基于Gentle Adaboost的气密性检测系统

差压法气密性检测易受外部因素与预设参数影响。针对问题基于集成学习建立气密性检测系统,包含传感器终端数据采集系统、人机交互界面,并用最小二乘法对传感器进行线性拟合,利用Gentle Adaboost算法寻找每轮迭代中最佳弱分类器并更新下一轮样本权重,通过集成数轮迭代中最佳弱分类器组成强分类器,对被测物的气密性能进行判断。实验结果表明:所提系统在气密性检测中的准确度、精确度与召回率皆优于传统方法与单一分类模型,准确度达到99.8%,能有效克服外部因素对检测结果的影响,提高了差压法气密性检测的准确性与稳定性。

基于改进Adaboost算法的分布式光伏发电孤岛检测方法

由于分布式光伏发电具有随机性与不确定性,导致电力系统日常运行中极易出现孤岛效应,影响系统安全与稳定,文章提出基于改进Adaboost算法的分布式光伏发电孤岛检测方法。采集并预处理分布式光伏发电系统的PCC点电压信号,提取PCC点电压信号的小波包能量熵作为信号特征,构建改进的improved-Adaboost分类器,输入信号特征,输出分布式光伏发电孤岛状态的检测结果。实验结果表明:该设计方法不仅可以实现分布式光伏发电孤岛的100%正确检测,且能够满足相关标准对孤岛检测时间的要求。

基于改进Adaboost算法的无线传感网络入侵检测方法

为降低无线传感网络节点入侵误检率,引进改进Adaboost算法,设计一种针对无线传感网络的全新入侵检测方法。参照无线传感网络在传输数据过程中的电能量消耗模型,设定网络连续传输节点之间的距离,计算无线传感网络节点传输消耗能量;引进改进Adaboost算法,对节点进行权值的初始化处理,计算入侵样本初始权值,设计入侵数据的分类。入侵检测一般分为探测与应答两个步骤,通过对无线传感网络流量异常的感知,实现对无线传感网络入侵的检测。对比实验结果证明:设计的检测方法可以在提高无线传感网络节点攻击样本数量检测结果精度的同时,降低网络节点入侵误检率。

基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测

除选择合适的建模方法外,选择合适的特征选择算法来优选建模特征对提高作物病害的遥感监测水平具有重要作用。选取陕西省关中平原西部小麦白粉病为对象,基于Landsat 8遥感影像共提取了18个特征变量,通过相关性分析(correlation analysis,CA)和最小冗余最大相关(minimum redundancy maximum relevance,mRMR)2种特征选择算法筛选出了2组不同的特征变量,分别将其输入Fisher线性判别分析(Fisher linear discriminant analysis,FLDA)、支持向量机(support vector machine,SVM)和AdaBoost 3种方法,构建小麦白粉病发生严重程度监测模型,并对其进行精度验证与对比分析。结果表明,2种AdaBoost模型对小麦白粉病发生严重程度的总体监测精度分别比FLDA模型和SVM模型高出27.9%、27.9%和14.0%、9.3%,mRMR算法筛选特征所建FLDA、SVM及AdaBoost监测模型的总体监测精度分别比CA筛选特征所建模型高出7.0%、11.7%和7.0%,且mRMR算法筛选特征结合AdaBoost方法所建监测模型的精度和Kappa系数分别为88.4%和0.807,为所有模型中最高。说明将AdaBoost方法用于作物病害遥感监测效果较好,在作物病害监测模型的特征变量选择中mRMR算法比常用CA算法更具优势。研究结果可为其他作物病害遥感监测提供方法参考。

Diverse AdaBoost-SVM分类方法及其在航空发动机故障诊断中的应用

提出采用考虑到精度/差异权衡的SVM作为弱分类器的一种新的组合分类诊断方法——DiverseAdaBoost-SVM。该方法通过在一组具有适当精度的弱分类器中进一步选择具有较大差异性的弱分类器,对这些具有较大差异性的弱分类器进行组合,从而较好解决AdaBoost算法中存在的精度/差异权衡的难题;同时该方法也较好地解决了现有的AdaBoost方法存在的弱分类器本身参数选取困难问题及训练轮数T的合理选取问题。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明和其他方法相比,DiverseAdaBoost-SVM方法具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类,也更适合对非对称故障样本集进行分类。

基于BP-AdaBoost的电子式电能表故障检测方法

为了解决现有电子式电能表故障检测方法精度偏低、训练速度慢的问题,提出一种BP-AdaBoost复合神经网络故障预测方法。首先,在单一BP神经网络的基础上,利用组合分类器算法AdaBoost对其进行改进,将多个单一BP神经网络作为弱分类器,多次迭代训练得到强分类器;随后,将该故障预测方法应用于电子式电能表的典型故障——整流桥故障的分类判别中;利用Simulink搭建电子式电能表仿真模型,选取故障注入点与观测点,仿真运行生成的故障数据作为BP-AdaBoost算法的处理对象。仿真结果表明,BP-AdaBoost故障预测方法与单一BP神经网络故障预测方法相比,能提高预测精度,显著减小误差,在实际应用中具有一定可行性。

人眼定位与AdaBoost Gabor滤波的人脸检测算法

一般人脸检测率要受到光照的影响,而Gabor小波具有良好的生物视觉特性,对光照不敏感;在用AdaBoost算法训练分类器时,如果人脸在图像中位置相对固定,则分类器的分类能力会增强。为了解决光照问题对检测率的影响,提出人眼定位与AdaBoost Gabor滤波算法相结合的人脸检测方法。采用AdaBoost方法、Hough变换与直接最小二乘法拟合椭圆的方法确定眼睛的区域,并定位瞳孔与眼睑,根据五眼三庭知识得到人脸的区域,最后用AdaBoost Gabor滤波算法训练级联强分类器,并用此级联强分类器进行判别是否为人脸。在Yale、CMU Frontal Face等人脸库上进行实验,实验表明该方法不仅虚警率低,而且人脸检测率高。

基于多特征融合和Adaboost算法的图像检索

提出了一种多特征融合的图像检索方法。首先将图像进行分块,并提取分块主色,然后采用主色直方图作为图像的颜色特征。同时,提出采用Gabor小波描述图像的纹理特征,采用小波矩描述形状特征,最后将三种不同特征进行融合的检索方法。为了提高图像检索的准确度,提出Adaboost的相关反馈算法,在反馈过程中,Adaboost算法对特征进行降维,加快检索的速度。最后分别给出基于单一特征,特征融合和相关反馈方法的查准率和查全率,并对实验结果进行分析。

基于改进Real AdaBoost算法的软件可靠性预测

针对基于单一神经网络的软件可靠性模型预测精度低和可信性差的问题,提出一种基于加权信息熵(WIE)的Real BP-AdaBoost算法。首先,用BP神经网络个体代替Real AdaBoost算法的基分类器,构建Real BP-AdaBoost算法。然后,对Real BP-AdaBoost算法的加权方式进行改进,以基分类器对训练样本的整体分类权值与基分类器对测试样本的个体分类权值的乘积作为最终的加权系数,得到WIE Real BP-AdaBoost算法。最后,通过2组软件实际失效数据对WIE Real BP-AdaBoost算法的有效性进行验证,并与SVM、BP网络、Elman网络和Real BP-AdaBoost算法进行比较研究。实验结果显示,WIE Real BP-AdaBoost算法对2组数据预测的均方误差分别为0.442 87和0.284 71,均低于4个对比模型的均方误差,说明了WIE Real BP-AdaBoost算法模型具有更高的预测精度和可信性。

一种基于指数损失函数的多类分类AdaBoost算法及其应用

提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME(forward stagewise additive modeling using a multi-class exponential loss function)。该算法是基于原始的两类分类AdaBoost算法归结为使用两类分类指数损失函数的前向逐步叠加模型的统计学观点,将两类分类的前向逐步叠加模型自然扩展到多类分类情况下得到的,并采用多类指数损失函数和前向逐步叠加模型对FSAMME进行了详细的理论证明。该算法大大降低对弱分类器的精度要求,只需每个弱分类器的精度比随机猜测好;算法简单明了,不用把多类问题转化为多个两类问题,而是直接求解多类分类问题,大大减小计算复杂度和计算量。通过对基准数据库的测试分类及航空发动机故障样本的诊断,结果表明:FSAMME算法一方面可达到较高的分类诊断准确率,其准确率明显高于AdaBoost.M1,略高于AdaBoost.MH;另一方面可大大减小计算成本,满足在线快速分类诊断的要求。

基于AdaBoost算法与改进帧差法的动态行人检测

针对传统基于HOG特征与AdaBoost算法分类器在目标检测中存在检测速度慢、误差率大的问题,提出一种基于改进帧差法与AdaBoost算法相结合的动态行人检测方法。帧差法是运动目标检测的一种算法,能够将运动中的区域很好地显示出来。改进的帧差法不再单一使用一个阈值,而是利用多个阈值,以更好地分割出检测行人,再通过分类器进行多尺度检测来确定目标。该方法减少了传统HOG特征的检测时间,能够更快地找出感兴趣区域,并提高检测速度和误差率。

基于Q-强化学习和Adaboost算法的自适应谈判方法

为有效提高谈判效率,增强谈判主体的自学习能力,文中提出一种自适应谈判方法.该方法设定一种让步谈判策略,采用Q-强化学习算法计算谈判主体的让步幅度,然后考虑对手行为,使用Adaboost算法预测对手提议而调整让步幅度.算例仿真结果表明,使用该方法减少了谈判次数,缩短了谈判时间,不易陷入局部最优,增强了自学习能力,提升了主体满意度,优化了谈判效果.

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。

一种Adaboost优化的MIMUs/GPS信息融合算法

为确保GPS失锁期间MIMUs/GPS组合系统的导航精度,引入Adaboost优化的BP网络辅助常规Kalman滤波器实现滤波解算。当出现GPS失锁等信号不可用的情况,利用训练好的网络对同一时刻MIMUs,GPS分别解算的速度、位置信息的差值进行预测,并将结果送入Kalman滤波观测器,通过改进系统层面上的导航策略,修正MIMUs单机工作下逐渐积累的导航参数误差。仿真结果表明,在组合系统模拟GPS失锁的50 s内,Adaboost优化的BP网络能够及时辅助滤波器进行信息处理,补偿失锁期间的丢失信息,相较采用单一的BP,RBF网络算法,获得了更为理想的导航参数预测稳定性和预测精度。

基于改进的Adaboost算法的光伏发电机组智能孤岛检测方法

传统的主/被动式孤岛检测法需要人工整定阈值,存在一定的检测死区,主动法注入的扰动信号也会对电能质量造成不利影响。针对以上问题,提出了一种基于改进的Adaboost算法的光伏发电机组被动式智能孤岛检测法。该方法使用Adaboost智能算法生成判断孤岛运行的分类模型,能够实现无盲区被动检测。所提方法基于各特征量间的电气联系对分类模型进行修正,通过重新分配各特征量的权重实现检测能力的提升。仿真结果表明,应用于多机并联的光伏发电系统时,经修正的分类模型可以在传统被动法的死区中准确地检测孤岛的发生,在短时电能质量波动、线路故障、主动法注入的扰动信号干扰等情况下,算法也能对孤岛运行状态进行精确检测。

基于改进权值更新和选择性集成的AdaBoost算法

针对传统AdaBoost算法中样本权值更新缺陷造成的分类准确率降低,以及冗余弱分类器造成的分类速度慢、计算开销大等问题,提出一种基于改进权值更新和选择性集成的AdaBoost算法。首先,在弱分类器训练阶段,提出一种改进权值更新方式的AdaBoost算法,根据各个样本在前t次训练中的平均正确率更新样本权值,使所有样本的权值更新更均衡,在一定程度上抑制了噪声样本权值的无限扩大;其次,在弱分类器组合阶段,提出一种新的弱分类器相似度度量方式,并基于该度量方式和层次聚类算法进行选择性集成,剔除了冗余的弱分类器,提高了分类速度,减少了计算开销;最后使用KDDCUP99、waveform和image-segmentation三个数据集对所提方案进行性能仿真与验证,分类准确率分别达到99.51%、86.07%和94.45%。实验表明,将改进权值更新和选择性集成的AdaBoost算法应用于入侵检测系统,不仅提高了分类准确率和检测速度,而且降低了计算开销。

基于AdaBoost算法的剩余电流分类方法

针对当前剩余电流动作保护装置由于不能检测剩余电流中触电电流类型的问题,搭建了生物体触电实验平台,通过实验分别获取生物体触电电流。基于上述数据,提出一种利用AdaBoost算法的剩余电流分类方法,该方法首先通过提取实验获取不同类型剩余电流分量的特征分量,而后将这些分量特征映射到AdaBoost的算法之中,利用AdaBoost算法检测出总剩余电流中的触电电流分量类型。实验还对比了SVM、随机森林等方法,结果表明所提方法具有一定的优势,可为后续自适应型剩余电流动作保护装置的研制提供理论依据和支撑。

改进的Adaboost方法及其在水电站设备故障检测中的应用

针对水电站运行人员巡检时间过长,检查设备故障效率过低等问题,设计了水电站故障检测方案。根据改进的Adaboost方法对不同工况下机器作用所产生的噪声值进行训练,并建立一个分类器模型,将其应用到水电站设备故障检测方案当中。通过仿真实验,结果表明改进的Adaboost分类器正确率很高,达到89.1%。此方案可以提高水电站设备故障的检测效率,加强了工作人员的安全保障。

基于Adaboost和LBP算法的实时疲劳驾驶预警算法

为了有效减少因疲劳驾驶而导致的交通事故,提出一种基于Adaboost和局部二进制特征(local binary patterns,LBP)算法的疲劳驾驶预警算法。算法采用Canny边缘检测算法对图像帧进行轮廓检测,并消除原图像噪点,根据亮度条件分别处理图像帧。在日间环境状态下,根据Adaboost算法识别出眼部和嘴部位置及开合状态。夜间环境状态下,采用相邻帧间差分算法确定眼部的矩形特征,采用LBP算法来处理嘴部的开合状态。同时,为了评估眼部状态信息和嘴部状态信息对驾驶员是否处于疲劳驾驶状态的比重,文章还进行了实验比对。实验结果表明:当嘴部状态信息权重β为0.44时,系统判别精度最高,最高精度可达93.4%。

基于Adaboost的随机森林算法在医疗销售预测中的应用

提出一种基于Adaboost方法的随机森林销售量预测方法.首先对销售量的影响因素进行了特征分析,确定了训练数据的特征和维度.然后采用基于Adaboost的随机森林销量预测方法对特征数据进行训练并给出了预测算法的步骤.最后使用python进行了仿真实验,实验结果表明,该方法可以有效提高随机森林的回归性能,且预测精度高,具有较强的泛化能力.