基于双层分类模型的人体动作识别方法

针对现有人体动作识别方法不能很好地识别静态图像中动作的问题,提出一种结合姿态库和AdaBoost双层分类模型的识别方法。利用人体位置数据和Hausdorff距离创建初始姿态库,利用第一层分类器进行训练,获得由特征向量和空间信息组成的姿态库;基于第一层分类器获得测试图像的空间姿态激活向量(SPAV);将SPAV进行级联作为第二层分类器的输入,以具有最大分类分数的动作类型作为判别结果。在PASCAL2010和KTH数据集进行相关实验,实验结果表明,该方法在识别精确性和处理时间上具有优越的性能。

基于多特征信息的双层睡眠分期模型

针对睡眠相关疾病的诊断和治疗过程中睡眠分期的问题,使用ADASYN算法对睡眠样本进行类平衡,有效利用复合多尺度排列熵、样本熵和不同频段的能量值等一系列能够反映不同睡眠阶段信息的特征进行训练.为了提高分类中易混淆睡眠阶段的分类识别性能,构建了一种双层分类模型,使睡眠分期的五分类问题转化为两个三分类问题.将所提出的方法在Sleep-EDF数据集上进行验证,结果表明:所提出的模型对健康受试者的准确率可达到88.3%,较以往模型提高1%~3%,其中N1阶段的分类准确率可达69.5%,较以往模型提高约10%,证明本双层分类模型优于传统的睡眠分类模型.

Deep Web入口探测与分类方法研究

传统的使用语料库对入口标签字符串进行匹配的方法受限于语料库的完整性和匹配算法的灵活性。为突破这种局限,引入了基于表单元件统计特征的Deep Web入口探测方法和使用文本分类方法对其进行分类的双层分类模型,并提出了两种特征权重计算方法用于特征选取。在TEL-8 Query Interfaces数据集上,测试结果体现了双层分类模型的优越性和特征向量维归约的必要性。

基于双层支持向量机的作物育种新型评价方法

从育种数据分析入手,结合历史育种家的经验,提出一种基于双层支持向量机的作物育种新型评价方法。以支持向量机作为分类器,选择径向基函数作为核函数,同时使用遗传算法来寻找最优的惩罚系数C和核函数参数g值。在双层模型中,将育种数据细分为作物农艺性状数据、产量相关性状数据和抗性试验数据,对这3组数据分别进行分类预测,将获得的预测结果再次输入模型中进行分类测试,以获得最终的品种评价结果。以玉米品种为例进行试验,选用经典的分类算法进行对比试验,结果表明基于双层支持向量机的作物育种评价方法分类准确率优于其他分类算法,适用于作物育种评价过程中。