基于强分类器的神经网络三维目标识别

在使用神经网络识别三维目标时,样本之间可能存在较大差异,会给准确识别带来困难;针对这一问题,提出了一种基于强分类器的三维目标识别方法;该方法首先对预处理后的图像求不变矩,并将这些不变矩作为训练和识别的样本;然后选择任意一种神经网络作为弱分类器进行训练,将首次训练的样本权值设为平均值,之后根据每次训练情况调整下层弱分类器样本的权值,之后将每次训练得到的分类器融合起来,作为最终的决策分类器;实验结果表明,在隐含层20个神经元的3层BP网络中,该方法的识别正确率比单个神经网络的平均识别正确率高2.42%。

基于水平集与强分类器的焊缝图像缺陷检测算法

为了解决当前焊缝缺陷检查算法在焊缝缺陷特征微弱、背景复杂的环境下,导致其缺陷漏检的不足,本文设计了基于水平集与强分类器Adaboost的焊缝图像缺陷检查算法。首先,设计水平集迭代轮廓线,制定演化收敛停止条件,定位出焊缝准确位置,并提取其轮廓;然后计算轮廓几何特征,建立基于Ada Boost的分类器,完成对缺陷的确认和分类。实验数据显示:与当前工件表面焊接缺陷检查技术相比,面对缺陷特征微弱、背景复杂环境时,本文算法具有更高的检测精度,能准确定位识别焊缝缺陷。

一种改进的强分类器优化算法

在Gentle Adaboost算法中,强分类器由弱分类器线性组成,但这种组合并不能保证强分类器是最优的。因此,提出一种基于分类结果的优化方法。算法模拟弱分类器系数增加或减少对分类结果的影响,选择最利于分类的系数调整方向,设计了优化机制。在MIT人脸数据库上的仿真实验表明,分类器优化后,检测精度得到了提高。

基于实例的强分类器快速集成方法

针对集成分类器由于基分类器过弱,需要牺牲大量训练时间才能取得高精度的问题,提出一种基于实例的强分类器快速集成方法——FSE。首先通过基分类器评价方法剔除不合格分类器,再对分类器进行精确度和差异性排序,从而得到一组精度最高、差异性最大的分类器;然后通过FSE集成算法打破已有的样本分布,重新采样使分类器更多地关注难学习的样本,并以此决定各分类器的权重并集成。实验通过与集成分类器Boosting在UCI数据库和真实数据集上进行比对,Boosting构造的集成分类器的识别精度最高分别能达到90.2%和90.4%,而使用FSE方法的集成分类器精度分别能达到95.6%和93.9%;而且两者在达到相同精度时,使用FSE方法的集成分类器分别缩短了75%和80%的训练时间。实验结果表明,FSE集成模型能有效提高识别精度、缩短训练时间。

基于BP-Adaboost强分类器的声音环境识别

针对通过改进分类算法提升声音环境识别正确率的目的,提出了基于BP-Adaboost强分类模型对声音所属环境进行识别的方法。提取声音信号中的梅尔倒谱频系数,通过T分布检验保留高识别度特征,作为声音信号的广义特征;另外,改进传统的分类器训练方式,利用Adaboost算法将多个BP神经网络弱分类器组合成为强分类器,训练声音环境识别模型,根据广义特征对不同环境中的声音进行识别。实验结果表明,BP-Adaboost强分类识别算法相较于传统方法在声音环境识别中的准确率与处理速度上均有显著提升,平均识别率提升了17%,计算效率提升了30%。

基于强分类器的企业财务预警分析研究

本文首先分析了财务危机与财务预警的关系,阐述了建立企业财务预警系统的必要性,以南京中山大厦有限公司财务状况为研究样本,得出10个指标的企业财务预警体系,提出了基于BP神经网络的强分类器的模型,并在Matlab环境下进行实践,结果表明采用基于强分类器的企业财务预警模型具有分类精度高等特点,对于建立企业财务预警系统具有很强的应用价值。

融合物理理解与模糊逻辑的分类强对流客观短期预报系统:(1)系统构成

提供准确的雷暴、短时强降水、雷暴大风和冰雹客观短期预报产品,对提高预报预警的预见期,及早采取有针对性的预防措施有重要意义。基于对四类强对流天气现象物理成因理解,给出了由国家气象中心牵头研发,融合模糊逻辑人工智能方法的分类强对流客观短期概率预报系统的流程框架和实现方法,详细介绍了该系统的结构特征,以及系统中用于雷暴、短时强降水、雷暴大风和冰雹四类强对流天气预报模型构建的关键预报因子、隶属度函数获取方法和权重因子配置等信息,并在此基础上探讨了物理理解与模糊逻辑人工智能相融合方法具有广泛适用性的本质,可以表征产生特定强对流天气现象的环境配置的多样性和复杂性。

融合物理理解与模糊逻辑的分类强对流客观短期预报系统:(2)表现评估

本文对分类强对流客观短期概率预报系统2022年6月13日强对流过程预报产品的表现进行分析,基于2022年的雷暴、短时强降水、雷暴大风及冰雹客观概率预报产品和可用的分类强对流监测实况资料,结合强对流预报业务中使用的空间检验方法和常用的确定性及概率性检验指标,对该短期预报系统提供的四类强对流天气客观概率预报产品进行了详细的性能评估。用于评估的预报资料是时段为2022年4月1日至9月30日每天08时(北京时)起报,96 h内逐12 h间隔的预报产品。预报个例分析显示,四类产品均可提前24 h指示需要关注的强对流天气区域。统计检验结果表明,短时强降水各方面性能最好,其次是雷暴,雷暴大风也有一定的可参考性。四类强对流天气预报产品均存在预报概率与实况频率相比偏高的过度预报问题。雷暴、短时强降水和雷暴大风预报产品均存在与预报覆盖时效有关的日变化。评估结果为预报模型和系统后续改进发展奠定了基础,为应用基于融合物理理解与模糊逻辑人工智能方法的分类强对流预报产品提供了有益参考。

基于集合预报极端天气预测指数的浙江分类强对流预报模型

利用2016—2021年ECWMF集合预报资料、浙江自动站实况资料等,计算浙江短时强降水、雷暴大风和冰雹等强对流天气相关物理量的极端天气预报指数(EFI:Extreme Forecast Index),分析EFI分布特征,并构建了分类强对流预报模型。结果表明:强对流天气与物理量的EFI有密切联系,发生短时强降水时,对流有效位能、整层可降水量、850 hPa与500 hPa温差和位温差的EFI较大,而垂直风切变的EFI为负值,因而较小的垂直风切变更有利于出现极端降水;发生雷暴大风和冰雹时,对流有效位能、850 hPa与500 hPa温差和位温差以及850 hPa温度露点差的EFI较大,700 hPa露点温度的EFI为负值,与上层干冷下层暖湿的有利层结条件有关。利用支持向量机多分类方法,将强对流天气相关物理量的EFI作为特征值开展训练,构建的预报模型对于非局地强对流天气有较好的预报效果,其中短时强降水的误判率明显低于雷暴大风。

旋转磁场下焊接缺陷磁光成像检测与强分类研究

焊接缺陷的准确检测与分类对保证焊接产品质量十分重要.研究一种旋转磁场激励下焊接缺陷的磁光成像无损检测方法.分析基于法拉第磁光效应的焊接缺陷磁光成像机理,使用有限元法对焊接缺陷的磁场分布进行数值模拟与分析,并获得磁光图像采集的最佳提离度.分析旋转磁场形成机理,使用交叉磁轭产生旋转磁场激励焊件,通过磁光成像传感器获取焊接缺陷磁光图像.采用主成分分析法(Principal component analysis,PCA)对采集的磁光图像列像素灰度特征进行提取与降维,使用AdaBoost算法结合误差反向传播(Back propagation,BP)神经网络建立BP-AdaBoost焊接缺陷强分类模型.试验结果表明,所提出的方法可有效提高45钢焊接缺陷(弧形裂纹、线形裂纹、凹坑、未熔透)的分类精度,焊接缺陷强分类模型的整体识别率达到98.88%,有效实现焊接缺陷的检测与分类.

河南省分类强对流天气概率预报方法研究与应用

采用每日4次0.75°×0.75°的欧洲中心再分析资料和20062015年49月河南省117个国家自动站冰雹、雷暴大风和短时强降水3类强对流天气实况资料,基于“邻(临)近原则”构建了河南分类强对流天气的网格点历史个例库,计算了逐日分类强对流天气物理参数和其15 d滑动气候平均值。综合考虑环境物理参数相对稳定性及其与气候态的差异性这两类指标,采用模糊矩阵评价技术,遴选各月表征各类强对流天气的特征环境物理参数并计算权重系数,结合历史强对流发生时物理参数的频率分布特征,最终分别基于欧洲中心细网格和华东中尺度区域模式资料构建了河南分类强对流天气概率预报方法,自动客观输出物理参数、网格探空和分类概率预报等产品;同时在大量历史个例反算的基础上,得到确定性预报的阈值概率,生成基于优势概率的分类强对流概率预报产品。该方法目前已实现逐日自动化业务运行,并在近年来分类强对流预报中取得了较好的预报效果。2018年检验结果表明,河南分类概率预报产品能够对强对流天气的类型和落区有很好的反映,特别是对模式预报可以进行有效的订正,各类强对流天气的命中率均在70%以上,TS评分均不低于0.45,漏报率较小,但存在一定的空报,需今后改进与完善。

河南省分类强对流环境物理条件特征分析

以冰雹、雷暴大风、短时强降水三类划分河南省2006-2015年暖季国家自动气象站的强对流个例,考虑到月际变化和气候背景差异对强对流发生环境的影响,采用ECMWF再分析资料计算表征大气动力、热力及水汽条件等特性的物理参数及其15 d滑动平均值,对比分析各月三类天气环境物理条件特征,并提炼分类强对流的关键物理参数。结果表明:河南省暖季短时强降水发生频率最高,冰雹最少,各类均主要出现在14-20时。三类强对流发生临近时刻大多数物理参数的月际差异非常明显,应用时有必要分月讨论。参数偏离滑动气候态的异常特征对于分类强对流同样有价值,且不同物理条件偏差特征差异明显。平均来说,短时强降水与冰雹的环境条件各月差异显著,主要体现在:整层可降水量、地面露点温度和K指数较大,0℃和-20℃层高度较高,低层垂直风切变较大,低层辐合和正涡旋特征较强,而850与500 hPa温差和对流有效位能较小。冰雹与雷暴大风的物理参数特征大多非常相似,不过冰雹的整层可降水量和地面露点温度更小、0℃和-20℃层高度更低、高层辐合和正涡旋特征更强,尤其在7月和8月。

鲁中地区分类强对流天气环境参量特征分析

将山东中部地区16a暖季(4—9月)106次伴随瞬时风力不低于8级的强对流个例划分为雷暴大风、冰雹雷暴大风和强降水混合型等3种类型,利用常规探空资料和地面观测资料,通过箱须图的形式分别讨论3种类型对应的一系列关键环境参数的分布特征和预报阈值。进一步,又将上述106次个例中的特强对流个例,包括产生25m/s以上瞬时大风的特强雷暴大风个例、产生不小于20mm直径冰雹的特强冰雹个例以及50mm/h或以上强度的特强短时强降水个例提取出来构成一个子集,讨论其关键环境参数分布特征和预报阈值,并与全部对流个例的相应关键环境参数进行比较。最后,对鲁中地区强对流系统的触发机制进行了简要阐述和讨论。结果表明:(1)雷暴大风型、冰雹雷暴大风型和强降水混合型对应的850和500hPa温差的最低阈值为25℃;3种类型对应的地面露点最低阈值分别为13、16和24℃;相应的大气可降水量最低阈值分别为20、24和32mm;相应对流有效位能的最低阈值分别为300、900和1300J/kg;相应的0—6km风垂直切变最低阈值分别为12.0、12.5和8.0m/s。(2)通过地面露点、大气可降水量以及暖云层厚度等关键参数的分布特征可以将上述3种类型的前两种与第3种类型即强降水混合型进行一定程度的区分,但要通过各个关键参数的分布特征区分前两种强对流天气是困难的。(3)对于伴随冰雹的强对流天气,适宜的融化层高度为3.0—3.9km;(4)特强雷暴大风、特强冰雹和特强短时强降水等3种特强对流类型与全部强对流个例的3种类型相比,其条件不稳定度明显增大,体现为850和500hPa温差的增大、水汽条件有所加强、对流有效位能明显增大,3种类型特强对流天气对应的对流有效位能最低阈值分别为1000、1100和2000J/kg;相应的0—6km风垂直切变最低阈值分别为16、12和11m/s,即特强雷暴大风型和特强短时强降水型的风垂直切变阈值明显增大。上述工作构成了山东中部伴随雷暴大风的强对流天气短时预报的一个基础,结合各类强对流天气发生的气候概率,可以通过决策树或模糊逻辑方法制作成适合于地、市气象台的分类强对流天气短时预报系统。

基于数值预报和随机森林算法的强对流天气分类预报技术

随机森林算法是当前得到较为广泛应用的机器学习方法之一,有着很高的预测精度,训练结果稳定,泛化能力强,解决多分类问题有明显优势。本文将随机森林算法应用于强对流的潜势预测和分类,分短时强降水、雷暴大风、冰雹和无强对流四种类别,基于2005—2016年NCEP 1°×1°再分析资料计算的对流指数和物理量,开展强对流天气的分类训练、0～12 h预报和检验,经2015—2016年独立测试样本检验表明,针对强对流发生站点的点对点检验,整体误判率为21. 9%,85次强对流过程基本无漏报,模型尤其适用于较大范围强对流天气。随机森林算法筛选的因子物理意义较为明确,和主观预报经验基本相符,模型准确率高,可用于日常业务。

基于ERA5资料的吉林省东部山区分类强对流预报阈值分析

利用高时空分辨率的ERA5再分析资料分析了吉林省东部山区近10a暖季(4—9月)出现的雷暴大风型、冰雹大风型、复合型等3种类型的分类强对流个例,通过绘制箱线图后进行不同类型环境对流参数分析,得到预报阈值。结果表明:基本对流参数中,3种类型的强对流天气对应的850hPa与500hPa温差阈值为25.3℃;广义位温阈值分别为297K、301K、308K;K指数分别为26℃、29℃、33℃。与各个类型强对流相关的参数中,当平均温度露点差≥5.2℃时,需要警惕雷暴大风的产生;当融化层高度位于2.8~3.4km时,需要警惕冰雹大风的产生;当暖云层厚度≥3.5km时,需要注意复合型强对流的产生。

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。

基于AdaBoost算法的新能源汽车电机异常故障检测

新能源汽车的电机系统包含许多复杂的部件和子系统,部件之间的相互作用使得异常故障的检测变得复杂,而电机异常故障检测主要采用人工检测方式,即通过耳朵听声音,用眼睛观察,用手触摸找出故障位置,导致故障检测精度较低。因此,提出AdaBoost算法下新能源汽车电机异常故障检测方法。通过传感器采集电机信号,采用距离相似度、模糊隶属度函数提取信号特征,借助遗传算法的编码操作、交叉操作及其变异操作获取关键信号特征,运用自适应增强(Adaptive Boosting,AdaBoost)算法将信号特征分成正常信号和异常故障,以此实现对新能源汽车电机异常故障检测。实验结果表明,所提算法电机异常故障检测精度高,且耗时短。

AdaBoost分类算法的数学分析

本文对AdaBoost算法进行了介绍,并从整个数学推导过程中分析怎样挑选分类器并设置权值,最终通过一组弱分类器组合构成强分类器。

一种新的改进AdaBooat弱分类器训练算法

AdaBoost是机器学习中比较流行的分类算法。通过研究弱分类器的特性,提出了两种新的弱分类器的阈值和偏置计算方法,二者可以使弱分类器识别率大于50%,从而保证在弱分类器达到一定数目的情况下,AdaBoost训练收敛。对两种阈值和偏置计算方法的仿真实验结果表明,在错分率降可接受的范围内,二者均使用较少的弱分类器便可获得高识别率的强分类器。

基于AdaBoost算法的级联分类器对绿色荔枝的快速检测方法

针对绿色荔枝与树叶颜色相似,采摘机器人在自然环境下准确识别较为困难的问题,提出一种基于AdaBoost算法的级联分类器快速检测方法。首先提取MB-LBP特征,并基于积分图技术快速计算其特征值;然后利用AdaBoost算法从MB-LBP特征中构造若干个最优弱分类器,并加权组合成强分类器;最后通过若干个强分类器的级联来构造级联分类器,可获得基于MB-LBP特征的AdaBoost级联分类器。试验表明:该方法对绿色荔枝的识别准确率为92.7%,召回率为81.3%;测试图像的平均处理时间为1.276 s。