基于改进的AdaBoost无线光通信信号检测算法

为了提升无线光通信系统接收灵敏度,采用一种基于改进基分类器系数的AdaBoost弱光信号检测算法,解决多像素光子计数器(MPPC)在弱光条件下的信号检测问题。该算法采用k最近邻(KNN)为基分类器组建强分类器,针对传统AdaBoost算法基分类器系数仅与错误率有关而产生冗余的基分类器消耗系统资源的问题,提出一种基于错误和正确分类样本权重的基分类器系数优化AdaBoost算法(W-AdaBoost),将信号解调问题转换为分类问题;并采用波长450 nm半导体激光器、MPPC光电转换器件搭建了无线光通信系统。结果表明,系统在通信速率为2 Mbit/s、误比特率为3.8×10-3时,改进的W-AdaBoost-KNN算法较传统AdaBoost-KNN和单一KNN算法,灵敏度分别提升了1.6 dB和4.8 dB左右。此研究结果说明W-AdaBoost-KNN算法可提高弱光条件下的信号检测效率,提升无线光通信系统接收灵敏度。

基于改进的AdaBoost算法的信用评分模型

将AdaBoost组合算法应用于信用评分模型中的分类问题,并针对该算法在解决不平衡分类问题上的一些不足,对算法进行了改进。应用此改进的AdaBoost算法,创建了新的信用评分模型,并进行了实证分析。实证结果表明,基于改进的AdaBoost算法的信用评分模型可以有效降低由于模型错判而导致的损失。

基于改进的Adaboost-BP模型在降水中的预测

针对目前分类算法对降水预测过程存在着泛化能力低、精度不足的问题,提出改进Adaboost算法集成反向传播(BP)神经网络组合分类模型。该模型通过构造多个神经网络弱分类器,赋予弱分类器权值,将其线性组合为强分类器。改进后的Adaboost算法以最优化归一化因子为目标,在提升过程中调整样本权值更新策略,以此达到最小化归一化因子的目的,从而确保增加弱分类器个数的同时降低误差上界估计,通过最终集成的强分类器来提高模型的泛化能力和分类精度。选取江苏境内6个站点的逐日气象资料作为实验数据,建立7个降水等级的预报模型,从对降雨量有影响的众多因素中,选取12个与降水相关性较大的属性作为预报因子。通过多次实验统计,结果表明基于改进的Adaboost-BP组合模型具有较好的性能,尤其对58259站点的适应性较好,总体分类精度达到81%,在7个等级中,对0级降雨的预测精度最好,对其他等级的降雨预测有不同程度的精度提升,理论推导及实验结果证明该种改进可以提高预测精度。

基于改进的AdaBoost算法的中压配电网断线不接地故障检测

由于中压配电网变电站常采用中性点不接地方式,所以当线路单相断线后断口两侧的导线均不接地或是非电源侧导线落地等情况发生时,没有明显的故障特征产生,且无法通过变电站内现有的继电保护装置对故障进行检测。为解决这一难题,我们基于配用电信息系统数据和改进的AdaBoost算法,用纯数据驱动的方法,提出一套智能检测配电网断线的系统,可应用于实时的故障检测,这是文中的一大创新之处。其次,我们改进了AdaBoost算法,提出FC-AdaBoost算法(Feature Considered AdaBoost Algorithm),该算法可以改进AdaBoost算法本身无法对特征进行筛选的缺点。我们以华东某地区配用电信息系统中的历史数据为依据进行实际算例分析,证明了该方法比AdaBoost以及其他常用的机器学习算法更具优越性。

一种改进的AdaBoost算法——M-Asy AdaBoost

提出一种Asymmetric AdaBoost改进算法——M-Asy AdaBoost.M-Asy AdaBoost算法通过新的样本权重分配方式可以确保训练过程不失败;分类器权重采用对正样本的分类错误率形成优化权重,突出对正样本的识别能力,提高检测概率;并且通过对加入分类器集的分类器的限制,使检测概率单调增加.该算法在较低虚警概率下,达到高检测概率.计算机仿真结果验证了算法的正确性.

一种改进的Adaboost训练算法

针对传统的Adaboost训练算法在训练过程中可能出现训练退化和训练目标类权重分布过适应的问题,提出一种改进的Adaboost训练算法.改进算法通过调整加权误差分布限制目标类权重的扩张,并且最终分类器输出形式以概率值输出代替传统的离散值输出,提高了训练结果的检测率.实验结果表明,改进的Adaboost算法在Inria数据集上取得了较好效果.

改进的AdaBoost算法与SVM的组合分类器

提出了一种改进的AdaBoost算法与支持向量机组合的分类方法,用来处理多类别分类。采用规则抽样来解决支持向量机分类中正负样本的不平衡性,改进AdaBoost算法,使其在初始化时考虑样本分布稀疏的重要性,有利于稀有类样本的正确划分。实验结果表明,此方法与标准支持向量机分类器相比,泛化性能有一定程度的提高。

改进的AdaBoost人脸检测方法

针对传统AdaBoost算法检测速度快准确率低的问题,本文提出了一种改进的AdaBoost算法以提高人脸的正确检测率,该算法首先利用快速积分图提取人脸的Haar特征,然后使用阈值设定的方法对传统的AdaBoost算法进行改进,并将每次检测的最优弱分类器级联形成最终的强分类器,通过强弱分类器对Haar特征判别,从而检测图像中的人脸部分。采用本方法对多种实验图像集进行人脸检测实验,FERET彩色图像库的正确检测率为96.07%,视频图像的正确检测率为96%。实验结果表明,本文所设计的人脸检测算法能够对静态图像以及视频图像中的人脸进行有效检测,为人脸的正确识别打下了基础,该算法也为计算机视觉领域的研究提供一种有效方法。

一种改进的Adaboost算法的人脸检测分类器

针对人脸检测中单一分类器检测非常耗时,而且没有考虑到检测后提取标准人脸对后续工作(如识别)等问题,提出了运用Adaboost算法,采用正面人脸和人眼两个特征作为分类器,首先用Cascade算法筛选出输入图像中最有可能是人脸的区域,然后根据以正面人脸和人眼为特征的分类器检测人脸区域,并根据检测出来的人眼距离和角度对人脸进行精确的定位。同时针对实际的图像中人脸常常存在一定倾斜,从而影响后续的人脸的识别率这一问题,采取了根据人眼的位置对倾斜图像进行修正。实验结果表明改进的算法能够在保持一定运算速度的基础上取得准确的人脸,具有较好的实用性。

改进的AdaBoost算法在IDS入侵检测中的应用

网络入侵检测系统IDS中,异常数据所占的比例非常小,属于小类样本,却是检测的目标。在AdaBoost算法基础上进行改进,通过对大类样本权重设置阈值,对权值超过阈值的样本进行相应处理,来削弱分类器对大类样本错分的重视程度,减轻下一级训练的负担,从而有效地强化对小类错分样本的学习,提高入侵检测的精度,降低误报率和漏报率。方法在KDD-99数据集上进行实验,并与SVM方法检测结果进行比较,取得了很好的效果。

基于改进的Adaboost算法的眼睛精确定位

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,提出了基于改进的Adaboost算法的人脸正面图像中的眼睛精确定位方法。先采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出人眼,实现了实时的人眼定位。与传统的Adaboost算法相比,改进的Adaboost算法构建双层分类器所需的特征数目大大减少,实验结果表明该算法具有很好的精确性和实时性。

基于改进的Adaboost_SVM的人脸表情识别

针对AdaBoost算法随着学习难度的增加导致分类器的分类效率下降、稳定性变差等问题,支持向量机在小样本中有特有优势;本文结合两种算法优势,基于蚁群算法对SVM的参数进行优化,改进了Adaboost_SVM级联分类算法,首先提取haar-like矩形特征通过Adaboost分类器快速排出非人脸区域;用Gabor小波变换提取人脸表情特征,再结合Adaboost_SVM级联分类器进行人脸表情识别。通过对JAFFE表情库进行试验,表情平均识别率达到94.2%,检测速度有了很大提高。

一种改进的AdaBoost人脸检测算法

针对传统AdaBoost算法存在的所需样本数量大、训练时间长、分类器检测费时的问题,提出一种快速样本选择和分类器优化算法。首先,提出一个基于SVM的训练样本选择算法,来提高样本的有效率;其次,提出一种将多个分类器组合成一个新的分类器的算法,减少了分类器的总数,且新生成的分类器比原有多个分类器分类能力更强,提高了检测性能。实验结果表明,算法能够用更少的样本与时间达到与传统方法相同的性能。

基于肤色分割和改进的AdaBoostSVM算法的人脸检测

为了提高人脸检测的速度和精度,提出了一种基于肤色分割与改进的AdaBoostSVM算法相结合的人脸检测方法。首先在YCgCr空间通过计算肤色相似度进行肤色分割,进而得到候选的人脸区域。然后,针对人脸检测中正负样本的非对称性对AdaBoostSVM算法进行改进,并用改进的AdaBoostSVM算法对候选人脸进行检测验证。实验结果表明,该方法改善了人脸检测性能,提高了检测速度,能够在复杂背景下进行快速而且较为准确的人脸检测。

基于改进的AdaBoost和支持向量机的行人检测

针对AdaBoost算法在训练样本和特征较多时训练时间过长的问题,提出了一种改进的AdaBoot算法与支持向量机组合的分类器.对多重分类器的输出结果以非线性的方式组合,采用交替的方式轮流对不同的特征进行学习,将多重分类器处理完后的结果作为另一种输入样本,再以一个分类器做一次分类.实验表明该算法用于行人检测可行、性能稳定.

融合YCbCr肤色模型与改进的Adaboost算法的人脸检测

提出了一种将人脸肤色检测与改进的Adaboost算法相结合的人脸检测方法。将人脸图像从RGB颜色空间映射到YCbCr颜色空间,建立肤色模型进行人脸相似度求取,通过形态学处理得到候选人脸区域。在训练阶段,通过调整加权误差分布限制目标类权重的扩张,通过修改目标权重更新抑制训练退化和训练目标类权重分布过适应现象。用改进的Adaboost算法对得到的人脸候选区域进行检测,提高了检测速度。实验结果表明,该算法抑制了训练目标类权重过适应现象,有效的提高了检测率和检测速度。

一种改进的AdaBoost算法——AD AdaBoost

目标检测问题是计算机视觉领域最普遍和关键的问题之一.基于级联结构的AdaBoost算法目前被认为是较有效的检测算法,但是其在低FRR端的性能仍需改进.文章提出了一种针对目标检测问题的改进AdaBoost算法———AD AdaBoost.AD AdaBoost采用了新的参数求解方法,弱分类器的加权参数不但与错误率有关,还与其对正样本的识别能力有关.该算法能够有效地降低分类器在低FRR端的FAR,使其更适用于目标检测问题.新旧算法在复杂背景中文字检测的实验结果对比证实了新算法在性能上的改进.

基于改进的AdaBoost算法的人脸检测

为了进一步减小系统误差,更加有效防止目标类权值分布扭曲现象的发生,针对传统AdaBoost人脸检测算法存在的不足,对算法的权值更新规则和权值归一化规则进行了综合改进,实验结果证明了改进算法的有效性.

一种改进的Adaboost人脸检测方法

针对现有基于粒子群(PSO)策略的Adaboost人脸检测方法没有考虑到PSO容易陷入局部最优且后期收敛速度较慢的问题,提出一种改进的Adaboost人脸检测方法。该方法将自适应逃逸粒子群(AEPSO)引入传统Adaboost人脸检测中,利用粒子表达Haar-Like矩形特征,从而将特征选择和分类器构建转化为AEPSO问题进行解决。基于Matlab仿真实验的结果表明,改进后的方法具有较好的检测性能。

基于改进的Adaboost算法在人脸检测与识别中的应用与研究

随着视频监控的推广与普及,人们对监控质量的要求越来越高,通过人脸识别技术对监控对象进行身份识别也逐渐成为市场需求的主流。人脸识别是包含检测和识别两个方向的,该文通过Adaboost算法进行人脸检测和识别的研究,并提出了多算法融合的改进Adaboost人脸检测算法,通过验证,可提高人脸识别的精准性。