Adaboost M2+HOG算法在肖像类唐卡图像头饰检测分类中的应用

为适应西藏唐卡图像的数字化保护,精确地检索肖像类唐卡图像,根据头饰区域的特征进行检测分类,可以极大地满足图书馆、寺院、文化馆和唐卡数字化保护研究机构的检索需求。肖像类唐卡图像的头饰可以分为3类:发髻、僧帽和头冠。文章运用Adaboost M2算法结合3类唐卡图像头饰区域的HOG特征,进行头饰检测分类,可以极大地解决精确检索问题,通过分析实验,Adaboost M2算法在肖像类唐卡图像头饰检测分类中取得了良好的效果。

基于改进AdaBoost.M2算法的自动调制识别方法

针对同族调制类型通信信号识别难度大、深度学习模型普遍存在泛化能力弱的问题,基于经典AdaBoost.M2算法,提出改进样本权重的AdaBoost.M2算法,用于解决大样本情况下学习率与加权后样本数据难以相适应的问题。改进后的新样本权重确保训练样本数据的数量级在加权后不变,并使算法更迅速地关注到难分类样本,提高了弱分类器综合性能,降低了加权投票模型中弱分类器重要性之间的差异。针对部分样本的统计特性易淹没于噪声中造成难分类问题,提出随机特征裁剪方法,使算法避免过度关注异常特征,降低了极难分类样本对AdaBoost.M2算法性能的负面影响,提升了算法的泛化能力,并以低信噪比数据进行实验验证。针对调制类型同族信号难分类的问题,选取同族调制类型的通信信号开展模型训练和测试。实验结果表明:相比于单一卷积长短时记忆全连接深度网络(CLDNN)算法,改进AdaBoost.M2算法对低信噪比PSK族类和QAM族类通信信号的测试集准确率分别提高了8.5%和11.25%,相比于直接集成CLDNN的经典AdaBoost.M2算法,测试集准确率分别提高了8.25%和6.5%。

机器学习AdaBoost.M2算法在砂砾岩流体识别中的应用

由于砾石成分复杂、孔隙结构多样、非均质性强,流体对测井响应的影响远小于岩石骨架,导致常规测井技术识别砂砾岩中的流体比较困难。为此,提出将机器学习AdaBoost.M2算法运用于砂砾岩流体识别中。应用该算法,结合试油、试采资料,将K类多流体类型拆解为K-1个二分类问题,通过多轮迭代得到样本分布,然后调用决策树算法作为弱学习算法自动得到分类器h_t进行判别。将该方法应用于A研究区砂砾岩流体识别中,样本回判准确率为95%,测试准确率达91.5%,证明了该方法的适用性,为常规测井识别砂砾岩流体性质提供了新的方法,对油气开采具有一定的指导意义。

改进的AdaBoost.M2-SVM在低信噪比语音识别中的应用

提出了基于雁群启示的粒子群优化算法改进的AdaBoost.M2-SVM算法.首先训练多个支持向量机作为弱分类器,用AdaBoost.M2算法将多个弱分类器集成为最终的强分类器,实现多类分类;采用GeesePSO算法对AdaBoost.M2算法计算出的权值进行优化得到一组最优的权值,提高最终强分类器的提升能力.实验结果表明,在低信噪比语音识别中,与SVM相比,改进的AdaBoost.M2-SVM表现出更好的泛化能力,提高了识别准确率.

基于AdaBoost.M2和神经模糊系统的植物识别算法

为提高传统神经模糊系统(NFS)在植物识别领域对于相似植物样本的识别能力,提出了Ada Boost.M2-NFS算法。该算法首先对传统NFS进行改进以便融合,然后将新NFS与Ada Boost.M2结合得到Ada Boost.M2-NFS新模型。在Iris数据集上实验结果表明:新模型与单个NFS相比,识别率增加了3.33个百分点;与线性支持向量机(SVM)相比,识别率增加了1.11个百分点;与Softmax相比,识别率增加了3.33个百分点。根据敏感性和特异性分析可知,所提模型对于线性不可分数据分类效果比对线性可分数据分类效果好;同时,由于Ada Boost.M2的改进,使得所提算法在植物识别领域具备快速成型和高泛化能力。

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP(Back Propagation,BP)神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN(AdaBoost.M2Neural Network)的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明:该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.

基于ELM-AdaBoost.M2的污水处理过程在线故障诊断

污水处理存在着强非线性和非稳态运行等特征,对其运行过程进行在线故障诊断在减少污染和保障生产过程安全方面具有重大意义;针对污水处理过程运行状态的不平衡分布造成故障诊断准确率下降的问题,提出一种基于极限学习机(ELM)和AdaBoost.M2算法的在线故障诊断方法;该模型以ELM为弱分类器,利用AdaBoost.M2将多个弱分类器集成,实现了强分类器;仿真结果表明,该模型在线故障诊断精度高,学习速度快,泛化性能好,相较于传统故障诊断方法,综合性能较为突出,较好地实现了污水处理的在线故障诊断。

基于AdaBoost多分类算法变压器故障诊断

油中溶解气体分析(Dissolved Gas Analysis,DGA)技术可以有效发现充油变压器内部的早期潜伏性故障,是对充油设备进行诊断的常用方法.k-最近邻(k-Nearest Neighbor,kNN)算法是一种惰性分类算法.为了满足实际工程中对变压器故障模式分类精度的要求,AdaBoost.M2作为AdaBoost二分类算法的延伸,可将多个略好于随机猜测的弱分类器组合提升为分类精度更高的强分类器,完成多分类任务.针对单一算法往往不能满足实际工程对分类精度的需求且高精度算法难以获得的问题,利用AdaBoost的扩展算法AdaBoost.M2对每个kNN分类器的权重根据误差不断调整,再通过加权投票将其组合提升为强分类器,提高了故障诊断精度.实验结果显示,运用该模型结合DGA技术对变压器故障进行诊断,相比于单一kNN算法,诊断准确率整体提高了27.8%,表明该方法是可行的.

基于集成学习的碳酸盐岩储集体类型划分——以塔河油田T615井组为例

由于碳酸盐岩储层非均质性强、储集空间复杂多变、测井响应特征模糊,导致仅利用常规测井解释方法无法准确划分储集体类型。因此,将集成学习技术引入,以多种资料建立的测井响应模式为基础,提出一种结合Boosting和Bagging集成策略的改进方法应用于碳酸盐岩储集体类型划分中。采用AdaBoost.M2算法,以机器学习中的支持向量机、决策树、浅层神经网络为基分类器构建3个强学习器,并结合Bagging并行策略进行组合优化,得到储集体类型的最终划分结果。将该方法应用于塔河油田碳酸盐岩储层T615井组,结果表明:相较其他单分类器和基于同质基分类器的强分类器,本文方法的综合分类正确率最高,达92.3%,且对该井组的4类储集体的分类正确率均保持在90.0%左右,分类结果满足实际测井资料解释的精度要求,展现了集成学习技术在碳酸盐岩储集体类型划分中良好的应用效果。

基于集成学习的HVDC输电线路雷击故障识别方法

针对雷击引起的暂态高频分量易造成高压直流输电线路保护误动作的问题,通过PSCAD软件建立了高压直流输电线路的雷击故障模型。首先分析不同故障情况下的暂态过程,利用小波包算法分解重构得到电压突变量的不同频段瞬时能量信号。然后计算各频段瞬时能量信号的波动指数组成雷击故障特征样本集。最后结合鲸鱼优化算法WOA(whale optimization algorithm)和集成学习(Adaboost.M2)建立WOA-Adaboost.M2模型,并利用雷击故障特征样本集对WOA-Adaboost.M2模型进行训练和测试。仿真结果表明:该方法能在不同故障距离和不同雷电流幅值下准确识别雷击干扰、雷击正极故障、雷击双极故障和普通接地故障,受故障距离、过渡电阻和雷电流幅值等因素影响较小。

基于trace特征的ISAR像空间目标识别

论文提出了一种基于trace特征的逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)像空间目标识别算法.首先将ISAR像进行分割与归一化处理,利用Canny边缘检测、Hough变换方法提取空间目标ISAR像最长轴,确保所提特征具有旋转不变性;然后仅对最长轴所在局部区域进行Trace变换生成空间目标ISAR像的局部trace矩阵,使得所提trace特征满足低维要求;再将trace矩阵每一列向量进行移位对准操作以消除ISAR像平移对识别带来的影响并将其作为空间目标识别的特征向量;最后在特征空间内以最小欧氏距离作为不相似度,采用集成分类器AdaBoost.M2-KNN完成了5类空间目标的分类识别.通过5类空间目标的ISAR数据对该方法进行目标识别验证,并与现有的几种ISAR像特征提取方法进行了对比.结果表明论文所提算法可行有效,可以明显地提高识别率.