAX) hoặc pov (của POVRAY). Yêu cầu: - Kỹ năng lập trình tốt - Có kiến thức về xử lý ảnh, đại số tuyến tính - Ngôn ngữ lập trình: C/C++ (khuyến khích lập trình trên GNU/Linux) Tài liệu tham khảo 1. http://sourceforge.net/projects/reconststereo/ 2. http://blog.martinperis.com/2012/01/3d-reconstruction-with-opencv-and-point.html 3. http://code.google.com/p/lib3ds/ 5 Đề tài 5: Xây dựng hệ thống hỗ trợ trang trí nội nhất sử dụng đồ họa 3D Mô tả: Mục tiêu của đề tài là xây dựng một hệ thống cho phép mô hình hóa các căn phòng cần trang trí (phòng khách, phòng họp, bếp, phòng tắm, …). Việc trang trí chỉ tập trung vào các chức năng: chọn gạch lát tường, kiểu lát, bố trí một số vật dụng được mô hình sẵn vào căn phòng. Sau khi đã mô hình hóa và trang trí, việc kế đến là dựng ảnh và xuất ảnh ra màn hình. Các căn phòng được giả sử có nền đa giác (thông thường là hình chữ nhật, tuy nhiên có một số căn phòng có hình dạng khá đặc biệt). Việc lát gạch có thể lát hết tường hoặc hoặc lát một phần, phần còn lại có thể sơn màu. Khả năng ứng dụng của hệ thống sẽ rất cao (tại các cửa hàng kinh doanh vật liệu trang trí nội thất). Yêu cầu: - Kỹ năng lập trình tốt - Có kiến thức về kỹ thuật đồ họa, lập trình giao diện đồ họa - Ngôn ngữ lập trình: C/C++, C#, … Tài liệu tham khảo 1. Nguyễn Thanh Bình, Bài giảng đồ họa máy tính, Khoa CNTT&TT, ĐHCT 2. Pov-Ray, Persistence of Vision Raytracer, http://www.povray.org/ 6 Đề tài luận văn tốt nghiệp K35, học kỳ 2, 2012-2013 Giáo viên hướng dẫn: Th.S GVC Phạm Gia Tiến E-mail: pgtien@cit.ctu.edu.vn ĐỀ TÀI SỐ 01: Nhận dạng giọng nói (phân biệt giọng nói của một người với các người khác) Tên đề tài: Nhận dạng giọng nói (phân biệt giọng nói của một người với các người khác) Mục tiêu: Xây dựng một phần mềm nhận dạng giọng nói của một người với độ chính xác >= 60% Phương pháp: - Tìm hiểu các phương pháp nhận dạng bằng máy tính Tìm hiểu cách rút trích/xây dựng các đặc điểm âm thanh Chọn lựa giải thuật nhận dạng Thiết kế và cài đặt Tài liệu tham khảo: internet ĐỀ TÀI SỐ 02: Chuyển âm thanh đọc chữ số sang chữ số Tên đề tài: Chuyển âm thanh đọc chữ số sang chữ số Mục tiêu: Xây dựng phần mềm nhận âm thanh đọc số của người, nhận biết âm thanh đó tương ứng với chữ số nào với độ chính xác >= 90% Phương pháp: - Tìm hiểu các phương pháp nhận dạng bằng máy tính Tìm hiểu cách rút trích/xây dựng các đặc điểm âm thanh Chọn lựa giải thuật nhận dạng Thiết kế và cài đặt Tài liệu tham khảo: internet ĐỀ TÀI SỐ 03: Chẩn đoán hỏng hóc của xe qua tiếng máy Tên đề tài: Chẩn đoán hỏng hóc của xe qua tiếng máy Mục tiêu: Xây dựng một phần mềm chẩn đoán “hỏng hóc” của xe qua tiếng máy Phương pháp: - Tìm hiểu các phương pháp nhận dạng bằng máy tính Tìm hiểu cách rút trích/xây dựng các đặc điểm âm thanh Chọn lựa giải thuật nhận dạng Thu lượm “dữ liệu tiếng máy” qua các “thợ máy” lành nghề Thiết kế và cài đặt Tài liệu tham khảo: internet ĐỀ TÀI SỐ 04: Nhận biết âm thanh của nhạc cụ Tên đề tài: Nhận biết âm thanh của nhạc cụ Mục tiêu: Xây dựng một phần mềm nhận biết âm thanh được phát ra từ nhạc cụ Phương pháp: - Tìm hiểu các phương pháp nhận dạng bằng máy tính Tìm hiểu cách rút trích/xây dựng các đặc điểm âm thanh 7 - Chọn lựa giải thuật nhận dạng Thu lượm “dữ liệu âm thanh nhạc cụ” Thiết kế và cài đặt Tài liệu tham khảo: internet 8 Danh sách đề tài LVTN Đại học K35 Giáo viên hướng dẫn: 1. Phạm Xuân Hiền (pxhien@cit.ctu.edu.vn) 2. Bùi Minh Quân (bmquan@cit.ctu.edu.vn) Yêu cầu chung: - Có kiến thức về máy học - Lập trình ngôn ngữ Java, R Đề tài: 1. Xây dựng công cụ để phân loại dữ liệu đối với tập dữ liệu không cân bằng dưới tác động của chi phí. 2. Xây dựng công cụ để phân loại dữ liệu đối với tập dữ liệu không cân bằng bằng phương pháp lấy mẫu giảm (giải thuật EasyEnsemble, BalanceCascade) Đề tài 1: Xây dựng công cụ để phân loại dữ liệu đối với tập dữ liệu không cân bằng dưới tác động của chi phí(2sinh viên). Mô tả: Trong máy học cổ điển và khai khoáng dữ liệu, phân lớp dữ liệu luôn tối ưu lỗi phân loại sai. Điều này chỉ hợp lí khi giá phải trả cho các lỗi phân loại sai mẫu là bằng nhau. Trong thực tế, cái giá phải trả cho các lỗi phân sai là không giống nhau. Ví dụ trong chuẩn đoán y tế việc chuẩn đoán sai một bệnh nhân là khỏe thì phải trả một giá cao hơn khi chuẩn đoán sai một người là bệnh. Dữ liệu thu được trong các ứng dụng thực tế thường là các tập dữ liệu không cân bằng. Tập dữ liệu không cân bằng là tập dữ liệu có sự phân phối mẫu không đồng đều giữa các lớp. Trong tâp, có lớp có rất ít mẫu so với các lớp khác. Tập không cân bằng thường xuất hiện trong các lĩnh vực như chuẩn đoán y tế, phát hiện gian lận, phát hiện xâm nhập hệ thống, quản lí rủi ro, lọc thư điện tử .v.v. Nếu quá trình thu thập thông tin bị hạn chế và thời gian thu thập ngắn thì tập dữ liệu thu được xảy ra mất cân bằng cao. Tỷ lệ mất cân bằng giữa lớp nhỏ và lớp lớn có thể là 1:10, 1:100, 1:1000 hoặc lớn hơn. Thông thường trong những lĩnh vực này lớp cần quan tâm có rất ít mẫu. Vì thế, phân loại dữ liệu trên tập không cân bằng là một thách thức, việc phân loại đúng mẫu trên lớp nhỏ là khá khó và rất quan trọng. Các giải thuật truyền thống có xu hướng gán nhãn cho mẫu chưa xác định là thuộc lớp chiếm số mẫu lớn và bỏ qua lớp nhỏ. 9 Mục tiêu chính của đề tài: Xây dựng công cụ nâng cao độ chính xác phân loại của lớp nhỏ trên tập đa lớp không cân bằng. Giải thuật cơ sở được sử dụng là C4.5 và ma trận chi phí của tập dữ liệu. Tài liệu tham khảo: 1. Abe, N., Zadrozny, B., Langford, J. (2004), An iterative method for multi-class costsensitive learning, Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Seattle, WA, pp. 3–11. 2. Allwein, E. L., Schapire, R. E., Singer, Y. (2000), Reducing multiclass to binary: A unifying approach for margin classifiers, Journal of Machine Learning Research 1, pp. 113– 141. 3. Blake, C., Keogh, E., Merz, C. J. (1998), UCI repository of machine learning databases, [http://www.ics.uci.edu/~mlearn/MLRepository.html], Department of Information and Computer Science, University of California, Irvine, CA. 4. Drummond, C., Holte, R. C. (2003), C4.5, class imbalance, and cost sensitivity: Why under-sampling beats over-sampling, Working Notes of the ICML’03 Workshop on Learning from Imbalanced Data Sets, Washington, DC. 5. Elkan, C. (2001), The foundations of cost-senstive learning, Proceedings of the 17th International Joint Conference on Artificial Intelligence. Seattle, WA, pp. 973– 978. 6. Liu, X.-Y., Zhou, Z.-H. (2006), The influence of class imbalance on cost-sensitive learning: An empirical study, Proceedings of the 6th IEEE International Conference on Data Mining. Hong Kong, China, pp. 970–974. 7. Zhou, Z.-H., Liu, X.-Y. (2006a), On multi-class cost-sensitive learning, Proceeding of the 21st National Conference on Artificial Intelligence. Boston, WA, pp. 567–572. 8. Zhou, Z.-H., Liu, X.-Y. (2006b), Training cost-sensitive neural networks with methods addressing the class imbalance problem. IEEE Transactions on Knowledge and Data Engineering 18 (1), 63–77. 10 Đề tài 2: Xây dựng công cụ để phân loại dữ liệu đối với tập dữ liệu không cân bằng bằng phương pháp lấy mẫu giảm (giải thuật EasyEnsemble, BalanceCascade) (2sinh viên) Mô tả: Cùng với sự hỗ trợ của máy tính, khai thác dữ liệu có thể cho ta giải pháp thích hợp để ra quyết định. Trong khai thác dữ liệu, có hàng loạt tiếp cận máy học hỗ trợ để ra quyết định: C4.5[Quinlan, 1993], mạng Bayes[Fridman & Goldszmidt, 1996], máy học vector hỗ trợ[Vapnil, 1995],… Các tiếp cận này được ứng dụng thành công trong hầu hết các lĩnh vực về phân tích dữ liệu, phân loại văn bản, phân loại gien, phân loại bệnh,…Tuy nhiên, các ứng dụng thực tế dữ liệu thu được là các tập dữ liệu không cân bằng. Tập dữ liệu không cân bằng là tập có sự phân phối không đồng đều nhau giữa các lớp. Nghĩa là tập dữ liệu có chứa nhiều thể hiện (instance) ở một số lớp, và có ít thể hiện ở các lớp còn lại. Tập không cân bằng thường xuất hiện trong các lĩnh vực như chuẩn đoán y tế, phát hiện gian lận, phát hiện xâm nhập hệ thống, quản lí rủi ro, lọc thư điện tử .v.v. Nếu quá trình thu thập thông tin bị hạn chế và thời gian thu thập ngắn thì tập dữ liệu thu được xảy ra mất cân bằng cao. Tỷ lệ mất cân bằng giữa lớp nhỏ và lớp lớn có thể là 1:10, 1:100, 1:1000 hoặc lớn hơn. Thông thường trong những lĩnh vực này lớp cần quan tâm có rất ít mẫu. Vì thế, phân loại dữ liệu trên tập không cân bằng là một thách thức, việc phân loại đúng mẫu trên lớp nhỏ là khá khó và rất quan trọng. Trong khi đó, các giải thuật truyền thống có xu hướng gán nhãn đúng cho mẫu thuộc lớp chiếm số mẫu lớn và bỏ qua lớp nhỏ làm cho việc phân lớp đúng của lớp nhỏ có tỉ lệ phân loại thấp. Để cải thiện độ chính xác khi phân loại của lớp nhỏ, một số nghiên cứu đã đề xuất ra cách phân loại lấy mẫu giảm. Mục tiêu chính của đề tài: Xây dựng công cụ để phân loại dữ liệu đối với tập dữ liệu không cân bằng bằng phương pháp lấy mẫu giảm bằng giải thuật EasyEnsemble và BalanceCascade. Phân tích kết quả của 2 giải thuật. Sinh viên cần cài đặt các chức năng sau: Tài liệu tham khảo: 1 Blake, E.Keogh, and C. J. Merz, “UCI repository of machinelearning databases” [http://www.ics.uci.edu/~mlearn/MLRepository.html], Department of Information and Computer Science, University of California, Irvine, CA. 2 C. Drummond and R. C. Holte (2003), “C4.5, class imbalance, and cost sensitivity: Why under-sampling beats over-sampling”, Working Notes of the ICML’03 Workshop on Learning from Imbalanced Data Sets, Washington, DC. 3 E. Bauer and R. Kohavi (1990), “An empirical comparison of voting classification algorithms: Bagging, boosting, and variants,” Machine Learning, vol. 36, no. 1-2, pp. 105–139. 4 G. I. Webb (2000), “MultiBoosting: A technique for combining boosting and wagging”, Machine Learning, vol. 40, pp. 159–196. 11 5 G. J. Karakoulas and J. Shawe-Taylor (1999), “Optimizing classifiers for imbalanced training sets,” in Advances in Neural Information Processing Systems 11. Cambridge, MA: MIT Press, pp. 253–259. 6 H. Guo and H. L. Viktor (2004), “Learning from imbalanced data sets with boosting and data generation: The DataBoost-IM approach”, ACM SIGKDD Explorations, vol. 6, no. 1, pp. 30–39. 7 P. Viola and M. Jones (2002), “Fast and robust classification using asymmetric AdaBoost and a detector cascade”, Advances in Neural Information Processing Systems 14, T. G. Dietterich, S. Becker, and Z. Ghahramani, Eds. Cambridge, MA: MIT Press, pp. 1311–318. 8 Quinlan, J. R. (1993), “C4.5: Programs for Machine Learning”, Morgan Kaufmann, San Mateo, California. 9 Thomas Debray (2009), “Classification in Imbalanced datasets”, Master's Thesis in Artificial Intelligence Faculty of Humanities and Sciences, Maastricht Universit. 10 X.-Y. Liu, J. Wu, and Z.-H. Zhou (2008), “Exploratory under-sampling for class-imbalance learning”, Proceedings of the 6th IEEE International Conference on Data Mining, Hong Kong, pp. 965–969. 11 Yanmin Sun, Mohamed S. Kamel and Yang Wang (2006), “Boosting for Learning Multiple Classes with Imbalanced Class Distribution”, TheSixth International Conference on Data Mining. 12 Đề tài 1:Xây dựng trò chơi dàn trận theo thể loại TBS trên thiết bị di động. Nguyễn Bá Diệp Email: nbdiep@cit.ctu.edu.vn Số lượng sinh viên: 1-2 Nội dung thực hiện: Xây dựng một trò chơi dàn trận theo thể loại TBS(Turn based strategy). Trò chơi từ 2 người chơi (player) trở lên hoặc một người chơi với một hoặc nhiều máy tính (computer). Mỗi người chơi/ máy tính sẽ điều khiển tất cả quân của mình theo từng lượt. Sau khi hết lượt người chơi sẽ tới lượt đối phương. Trò chơi kết thúc khi người chơi tiêu diệt hết các quân của đối thủ hoặc thực hiện một số yêu cầu nhất định. Sinh viên có thể tham khảo thêm trên internet http://en.wikipedia.org/wiki/Turn-based_strategy. Gợi ý một số chức năng:  Xây dựng trí tuệ nhân tạo cho đối thủ máy tính (tìm đường đi, ra quyết định)  Xây dựng trình đơn điều khiển (menu) cho trò chơi, trình đơn điều khiển đơn vị quân (command menu).  Xây dựng hệ thống điều khiển tương tác với trò chơi ( virtual joypad /joystick)  Trò chơi có thể tạo bảng đồ, nhiệm vụ bằng tilemap.  Tính năng chuyển cảnh, chọn cảnh, chọn nhiệm vụ. Yêu cầu kỹ năng:  Có thể sử dụng ngôn ngữ lập trình C++/Objective-C.  Chương trình có thể chạy trên hệ điều hành: Android 2.3 +/ IOS 4+ /Window phone 7.5+  Môi trường phát triển: window/mac os x  Công cụ sử dụng: visual studio 2010/ xcode 4.2+  Tư duy logic, tư duy lập trình. Tài liệu tham khảo:  Learn cocos2d Game Development with iOS 5 (Learn Apress) Steffen Itterheim, Andreas Löw, 2011 , ISBN-10: 1430238135,| ISBN-13: 978-1430238133  http://en.wikipedia.org/wiki/Turn-based_strategy.  http://www.raywenderlich.com/5480/beginning-turn-based-gaming-with-ios-5-part-1 13
- Xem thêm -