基于EEMD-SVM非平衡决策树的人员及车辆识别方法

通过对人员、轮式车、履带车产生的地震动信号进行分析,建立人员及车辆识别系统模型.针对人员及车辆产生的地震动信号的非线性和非平稳特征,采用集成经验模态分解(ensemble empirical mode decomposition,EEMD)算法对实测人员、车辆产生的地震动信号进行分解,然后对分解得到的固有模态函数(intrinsic mode function,IMF)高频分量进行小波阈值去噪.选取有效的IMF分量,计算其归一化能量特征矩阵.再将特征矩阵输入到支持向量机(support vector machine,SVM)非平衡决策树分类器中,进行人员、轮式车和履带车的逐层识别.实验结果表明,EEMD-SVM非平衡决策树模型可以准确、高效地对人员、轮式车和履带车进行分类识别.

基于加权划分非平衡决策树的诗歌朗读情感度分析

本文面向诗歌朗读的情感度分析,提出了一种新的非平衡决策树算法。该算法称为加权划分非平衡决策树(Weighted Division of Unbalanced Decision Tree,WDOUDT),通过对诗歌朗读感染力的指标展开研究,从朗读的音频中提取梅尔频率倒谱系数,应用可解释性最强的决策树方法进行建模。加权划分非平衡决策树推导算法不使用进化算法和启发信息搜索,应用在诗歌朗读音频的情感度打分中,时间复杂度低于传统决策树,该算法具有更少的节点数和较好的泛化能力,对噪音数据有较好的鲁棒性。