融合SIFT和级联分类器的特种车辆自动检测识别

针对特定场景中特种车辆因多环境影响因素下数据不均衡、检测精度和识别准确率低的问题,提出一种融合尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)和级联分类器的特种车辆自动检测及识别预测方法。首先,图像预处理后运用SIFT特征提取图像主体区域特征点及特征描述子;其次,结合SIFT特征点的密度调整优化算法实现目标车辆检测;最后,运用KMeans聚类算法获得目标检测框中SIFT特征描述子的中心聚类点,生成表征目标主体图像的128维特征描述子,并最终输入RF-RBF(Random Forest-Radial Basis Function)级联分类器进行学习并识别预测。该文均采用K折交叉验证方法保证模型的稳定性和可靠性。实验结果表明,在特定场景下特种车辆目标检测获得了75.47%平均交并比,级联分类器在特种车辆识别的综合准确率、精确率、召回率、F1-Score值以及FPS值分别为87.35%、88.17%、97.27%、92.38%以及21。进一步验证融合SIFT和级联分类器模型具有较好的自动化检测准确性和识别分类能力。

融合多分类器协同挖掘的心血管疾病风险因素分析及预测

为有效应对频发的中老年心血管疾病所产生的的医疗负担以及风险预防,本文在深入分析心血管疾病患者数据的基础上,提出构建多分类器协同挖掘的心血管疾病风险因素分析及预测模型,为防范心血管疾病的发生以及诊断提供参考和支撑。方法 首先,对数患者据集进行数据预处理、探索性分析、线性回归分析以T检验和F检验,挖掘心血管疾病相关性较高的风险因素;其次,将主风险因素输入多分类机器学习模型(逻辑回归,Logistic Regression,LR;支持向量机,Support Vetor Machine,SVM;梯度提升决策树,Light Gradient Boosting Machine,LightGBM;自适应增强算法,Adaptive Boosting,AdaBoost)中进行训练学习并预测;最后,采用K折交叉验证方法检验了多分类器模型的可靠性和稳定性。结果 线性回归分析表明:胆固醇、年龄、体重、血糖是影响心血管疾病发生的关键性风险因素;同时协同多分类器学习模型,梯度提升决策树算法在识别心血管疾病预测中获得了较优的表现,其识别准确率、精确率、召回率、F1值分别为0.7286、0.7949、0.6938、0.7409。 。