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.

基于鲸群优化随机森林算法的非平衡数据分类

为了提高非平衡数据分类的准确性,采用随机森林算法用于数据分类,并结合鲸鱼优化算法对随机森林弱分类器权重进行优化求解,以增强随机森林算法对非平衡数据分类的适应性。首先,建立基于随机森林的非平衡数据分类模型。通过随机森林的多个决策树弱分类器进行分类,有效解决样本不均衡导致的分类困难问题。接着,采用鲸群优化算法对弱分类器权重进行优化求解,将分类准确率均值作为鲸群优化适应度函数,以提高弱分类器权重投票对最终分类结果的精度。最后,采用经过鲸群优化得到的随机森林模型进行非平衡数据分类。实验证明,通过合理设置鲸群优化算法参数,可以获得分类准确度更高的随机森林弱分类器权重,相较于常用非平衡数据分类算法,文中算法能够获得更优的分类性能。