基于Adaboost方法的车载嵌入式疲劳驾驶预警系统

提出一种基于Adaboost的实时算法,并应用于车载嵌入式系统。用红外光源和红外摄像头获取驾驶员的视频图像,对其疲劳状态进行监控。首先通过人脸检测定位驾驶员的人脸,然后提取人眼区域并对人眼闭合状态进行判断,基于PERCLOS标准制定了相应的预警机制,对潜在的疲劳驾驶进行判断并预警。该算法从PC移植到嵌入式平台并根据实验进行了优化,先后制作了多个车载嵌入式装置进行实车测试,达到了大于92%的准确率和少于1.5 s的判断响应时间。实验装置稳定可靠,可实际应用于营运车辆。

局部保形映射和AdaBoost方法在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的随机性和非平稳性,提出基于局部保形投影(LPP)特征提取和自适应Boosting算法的滚动轴承故障诊断方法。首先对信号构建原始样本数据集合,提取时域、频域及时频域的相关特征,将该特征作为LPP的输入样本,得到维数降低的新数据集合并能尽可能保持原始局部流形结构。将此降维特征向量作为Adaboost输入,建立故障模型,用以识别滚动轴承故障类型。分析滚动轴承正常状态、内圈故障、外圈故障及滚动体故障特性。通过对比试验表明,基于LPP与Adaboost诊断方法识别率较高,可准确有效地对滚动轴承状态和故障进行分类。

基于Adaboost方法的高速公路事件检测

阐述Adaboost方法原理及算法,提出采用Adaboost方法结合神经网络算法进行高速公路事件检测,给出了基于Adaboost方法的事件检测算法。该算法可以明显提升神经网络算法性能,适合进行高速公路事件检测,仿真实验结果表明了该算法的有效性和可行性。

基于KELM-AdaBoost方法的短期风电功率预测（英文）

针对短期风电功率预测系统,提出基于集成学习理论的具有数据集实例权重更新机制的KELM-AdaBoost方法。Ada Boost方法能够自动学习多个弱回归器并将其提升为预测精度高的强回归器,核极限学习机(Kernel Extreme Learning Machine, KELM)方法作为AdaBoost方法的基学习器,其以核函数表示未知的隐含层非线性特征映射,仅需通过正则化最小二乘算法调节网络的输出权值就能达到最小的训练误差,且KELM中不仅使用了RBF核函数,还使用了可允许的多维张量积小波核函数。将KELM-AdaBoost方法分别应用于不同地区的短期风电功率单步直接预测和多步间接预测中,并与RBF,SVM, ELM, KELM, RBF-AdaBoost, SVM-AdaBoost, ELM-AdaBoost方法在同等条件下相比较,实验结果表明,所提出的KELM-AdaBoost方法在预测精度上优于已有的预测方法,蕴藏着巨大潜力和较好的应用前景。

基于回归树和AdaBoost方法的刀具磨损评估

本文利用高速数控铣刀铣削中不同侧面方向的切削力和振动信号以及声发射信号均方根值,以数据驱动的形式对刀具磨损进行了拟合评估.在本次研究中,分别从时域、频域和时频联合域上探索与刀具磨损相关的敏感特征,具体特征提取方法包括时域统计分析、频域上的快速傅里叶变换(FFT)和时频联合分析的小波变换(WT).本文中,决策树被用于回归问题而非分类问题,用于评估刀具磨损值.同时,引入AdaBoost算法对回归树模型进行提升,并从模型的准确性、稳定性和适用性三个方面上综合对比了提升的决策树回归模型和原模型的性能.研究表明,AdaBoost算法提升的回归决策树模型在预测的准确性和稳定性上都有一定程度上提高,并且在面向全新刀具磨损预测的适用性上也取得了不错的提升效果.

基于BP-Adaboost方法的天然地震和人工爆炸事件波形信号分类识别研究

BP神经网络和支持向量机(SVM)是两种主流的分类识别方法,用于天然地震和人工爆炸事件波形信号分类识别时取得了较好的效果。但BP神经网络存在易陷入局部最优及隐层数和隐层节点数与训练样本数据密切相关而无法有效预先确定;而支持向量机(SVM)方法则缺乏有效手段来选取合适的核函数,从中不能很好地扩展到多分类。针对天然地震和人工爆炸事件波形信号的分类识别问题,文中将上述两种方法和集成学习——BP-Adaboost方法进行了对比实验研究。据对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,BP-Adaboost方法得到了98%以上的正确识别率,并且具有较好的泛化能力。相较于BP神经网络和PCA-SVM方法,BP-Adaboost方法对于数据集的划分和识别结果具有更好的鲁棒性,应用于天然地震和人工爆炸事件波形信号分类识别时,可取得更好的识别效果。同时,结合Adaboost方法的原理,阐述了BP-Adaboost方法拥有更好分类结果和泛化能力的原因。

两种Adaboost方法在人脸检测中的比较研究

Adaboost方法是目前较流行的一种人脸检测方法,本文根据传统Adaboost方法与改进的Adaboost方法分别设计实现了相应的boosting分类器,采用基于bioid的人脸库进行训练。测试阶段对包含单个人脸和不包含人脸的图片进行检测,并对检测结果进行统计,最好检测率可达到86.875%。最后比较分析了两种方法的性能,解释了影响分类器效果的原因。

AdaBoost方法在入侵检测技术上的应用

详细介绍了AdaBoost方法的原理与算法,以及如何将AdaBoost方法应用于入侵检测的核心技术———入侵分析技术中,并且用实验数据对该方法进行验证,同时将AdaBoost的测试结果与基分类器BP的测试结果进行比较,得出AdaBoost方法能够大幅度提高弱分类器识别率,以及它适合于IDS数据的结论。

AproPhos:基于AdaBoost方法的蛋白质磷酸化修饰预测系统

磷酸化是最重要的蛋白质翻译后修饰之一,随着蛋白质磷酸化修饰数据不断积累,利用已有数据进行蛋白质磷酸化修饰位点预测的条件日益成熟。利用修饰位点附近氨基酸性质取代氨基酸种类作为特征,对现有516种氨基酸性质做了详细分析和筛选,提出了采用AdaBoost方法进行特征选择和分类器训练的磷酸化修饰位点预测系统AproPhos,该系统在特异性高于已有预测系统(约2%)的基础上,大大提高了预测的灵敏度(约10%),使磷酸化位点预测方法用于提高磷酸化蛋白质质谱鉴定效率成为可能,并有发现磷酸化修饰位点氨基酸性质分布的潜力。

一种基于AdaBoost方法的树形HNB组合分类器

首先提出一种改造HNB后的新算法树形隐藏朴素贝叶斯(Tree-HNB)分类器,进而将该新算法和AdaBoost方法相结合,最后通过大量实验表明这种新的树形隐藏朴素贝叶斯组合分类器在大多数数据集上能够提高HNB的分类性能。

基于AdaBoost方法的蛋白质磷酸化修饰规则抽取

磷酸化是最重要的蛋白质翻译后修饰之一,随着蛋白质磷酸化数据的增加,利用已有数据对蛋白质磷酸化修饰进行规律挖掘和预测的条件日益成熟。设计新的基于AdaBoost(adaptivc boost)分类器的规则抽取算法和利用修饰位点附近氨基酸性质作为特征并采用AdaBoost方法进行特征选择和分类器训练的磷酸化修饰位点预测方法AproPhos(using amino acid pro- perties for phosphorylation sites prediction),使其在具有较高预测精度的同时可以对预测结果进行可理解的规则解释,规则抽取还有助于发现新的磷酸化修饰氨基酸性质分布规律,对揭示生命活动规律和药物开发有着重要意义。

改进的Adaboost方法及其在水电站设备故障检测中的应用

针对水电站运行人员巡检时间过长,检查设备故障效率过低等问题,设计了水电站故障检测方案。根据改进的Adaboost方法对不同工况下机器作用所产生的噪声值进行训练,并建立一个分类器模型,将其应用到水电站设备故障检测方案当中。通过仿真实验,结果表明改进的Adaboost分类器正确率很高,达到89.1%。此方案可以提高水电站设备故障的检测效率,加强了工作人员的安全保障。

基于Adaboost方法的实时人眼定位

人眼定位在基于机器视觉的疲劳检测系统中起着至关重要的作用。该文介绍了Adaboost方法在人眼定位中的应用,首先描述了Adaboost的基本思想,使用人脸分类器对人脸进行定位,之后在人脸定位的基础上使用人眼分类器最终定位人眼,实现了实时的人眼定位。

基于AdaBoost方法的人脸检测研究

伴随城镇化的进展,在测控以及监管流动人口部分,给政府人员的巡查以及监管带来一定难度,首先概述了人脸检测方法,包括人脸检测方式和学习策略,进而研究了AdaBoost人脸检测算法,包括算法基本流程、Haar长方形特征、AdaBoosting级联分类装置。给出人脸特征获取,图像空间映射和主分量解析算法,最后分析了AdaBoost方法训练方法和检测算法、误检与漏检情况。

多域特征提取结合AdaBoost的含未知故障提速道岔故障诊断方法

针对提速道岔未知新故障误判影响列车安全运行及道岔检修效率的问题,提出一种基于多域特征提取和自适应提升算法(Adaptive boosting, adaboost)的信号分析及故障诊断模型。首先,为了深入挖掘道岔的故障特征,分别从时域、频域及时频域提取故障特征,构造原始特征集;然后根据AdaBoost模型获得的特征重要度排序构造不同特征数量的分类模型,并利用模型分类精度进一步获得最佳特征子集;最后将最佳特征子集输入含判定机制的AdaBoost故障诊断模型,完成对提速道岔含未知故障类型的诊断,同时,通过对模型的再训练,实现了对现有故障诊断模型的自适应更新。结果表明:本文方法在有效提取故障特征,提高道岔已知类故障诊断精度的同时,可以有效地识别出道岔之前未出现的新故障。

一种基于Adaboost和BP神经网络的装备故障预测方法研究

为了提升装备的故障预测准确性,论文提出了基于Adaboost和BP神经网络的装备故障预测方法。主要是设立多组BP神经网络作为相互独立的故障弱预测器对故障进行预测,预测结果输入Adaboost故障弱预测器,经过多组神经网络的权重设置形成故障强预测器,进而准确预测故障。研究表明,论文所提方法具有较高的预测精度和稳定性,能够广泛应用于装备故障预测领域,可为装备故障预测提供有效的解决方案。

凉垫、凉枕降温性能检测方法研究

通过模拟实际使用环境,对降温凉垫、凉枕的降温性能进行了研究。结果表明:大多数凉垫、凉枕使用后最低温度在20~25℃之间。当降温时间大于2 h、平均温差>5℃时,可认为该凉垫、凉枕具有持续降温性能,凉垫、凉枕在炎热的夏季可以起到凉爽降温的作用。该检测方法可为相关生产企业控制产品质量提供参考。

考虑潜在溃坝的水库大坝运行成本和收益量化方法

针对水库大坝逐渐老化、自身风险和运行成本不断增加的情况,为了进一步明确水库大坝运行的经济性,构建了一种考虑潜在溃坝损失作用下的水库大坝运行综合成本与综合收益量化模型。首先,综合考虑大坝潜在溃坝的影响,根据ISM理论明确了水库大坝运行成本与收益影响因素之间的相互作用关系,确定了水库大坝运行综合成本与综合收益量化指标;其次,基于DEMATEL法分析了各因素之间的相互作用程度,明确了各成本与收益指标之间相对重要程度;最后,结合技术经济学理论,计算了潜在溃坝损失作用下的水库大坝运行综合成本和综合收益。将所提模型应用于国内某水库,计算了该水库的运行综合成本和综合收益,并对其经济性进行了分析,结果表明:在考虑潜在溃坝损失的情况下,该水库运行综合成本为743.62万元,综合收益为10911.83万元,收益成本比为14.67,运行综合收益远大于运行综合成本,创收能力良好,经济效益显著。

煤矸石分类及其命名方法的研究现状

煤矸石是我国排放量最大的工业固体废弃物之一,其处理不当不仅导致土地资源的浪费,还会对周边环境和居民健康构成潜在威胁。针对煤矸石处理及综合利用,探讨了煤矸石的物理和化学性质,并详细阐述了几种分类方法,在此基础上探讨了几种煤矸石的命名方法,为煤矸石的大规模综合利用提供参考。

基于弹丸膛内运动参数和压力测试的火炮膛内燃气温度估算方法

为了解决火炮膛内测试环境恶劣而导致发射药燃气温度测试难度大的问题,基于微波干涉仪、压力测试系统,结合发射药配方性能计算理论、装药内弹道性能计算模型等理论,建立了一种基于实测参数的火炮膛内燃气温度估算方法,并开展了试验研究。结果表明:火炮膛内燃气温度的最高值约为2631.8 K,随着弹丸运动迅速降低,弹丸出炮口时膛内燃气温度降低到约1858.4 K;建立的火炮膛内发射药燃气温度估算方法可以有效地获得火炮整个内弹道过程中火药燃气温度随时间的变化规律,为低烧蚀发射药及装药的研制提供了一种新的研究手段。