基于Gentle AdaBoost算法的牛体检测

针对目标在形状、外观和光照条件发生较大变化时产生的检测率低的问题,以牛体检测为例提出了基于Gentle AdaBoost算法的牛体检测。利用bag of features(BOF)的思想创建特征词典,然后通过词典对牛体目标进行特征提取,最后通过Gentle AdaBoost算法对训练集的BOF特征向量进行训练分类,获得目标对象和场景的分类模型。实验结果表明,该算法训练的检测器在牛体目标存在光照不均匀、形变时均可实现可靠的检测。

基于Gentle AdaBoost改进算法的不平衡数据分类

传统的Gentle Adaboost方法在处理不平衡数据集的分类问题时,通常采用过抽样方法,以达到数据集的平衡。但这样处理通常会引入难以分类的奇异样本,导致分类器的分类性能下降。为此,针对不平衡数据集分类提出了一种改进的Gentle AdaBoost算法。考虑到传统Gentle AdaBoost算法中容易分类的样本具有较小权重的特点,在分类器的迭代学习过程中,设定一个样本的权重阈值,仅对少数类样本中低权重样本进行复制,然后采用上述数据集进行分类器的训练,得到相应的弱分类器;重复上述步骤进行迭代,在完成平衡数据集的同时,得到强分类器。整个过程可以避免对数据过抽样时引入奇异样本的问题。实验证明了本算法的有效性。

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。

基于人工鱼群的Gentle Adaboost快速训练算法

Gentle Adaboost算法训练弱分类器时,需要遍历特征空间,将分类结果最好的特征作为弱分类器,这将消耗大量的时间。本文提出了一种基于人工鱼群的Gentle Adaboost快速训练算法。人工鱼群算法能够模拟鱼群行为策略,有效的对特征空间快速搜索,减少需要计算的特征数,缩短训练时间。在保证检测效果的条件下,通过对MIT和FERET人脸数据库部分样本的训练,新方法的训练时间约能缩短至原始训练时间的1/4。

采用Gentle AdaBoost和嵌套级联结构的实时人脸检测

本文提出一个基于Gentle AdaBoost和嵌套级联结构(Nesting Cascade Structure)的快速人脸检测器。采用嵌套级联结构并在训练过程中剔除前级节点分类器已使用过的特征,解决了经典的AdaBoost级联分类器因各节点分类器独立训练导致不同节点之间特征相同的弱分类器大量存在而影响检测速度的问题,提高了人脸检测速度。采用Gentle AdaBoost算法训练节点分类器以提高各节点分类器的泛化能力,进一步减少嵌套级联结构中弱分类器的个数。实验结果表明本文所提出的人脸检测算法大幅度减少了级联分类器所需的弱分类器个数,使检测的速度得到明显的提高,在CIF(352×288)格式的视频上达到每帧8毫秒的检测速度,优于现有的人脸检测算法,而且检测的准确性也比现有的人脸检测算法略有提高。

基于Gentle Adaboost的行人检测

行人检测是物体检测领域的一大难点。为了更加快速地检测行人,将人脸检测中Boosted Cascade算法应用到行人检测中,并对其进行了改进,即先利用加权平均矢量投影的方法将高维的梯度直方图特征化为1维,再利用lookup table进行概率密度估计,从而将Gentle Adaboost成功地应用于行人检测。实验表明,该方法不仅训练时间短、检测速度快,而且检测精度接近目前的最佳水平。

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。

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。

Gentle-Adaboost在红外视频驾驶员疲劳检测中的应用研究

眼睛状态的检测是驾驶员疲劳检测的关键,但夜间复杂的行车环境导致眼睛状态不易检测,针对这种情况,首先用GentleAdaboost算法对大量红外样本训练得到人脸和眼睛分类器,用分类器对驾驶员进行面部和眼睛检测,并提出了采用高斯模型对眼睛区域的垂直积分投影分析得到眼睛睁闭状态的方法,进而计算PERCLOS和EBN,对驾驶员的精神状态进行检测;通过定位人脸以缩小眼睛的搜索区域,不仅可以提高眼睛的检测率,还可提高检测速度;在Visual Studio 2012和Opencv 2.4.4中对该系统进行仿真,验证了其有效性和实时性。

基于改进级联Gentle Adaboost分类器的支柱绝缘子红外图像AI识别

支柱绝缘子是变电站中重要的部件,在复杂工作环境下极易出现故障,而传统人工检测难以对大量支柱绝缘子红外图片快速多目标识别。为此,提出了基于改进级联Gentel Adaboost分类器的支柱绝缘子红外图像人工智能(artificial intelligence,AI)识别方法,使用现场采集的大量红外图片,构建支柱绝缘子红外数据集,然后计算支柱绝缘子数据集样本的Haar-like特征值,并将不同特征值构建成若干个弱分类器;通过改进Gentel Adaboost算法,将弱分类器训练集成为强分类器,得到级联Gentel Adaboost分类器,实现红外图像中支柱绝缘子多目标准确识别。研究结果证明,所提方法在不同背景下对红外图像支柱绝缘子识别的准确率达到了93.9%,在正确识别定位的同时,还能保留支柱绝缘子的红外温度特征,可为支柱绝缘子智能识别和故障诊断提供有效途径。

一种基于DBSCAN算法改进的稳健AdaBoost回归模型

传统的AdaBoost.R2算法在AdaBoost算法思想的基础上将回归问题转化为二分类问题,取得了较好的估计效果。但该算法对异常点敏感,在迭代过程中会将异常点的权重不断加大,导致模型的稳健性较差。提出一种改进的AdaBoost算法,称为AdaBoost.DBSCAN。首先,通过DBSCAN聚类算法对观测点进行分类;然后,分别针对正常点和异常点,采用不同的权重控制策略进行控制,保证异常点的权重在迭代过程中无法以指数速率增长,同时能较大程度地保存样本信息。模拟和实际应用结果表示,与传统的AdaBoost.R2、AdaBoost.RT算法以及AdaBoost.RS算法相比,该算法具有良好的稳健性,在含有不同比例异常点的数据集中都能够获得较好的表现。

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Spark大数据平台与改进Adaboost算法的医院预分检系统研究

目的:设计基于Spark大数据平台与改进Adaboost算法的医院预分检系统,用于医院就诊患者诊前分流,加速患者就医流程。方法:基于Spark大数据平台实时采集初次进入医院就诊患者的基础数据,将区块链技术应用于数据采集、存储与传输全过程,通过改进Adaboost算法对数据进行分析,采用2011—2020年联勤保障部队第九四〇医院10年间门诊患者的就诊数据为数据集,对患者在院内就诊进行快速甄别并引导就诊。分析基于Spark大数据平台与改进Adaboost算法的医院预分检系统应用效果。结果:改进Adaboost算法设置自定义限制权重阈值为0.52时,算法准确率为95.56%,预检分诊准确率较传统Adaboost算法提高4.24%。患者平均候诊时间由采用预分检系统前的0.8 h缩短为0.5 h,患者平均就诊时间由6 min缩短为4.8 min。结论:基于大数据平台与改进Adaboost算法的医院预分检系统能够提前将医院就诊患者进行诊前分流,提高分检效率和分检准确率,缓解医院就诊压力。

基于Gentle Adaboost的多姿态人脸检测器结构研究

研究在多姿态人脸检测问题中,不同检测器组织结构及其性能差异。只探讨平面外旋转±90°的姿态空间,将其划分为5类姿态。首先训练单姿态检测器,通过提取扩展Haar-like特征,采用Gentle Adaboost算法,训练得到瀑布型检测器;然后对单姿态检测器进行组合构成多姿态分类器。主要对并行级联结构、并行级联附加姿态估计、金字塔结构和决策树结构4种组合结构进行实验对比,分析其在检测速度、检测率、误检数等性能指标上的差异。

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。

Boosting家族AdaBoost系列代表算法

Boosting is one of the most representational ensemble prediction methods. It can be divided into two se-ries: Boost-by-majority and Adaboost. This paper briefly introduces the research status of Boosting and one of its seri-als-AdaBoost,analyzes the typical algorithms of AdaBoost.

基于改进AdaBoost算法的人耳检测与跟踪

人耳检测是人耳识别系统的第一个环节.在比较已有的人耳检测方法的基础上,介绍了一种复杂背景下的快速人耳检测与跟踪的方法.该方法主要分为两个阶段,离线级联分类器训练阶段和在线检测阶段.在离线训练阶段,首先结合人耳轮廓清晰,凹凸有致的特点,采用扩充后的haar-like型特征,依最近邻法则构造出弱分类器空间,然后根据经验选择GAB算法训练出强分类器,最后将多个强分类器级联成多层人耳检测器.在线检测阶段,为提高检测率,本文采用了调整分类器阈值和缩放检测子窗口的策略.最终检测器在CAS-PEAL人脸库上测试,检测率达到98%以上;在PⅣ1.7GHz的PC上对普通CMOS摄像头输入的320×240dpi视频进行人耳跟踪,速度可达6～7fps.实验结果表明,本文的人耳检测方法具有较好的实时性和一定的鲁棒性.

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。

一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法

提出一种基于类haar特征和改进AdaBoost分类器的车辆图像识别算法,以解决当前基于SVM分类器或级联分类器存在的分类识别性能不足以及传统基于AdaBoost算法的训练所需时间过长的问题.首先,基于积分图提取图像的扩展类haar特征,然后对所提取的海量类haar特征应用改进的AdaBoost分类器训练方法进行特征选择及分类器训练,最后利用所选择的特征信息及训练得到的分类器进行两类分类识别.实验结果表明,文中方法无论是在识别性能还是训练所需时间方面均明显优于传统方法,具有较好的应用前景.

基于Adaboost算法的日间前方车辆检测

提出了一种基于类Haar特征和Adaboost算法的车辆检测方法,以解决汽车安全辅助驾驶系统中对前方车辆的信息感知问题。基于类Haar方法对训练集的积分图进行提取,采用Adaboost算法选取有效的类Haar特征并生成前方车辆检测分类器。利用前方车辆检测分类器对PETS(Performance evaluation of tracking and surveillance)提供的图片进行测试。试验结果表明:该方法可以快速、准确地实现日间前方车辆的检测。