基于改进旋转森林算法的窃电检测研究

如何准确检测出用户侧窃电行为是长期存在于各供电公司一个难点,传统的窃电检测方案均存在一定的局限性。针对窃电检测领域正负类样本高度不平衡,且单一分类模型表现不佳的问题,提出一种基于改进旋转森林算法的窃电检测方法。旋转森林算法采用主成分分析(principal component analysis,PCA)进行特征提取,利用原始训练集的所有主成分训练每个基分类器。在经典的旋转森林算法基础上,使用改进合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法平衡样本子集中的正负类样本;使用Bagging算法中的Bootstrap抽样对训练子集进一步抽样;按准确率对基分类器进行选择性集成等3个方面的改进。算例使用华东某地区实际用户数据,结果表明所提窃电检测方法对比单一分类模型和现有集成学习策略,在多项评价指标下均取得更好的效果。

产品层析图像的轮廓序列匹配技术研究

图像匹配是图形图像处理领域研究的重要问题之一 .针对基于层析图像的逆向工程 CAD建模过程中的图像轮廓识别与匹配问题 ,通过建立物体轮廓森林 ,进行轮廓识别 ,缩小轮廓匹配搜索范围 ;利用椭圆定量表达平面离散点序列的整体形位信息 ,实现轮廓匹配 ;提出加权旋转半分法处理分枝问题 ;并结合典型算例 ,进行算法验证 ,取得了较好效果 .本算法具有简单易用、效率高的优点 .

极限学习机的分类器集成模型研究

将极限学习机算法与旋转森林算法相结合,提出了以ELM算法为基分类器并以旋转森林算法为框架的RF-ELM集成学习模型。在8个数据集上进行了3组预测实验,根据实验结果讨论了ELM算法中隐含层神经元个数对预测结果的影响以及单个ELM模型预测结果不稳定的缺陷;将RF-ELM模型与单ELM模型和基于Bagging算法集成的ELM模型相比较,由稳定性和预测精度的两组对比实验的实验结果表明,对ELM的集成学习可以有效地提高ELM模型的性能,且RF-ELM模型较其他两个模型具有更好的稳定性和更高的准确率,验证了RF-ELM是一种有效的ELM集成学习模型。

基于小波变换和极限旋转森林算法的入侵检测模型

针对入侵检测系统存在性能不稳定等问题,结合旋转森林算法(Rotation of Forest,ROF)和极限学习机(Extreme Learning Machine,ELM)提出了一种新的入侵检测模型ROF-ELM。该算法首先提出入侵检测的评价指标,并综合小波变换来对评价指标建立刻画方法,同时利用ROF-ELM对训练集进行处理,将得到的样本类标进行训练输出,以此提高检测效率。最后,利用MATLAB进行仿真实验,深入研究了在该算法下的入侵检测性能,结果发现ROF-ELM具有较好的适应性,在分类结果和预测正确率等方面性能更佳。

旋转森林算法在GF-2卫星影像土地利用分类中的应用

"高分二号"(GF-2)卫星影像中精细的空间信息可用于高精度的土地利用分类研究。为了获取基于GF-2卫星影像土地利用分类的最优特征空间,以及将旋转森林算法应用于提高遥感影像分类精度中,文章利用GF-2卫星影像数据,基于光谱特征(4个多光谱波段和1个全色波段)、指数(植被指数、水体指数及简单比值指数)和变换成分(主成分、最小噪声分离成分与独立成分)构建特征空间,应用基于决策树的旋转森林算法构建面向对象的分类规则集,进行土地利用分类,并与最近邻和决策树算法的分类结果对比分析。结果表明,结合光谱特征、几何特征和纹理特征,采用旋转森林算法得到的分类总体精度为84.85%,Kappa系数为0.819;引入指数、变换成分后分类总体精度提高4.90%,Kappa系数提高0.058;相比于最近邻分类器和决策树分类器,结合旋转森林思想的决策树分类器总体精度分别提高11.97%和15.44%,Kappa系数分别提高0.142和0.184。研究结果可为中国高分辨率卫星影像的信息提取及基于旋转森林算法的土地利用分类研究提供参考。

基于旋转不变深度比较特征的人手关节点识别

针对基于深度图像的手部关节难以识别和不同关节难以区分的问题,提出一种基于旋转不变深度比较特征的人手关节点识别算法。首先提取旋转不变深度比较特征用于随机森林分类器的训练和像素的部位识别,再计算部位的逐点映射形心的密度实现关节点识别。实验结果表明,此算法具有较高的识别准确率和鲁棒性。

旋转森林与极限学习相结合的遥感影像分类方法

针对旋转森林算法(rotation forest, RF)处理遥感影像分类时容易出现过拟合现象,以及极限学习算法(extreme learning machine, ELM)泛化性能较差问题,提出一种将旋转森林与极限学习相结合(RF-ELM)的影像分类算法。该方法首先用旋转森林算法对基分类器进行训练,然后利用极限学习算法作为基分类器解决旋转森林中存在的过拟合问题。通过利用Landsat-8遥感影像分别对比RF、ELM、Bag-ELM和RF-ELM进行分类实验。结果表明,所提出的集成方法比RF、ELM单一算法具有更高的分类精度,相比Bag-ELM具有更高泛化能力,有效改善了分类过拟合现象,计算效率也继承了ELM快速运算的特点。

应用于地物识别的改进轮转森林算法

针对数量激增、数据类型复杂的遥感影像,准确和具有普适性的分类是亟待解决的问题。提出一种轮转径向基函数神经网络模型应用于遥感影像的处理方法。通过对输入数据的特征变换,使特征总集变为多个子特征集,依据PCA(主成分分析)变换处理这些新的子特征集,将得到的系数用于改变训练样本,增加基分类器之间的差异度,提高分类精度。以扎龙湿地为研究对象将该算法与其他方法比较,结果显示本文方法能得到更准确的分类结果,而且具有较高的泛化精度以及较小的过学习现象。