基于AdaBoostSVM算法的时间序列分类方法研究

时间序列数据广泛应用于各大领域,传统的时间序列数据分类方法存在精准度低、错误分类等问题。为了提升时间序列数据分类的精准性及稳定性,提出了基于AdaBoost和SVM级联算法的时间序列数据分类方法,并针对16类UCR时间序列数据进行实验分析。实验结果表明,AdaBoostSVM算法模型平均分类精准性达96.35%,较传统的1-NN等分类方法高5%,较LSTM深度学习算法分类精准度高21%,精准性更高,稳定性更优。

基于改进SVM算法的电力工程异常数据检测方法设计

针对传统电力工程数据异常检测过程中存在准确度差且主观性较强的问题,文中提出了一种基于改进支持向量机的电力工程数据异常检测模型。其在传统支持向量机的基础上加入了二叉树多分类算法,从而使模型具备多特征分类能力。同时通过引入AdaBoost分类器,来改善支持向量机弱特征分类能力较差的不足。为进一步提高准确度,还使用鲸鱼算法对模型惩罚项、核函数及迭代次数进行优化。在实验测试中,所提算法的检测准确度相较其他三种对比算法分别提升了5.35%、2.17%和5.35%,说明该算法具备更为理想的性能,并可有效提升电力工程数据检测的准确度,故能为电力基建工程验收与管理提供数据支撑。

基于Diverse AdaBoost改进SVM算法的无人机影像信息提取

无人机遥感影像具有像幅小、几何变形大、重叠不均等特殊性,给影像信息的提取提出了难题。该文提出基于Diverse AdaBoost改进SVM的分类方法,采用RBFSVM作为AdaBoost的弱分类器,达到自适应调整参数的目的,同时引入复杂度,解决弱分类器精确度与复杂度的平衡问题。最后,利用提出的改进算法分别对汉旺镇、林趴镇无人机遥感影像进行了道路、建筑物的提取,平均提取精度均达到95%以上,与采用SVM算法的提取结果进行比较,该方法能精确提取无人机影像信息。

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。

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。

利用AdaBoost-SVM集成算法和语块信息的韵律短语识别

提出一种基于汉语语块结构并利用AdaBoost-SVM集成学习算法的汉语韵律短语识别方法。首先,对语料进行自动分词、词性标注和初语块标注,然后基于结合紧密度获取语块归并规则并利用规则对初语块进行归并,得到最终的语块结构。其次,基于语块结构并利用AdaBoost-SVM集成算法,构建汉语韵律短语识别模型。同时,该文利用多种算法分别构建了利用语块信息和不利用语块的多个模型,对比实验结果表明,表示浅层句法信息的语块能够在韵律短语识别中做出积极有效的贡献;利用AdaBoos-SVM集成算法实现的模型性能更佳。

基于Adaboost算法结合DEGWO-SVM的财务困境预测

针对支持向量机(SVM)在企业财务困境预测研究中存在参数选择困难、分类准确率低的问题,提出了一种新的Adaboost-DEGWO-SVM组合模型.首先,通过对2017年全部A股上市公司的财务数据进行数据预处理,提取1∶1的困境公司(ST)和正常公司组成建模数据集;然后,利用差分进化算法(DE)改进灰狼优化算法(GWO)来提高其全局搜索能力,以解决灰狼算法易陷入局部最优的问题,从而实现对SVM参数c和γ的寻优;最后,通过Adaboost算法提高了DEGWO-SVM模型的分类能力.实验结果表明,Adaboost-DEGWO-SVM组合预测模型具有明显的困境预测优势,与DEGWO-SVM相比,分类准确率提高了4.34%,Ⅰ类错误和Ⅱ类错误分别降低了0.0435;与单一SVM相比,分类准确率提高了13.04%,Ⅰ类错误、Ⅱ类错误分别降低了0.1304、0.1305,是一种潜在的企业财务困境预测方法.

基于遗传算法和AdaboostSVM的人脸检测算法

将遗传算法用于以SVM为弱分类器的Adaboost人脸检测算法。先根据样本训练集中的人脸和非人脸样本训练出弱分类器SVM,然后利用Adaboost算法将多个SVM弱分类器级联组合成一个强分类器,并且在组合的过程中采用遗传算法对各个弱分类器权值进行全局寻优,最终得到检测结果。通过与传统Adaboost以及AdaboostSVM进行对比试验,表明论文方法具有更高的检测效果。

基于SVM和AdaBoost的人脸检测算法

提出了一种结合SVM和AdaBoost的人脸检测算法。该算法首先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机(SVM),然后通过AdaBoost算法把这些训练好的分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。

基于SVM算法的汽车空调设备制冷剂泄漏故障预测方法

信息技术的发展为人们的日常生产、生活提供了极为便利的条件,也为各行各业的技术体系升级和转型奠定了良好基础,本文则是以提升汽车空调设备制冷剂泄漏检测质量和时效性为目的,围绕着SVM算法进行分析,明确了目前数据挖掘在制冷剂泄漏故障诊断领域的研究现状,综合SVM算法的具体原理和应用细节,从数据预处理、故障预测模型设计以及预测实验的角度进行分析。结果表明,SVM算法对于汽车空调设备制冷剂泄漏故障预测有着较强的时效性,故障检测的时间更短,预测效果更强,有助于提升空调设备系统的运维安全性和有效性。

基于SVM和AdaBoost的人脸检测算法

论文提出了一种结合SVM和AdaBoost的人脸检测算法。该算法先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机(SVM),然后通过AdaBoost算法把这些分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域,并得到置信图。最后通过均值漂移算法找到置信图的峰值,得到人脸区域的新位置。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。

基于Adaboost算法的沉积微相自动识别--以陇东气田Q区山西组为例

在油气田开发中,沉积微相识别对于明确沉积背景及单砂体刻画起着重要的作用。陇东气田地质条件复杂,主力气藏深度大、产层单一,仅山1段底部产气,对于多种资料交叉共同分析沉积微相,仅依靠人工判别沉积微相,过程复杂且容易出错,很难在沉积微相和测井数据之间建立精确的对应关系。为了充分利用测井资料,提高沉积微相划分的效率,提出一种基于Adaboost算法的沉积微相自动识别方法,为后期气田开发沉积背景及单砂体刻画提供更准确的依据。在研究中,对测井曲线进行优选,并进行预处理,运用数学统计法提取了6个特征参数作为训练的输入集,把沉积微相的类型作为训练的输出结果标签,从已解释的沉积微相数据中选取共1210组作为训练样本,其中组建的训练样本共约968组,组建测试样本242组。研究结果显示,应用该方法的训练效果和测试结果的准确性分别达到96.45%,90.4%,可以验证该方法在陇东气田Q区应用效果较好。

利用SVM改进Adaboost算法的人脸检测精度

提出利用SVM分类方法改进Adaboost算法的人脸检测精度。该方法先通过Adaboost算法找出图像中的候选人脸区域,根据训练样本集中的人脸和非人脸样本训练出分类器支持向量机(SVM),然后通过SVM分类器从候选人脸区域中最终确定人脸区域。实验结果证明,SVM分类算法可以提高检测精度,使检测算法具有更好的检测效果。

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。

基于自适应增强(AdaBoost)的径向基(RBF)神经网络改进算法在关键词预测中的应用

探究学科或领域内研究发展趋势和热点一直以来受到国内外学者们重点关注,而高频关键词的频次变化分析是其中重要的研究内容。关键词的变化与时间存在强相关性,但当前仅有少数研究考虑了关键词随时间密切变化的特性。在考虑关键词信息的时间属性基础上,提出一种基于自适应增强(AdaBoost)的径向基(RBF)神经网络预测算法(以下简称“RBF改进算法”),对关键词频次进行分析预测。对中国知网2007—2022年收录的医学图像期刊论文关键词进行处理,其中将2007年至2021年的数据作为实验训练数据,2022年数据作为验证数据,通过算例分析,对比RBF改进算法、反向传播算法和时间序列算法对关键词词频的预测结果。结果发现:通过AdaBoost算法对RBF算法进行改进,能够增强RBF神经网络的泛化能力以及对样本的适应性,同时保留了RBF神经网络较好的非线性映射能力这一优点;RBF改进算法预测结果与实际数据接近,其预测精度优于反向传播神经网络和时间序列算法,该算法的预测效果更佳。

基于改进海鸥算法优化SVM的变压器故障诊断方法

变压器故障诊断率不足一直是制约着电网运行安全和效率低下的关键问题。为解决这一问题,提出基于改进海鸥算法优化支持向量机(improved seagull optimization algorithm support vector machine,ISOA-SVM)的变压器故障诊断方法。首先开始构建SVM的油中溶解气体分析的故障诊断模型并通过核主成分分析(kernel principal component analysis,KPCA)对油中数据处理;其次通过ISOA寻找到SVM的最优核函数参数和惩罚系数;最后将数据归一化输入ISOA-SVM模型进行诊断,判断变压器的运行状态,并将结果与其他算法优化模型进行比较,仿真结果显示,该模型故障检测方法在识别故障速度以及识别精度上明显优于其他模型,有助于保证变压器的稳定运行。

基于SVM-AdaBoost算法的行人检测方法

提出了一种基于SVM-AdaBoost算法的行人检测方法。该方法是通过改进和扩展Haar-like特征值,对AdaBoost级联分类器的算法加以改进,使用SVM作为AdaBoost的弱分类器,通过选择确定合适的核函数参数,提高分类精度,减少训练时间。实验结果表明,这种行人检测方法性能稳定,实时性和鲁棒性均优于传统的行人检测方法。

基于SVM算法的超声波速度-土壤含水率估计模型

为快速准确获取土壤含水率信息,便于农业精准灌溉,引入支持向量机算法(SVM)对4种不同干湿交替处理下超声波速度与土壤含水率进行拟合分析和回归训练优化,构建基于超声波速度的土壤含水率预测模型。结果显示,与传统的烘干法相比较,利用该模型在田间验证土壤含水率,平均相对误差为1.5%左右。研究结果表明,基于SVM模型构建的超声波速度-土壤含水率预测模型能够较好地描述被研究区域内土壤含水率,可为利用超声波特性实现对农田土壤水分的持续监测提供参考。

基于SVM算法的纸张生产质量自动化测试

由于外界环境污染、操作不当、设备污损等多重因素,纸张生产时会产生性能与表观等层面质量问题,从而影响纸张使用效果,降低经济效益。可见,纸张生产质量检测是造纸过程中至关重要的环节。而传统纸张生产质量人工检测方法实施效果不甚理想,效率也相对较低。对此,亟需引进自动化检测方法,从而改善检测效率,稳定检测水平,减少人工消耗。基于此,通过近红外光谱采集预处理试样,基于SVM算法(支持向量机)搭建模型并选择合适的惩罚系数与函数参数,以此实现纸张生产质量自动化检测。此算法不仅可减少模型参数数量,降低训练样本数量要求,适合小批量纸张生产质量检测,而且检测效率与正确率较高,模型性能表现优异。