基于反向传播-自适应提升算法的谐波阻抗估计

目前,关于量化谐波阻抗的研究大多数是基于系统侧谐波阻抗不发生改变而设定,当系统谐波阻抗变动时,如何估计谐波阻抗的研究相对较少。为此,本文提出一种基于系统谐波阻抗变动背景下的系统谐波阻抗估计新方法。首先,加窗处理谐波电压、电流测量数据,使用二元线性回归法估算系统谐波阻抗,并用小波包变换对测量数据进行分段,以找出系统谐波阻抗变动的时间;其次,采用反向传播-自适应提升算法精确量化每个采样数据段的系统谐波阻抗;最后,通过仿真与实例分析验证本文方法相较于其他方法具有更好的鲁棒性和精确性。

基于自适应提升算法的慢性肾病预测模型研究

慢性肾脏病(Chronic kidney disease,CKD)的特点是患者的肾脏结构或功能有缺陷,时间超过三个月,以一些肾脏损害症状和肾小球滤过率下降为标志。由于终末期肾病给患者带来了巨大的健康风险,以及高额的医疗支出给社会带来了巨大的经济负担,慢性肾脏病已经慢慢发展成为一个严重的医疗和社会问题。该文主要使用自适应提升(Adaptive Boosting,AdaBoost)算法模型构建了慢性肾脏疾病的分类预测模型,该模型可以根据患者当前的生理指标来判断患者是否患有慢性肾脏疾病。并使用其他各类机器学习算法进行了预测精确度对比。在使用现有样本数据时,研究结果证明该模型的预测准确率大于90%。

基于类Haar特征和自适应提升算法的前车识别

针对汽车高级驾驶辅助系统(ADAS)中前方车辆识别率低的问题,基于机器视觉原理研究了前方道路图像中的类Haar特征;并进行积分图计算。在提取类Haar特征基础上,采用自适应提升(Ada Boost)算法进行正负样本训练并级联,得到训练好的模型;进而检测和识别汽车行驶中前方车辆。最后基于Open CV计算机视觉库在Visual Studio开发环境中进行了算法实现和测试。结果表明,每帧视频图像识别时间小于40 ms,检测率准确可靠,满足多场景、多工况下的前方车辆实时识别。

扫描格式转换的自适应帧频提升算法及其FPGA实现

文章提出了一种新的自适应帧频提升算法 ,并深入研究了它的快速硬件实现方法。该算法通过引入内部参数和加权块匹配误差 ,来进行自适应运动补偿 ,因而它可以有效地消除噪声的影响 ,并便于硬件实现。最后 ,通过建立对应于可变参数的因子查找表和采用现场可编程逻辑器件 (FPGA)快速实现了扫描格式转换中的帧频提升算法 ,并应用在实际系统中 ,实验结果表明该算法十分有效。

具有场帧检测的自适应帧频提升算法及VLSI实现

提出一种隔行到逐行自适应帧频提升算法和该算法的芯片设计方法 .该芯片采用了具有场帧检测的隔行到逐行自适应帧频提升算法 ,实现了可调的隔行到逐行帧频提升 ,而且该芯片综合应用了黑 /白电平扩展、图像边缘保持的二维滤波、彩色瞬态改善 (CTI)、色度空间转换 (CSC)、伽马校正等视频处理模块及四路嵌入式D/A等技术 ,并采用 0 .35 μmCMOS工艺 ,在TSMC流片 ,具有潜在的商业应用价值 .

基于双特征融合与自适应提升机制的图像动作识别算法

针对复杂环境中动作识别易受到光照变化、目标旋转,遮挡等导致目标位置不精确,目标漂移以及识别错误等问题,提出了一种基于双特征融合与自适应提升的动作识别算法。首先,基于时空上下文(spatio-temporal context,STC)机制,通过时空上下文关系与视觉系统特性来提取图像序列特征,降低光照变化、遮挡对行为动作的影响;同时,利用卷积神经网络(convolution neural network,CNN)来处理图像序列,分别获得STC特征与CNN特征;其次,引入主成分分析算子,定义双特征融合规则,对获得STC特征与CNN特征进行组合,形成一种更准确、完整的特征表示;然后,通过得到的新特征,利用自适应提升算法(adaptive boosting algorithm,ABA)进行分类训练,完成对行为动作决策判断。在Weizmann、Hollywood数据集上测试表明,相对于当前常用的动作识别方法,所提算法对各种行为动作具有更高的识别精度与鲁棒性,更能适应复杂背景和动作变化。所提算法具有较高的人体动作识别精度,在视频监测、人机交互等领域具有一定的应用价值。

不平衡类分布下多分类问题的提升算法

模式识别在实际应用中常碰到类分布不平衡的多分类问题,该情形下的分类器性能采用传统的精度指标评价意义不大,需要采用代价指标和ROC曲线分析来评价。传统的分类器对不平衡问题分类性能很差,利用AdaBoost算法在机器学习中对样本权重的调整,将不平衡的错分代价加入到样本权重,使分类器更多关注重要的少数样本类,可以提高不平衡类分布下多分类性能。模拟试验也表明了该方案的有效性。

顾及地球物理效应的GNSS高程时间序列AdaBoost预测和插值方法

传统的GNSS高程时间序列预测和插值方法仅考虑时间变量,具有明显的局限性。本文顾及地球物理效应的影响,通过温度、大气压强、极移等数据和GNSS高程时间序列数据构建回归问题,使用自适应提升(AdaBoost)算法建模。为了验证模型的预测和插值性能,试验选取4个GNSS站的高程时间序列进行分析。建模试验表明,相较于Prophet模型,AdaBoost模型的拟合精度提升了约35%;预测结果表明,在12个月的预测周期内,AdaBoost模型在4个GNSS站的MAE值为4.0~4.5 mm,RMSE值约为5.0~6.0 mm;插值试验表明,相较于三次样条插值方法,AdaBoost插值模型的精度约提升了15%~28%。预测和插值试验表明,顾及地球物理效应的AdaBoost模型可以应用于GNSS高程时间序列预测与插值。

基于相关性的AdaBoost人脸检测算法

为提高传统AdaBoost算法的集成性能,降低算法复杂度,提出2种基于分类器相关性的AdaBoost算法。在弱分类器的训练过程中,加入Q统计量进行判定。每个弱分类器的权重更新不仅与当前分类器有关,而且需要考虑到前面的若干分类器,以有效降低弱分类器间的相似性,剔除相似特征。仿真结果表明,该算法具有更好的检测率,同时可降低误检率,改进分类器的整体性能。

多标签代价敏感分类集成学习算法

尽管多标签分类问题可以转换成一般多分类问题解决,但多标签代价敏感分类问题却很难转换成多类代价敏感分类问题.通过对多分类代价敏感学习算法扩展为多标签代价敏感学习算法时遇到的一些问题进行分析,提出了一种多标签代价敏感分类集成学习算法.算法的平均错分代价为误检标签代价和漏检标签代价之和,算法的流程类似于自适应提升(Adaptive boosting,AdaBoost)算法,其可以自动学习多个弱分类器来组合成强分类器,强分类器的平均错分代价将随着弱分类器增加而逐渐降低.详细分析了多标签代价敏感分类集成学习算法和多类代价敏感AdaBoost算法的区别,包括输出标签的依据和错分代价的含义.不同于通常的多类代价敏感分类问题,多标签代价敏感分类问题的错分代价要受到一定的限制,详细分析并给出了具体的限制条件.简化该算法得到了一种多标签AdaBoost算法和一种多类代价敏感AdaBoost算法.理论分析和实验结果均表明提出的多标签代价敏感分类集成学习算法是有效的,该算法能实现平均错分代价的最小化.特别地,对于不同类错分代价相差较大的多分类问题,该算法的效果明显好于已有的多类代价敏感AdaBoost算法.

基于分类器相关性的Adaboost人脸检测算法

为了提高传统Adaboost算法的集成性能,提出一种基于分类器相关性的Adaboost算法。该方法在弱分类器的训练过程中加入分类器的相关性判定,使每一个弱分类器的生成不仅与当前分类器有关,而且与前面若干个分类器相关,并将由此生成的弱分类器组合成新的强分类器。在CMU正面人脸检测集上的仿真结果表明,较传统的Adaboost算法,基于分类器相关性的Adaboost人脸检测算法具有更好的检测效率,同时降低了误检率。

基于胰腺CT的影像组学在预测糖耐量受损人群胰岛素抵抗中的应用价值

目的:探讨基于CT胰腺平扫影像组学在预测糖耐量受损人群胰岛素抵抗(IR)中的应用价值。方法:回顾性收集首次确诊的糖耐量受损患者381例,依据稳态模型胰岛素抵抗指数(HOMA-IR)中位数,分为高IR组191例,低IR组190例;并按照8∶2的比例,随机分成训练集304例及测试集77例。勾画胰腺ROI,提取影像组学特征,通过降维和筛选后,选择最优特征。构建8种机器学习模型,并选取支持向量机(SVM)、多层感知机(MLP)、随机森林(RF)、自适应提升算法(AdaBoost)4种机器学习方法构建诊断预测模型。采用ROC曲线评价各影像组学模型的预测效能。结果:共提取1834个特征,采用Pearson相关系数分析筛选保留189个特征。通过最小绝对收缩和选择算子(LASSO)算法和5折交叉验证降维至23个主要组学特征。构建的SVM、MLP、RF、AdaBoost 4种预测模型在测试集中的AUC分别为0.723、0.731、0.807、0.681,其中RF模型的预测效果较好。结论:基于CT胰腺平扫影像组学特征构建的RF模型,对糖耐量受损人群的IR水平具有较好的预测效能。

基于AdaBoost-PSO-ELM算法的滑坡位移预测研究

矿山排土场滑坡的过程是一个动态、大延迟、高度非线性的特性问题,影响矿山排土场滑坡的因素众多,各个特性指标间相互影响,关于排土场滑坡预警并没有严格的划分标准。对此,提出一种自适应提升算法(Adaptive Boosting, AdaBoost)、改进的粒子群算法(Particle Swarm Optimization, PSO)和极限学习机(Extreme Learning Ma chine, ELM)相结合的矿山排土场滑坡短期预测方法。该方法首先利用粒子群优化算法得出ELM模型的最佳输入参数,再通过自适应提升算法将得到的多个极限学习机弱预测器组成新的强预测器并进行预测,最后以某矿山排土场采集的数据为算例,结果表明改进的组合方法的预测精度明显优于由粒子群优化算法优化参数的极限学习机模型和单独的极限学习机模型的预测精度,其预测结果接近于真实值,为实现矿山排土场滑坡预警提供了可能。

基于Adaboost-SVM组合算法的爆破振动强度预测研究

为了提高爆破振动强度预测精度,提出了基于Adaboost-SVM组合算法的爆破振动强度预测方法。采用主分量分析法,从7种爆破振动强度影响因素中确定了3类主要因素,并建立训练样本集,选用高斯径向基核函数建立SVM预测模型,经过对模型参数不断训练和优化调整,实现了对爆破振动强度的预测,最后通过Adaboost-SVM组合算法构建预测模型,进一步提升了预测精度。结果表明,SVM模型在预测精度上高于传统经验公式法和BP神经网络法,且训练速度更快;而提出的Adaboost-SVM组合算法能够进一步将预测精度提高至97%以上。

基于改进HOG共生概率特征的行人检测算法

为了提高静态行人的检测精度,提出了一种基于改进梯度方向直方图共生概率特征的行人检测方法。该方法首先将梯度方向直方图特征分别与局部二值模式和颜色自相似性特征结合生成改进HOG特征,基于该特征使用第一阶段的连续自适应算法(Real Ada Boost)生成共生概率特征;然后基于此共生概率特征利用第二阶段Real Ada Boost算法进行处理得到强分类器;最后使用上述强分类器实现检测和分类。将该算法应用到INRIA行人数据库进行实验,达到了99%的检测精度,优于传统HOG特征提取算法的检测精度,实验结果证明了此算法在提高行人检测精度方面的有效性。

基于SDN的一体化信息网络业务流分类策略

一体化信息网络有多种类型协议的网络接入,流量管理与调度困难,针对这种情况设计基于软件定义网络(SDN)架构的一体化信息网络业务流分类技术。根据SDN框架转控分离的特点,设计流量感知节点采集流量信息,针对一体化信息网络流量连续特征属性多、业务类别分布不平衡、存在大量噪声的特点,设计基于Fayyad边界点定理改进CART算法,与基于弱分类器系数和分类误差相似度改进的Adaboost算法相结合的分类模型。实验结果表明,该技术能够对采集到的业务流进行分类,与相关算法相比,分类精度和用时均有明显改进。

基于注意力机制改进的SAB异步电机故障诊断

由于电机结构及其运行环境复杂,导致各类故障与故障特征存在较强的非线性关系,单一信号信息含量有限,无法满足诊断需求。针对此问题,以电流、磁场信号为监测信号,提出基于注意力机制改进的支持向量机-自适应提升算法(SVM-AdaBoost,简称SAB)的故障诊断方法。首先,通过希尔伯特变换和快速傅里叶变换提取信号频域特征;其次,通过SAB分类器,对多源样本分别进行训练,获取各子分类器预测结果;最后,基于注意力机制调整权重矩阵参数,对电流、电磁信号进行信息融合,改进SAB分类器以提高故障诊断的准确率。研究结果表明:不同信号对各类故障的敏感程度不同;所提方法可以实现对转子断条故障、定子短路故障、轴承故障的诊断分类,与传统方法对比,该方法明显提高了故障诊断的鲁棒性和准确性。

基于改进Adaboost-SVM的风机叶片覆冰检测

针对风力发电机叶片覆冰问题,提出一种改进Adaboost-SVM组合算法的风力发电机叶片覆冰检测方法。该方法使用Adaboost架构对一组差异化的SVM模型分类结果进行集成。通过改进集成策略,改善了Adaboost-SVM算法对不平衡数据集成速度慢、集成效果差的问题。该算法对风力发电机叶片覆冰故障检测的精确度达到92.12%,故障的查全率达到76.54%,具有很好的泛化性和实用价值。

自动质量检测中的分层机器学习方法

产品质量自动检测是一种类不平衡的模式识别分类。传统的机器学习方法考虑整体精度而偏重多数据类,但分布少的缺陷类才是重要类。本文提出对类不平衡的机器学习采用分层进行,首先对样本进行两分类学习,目标是通过简单分类器在许可的错误率下分离出易于分离的绝大多数合格类样本,然后对不平衡性得到缓解的剩余样本进行两分类或多分类学习。在学习后的检测分类中,第1层的简单分类器和第2层的复杂分类器并行工作,前面的分类器分类为合格的可提前结束后面分类器的工作,提高总体分类速度。对比实验表明本方案有效改进了学习性能和检测分类速度。

改进的人脸检测训练方法

针对AdaBoost存在的诸如分类器的级联结构会导致系统拒真率与认假率的失衡,单调性前提的不成立容易直接造成训练过程的失败等缺陷,对人脸检测训练方法进行研究,提出了一种改进算法——neighbor-eliminated boosting(NEB)算法.此算法通过构建一种新的基于双表链接结构的特征描述子存储结构,引入特征相关信息,简化了训练过程.实验结果表明,以NEB算法为基础实现的人脸检测系统,在训练速度上具有明显的优越性.