人脸检测级联分类器快速训练算法

目前AdaBoost训练算法已被广泛地应用于人脸检测中级联分类器的构建,而AdaBoost算法训练级联分类器的周期却十分漫长.为了减少训练时间,文中提出了一种基于AdaBoost的改进训练算法.该算法通过对弱分类器的阈值选择进行一趟处理来降低运算时间复杂度,并根据AdaBoost训练迭代中只改变样本权值而不更新样本的特点对特征值和排序结果进行缓存来提高训练算法的性能.实验结果表明,该算法大幅提高了人脸检测分类器训练系统的性能,使得分类器的训练时间缩短了60多倍.由于AdaBoost算法的通用性,该改进算法不仅适用于人脸检测,也适合所有进行权值更新迭代训练的Boosting算法.     

基于支持向量机的兼类文本分类算法研究

针对兼类文本,提出了两种基于支持向量的分类算法.一种是采用1-a-1方法训练子分类器,通过子分类器得到待分类样本的隶属度矩阵,依据隶属度矩阵每行元素和判定该文本所属类别.另一种是采用1-a-r方法训练子分类器,通过子分类器得到待分类样本的隶属度向量,根据隶属度向量判定该文本所属的类别.实验结果表明,这两种算法都具有较好的准确率,召回率和F1值.     

一种具有容噪性能的SVM多值分类器

基于 SVM理论的分类器已经发展成为一种通用的二值分类器 .但是它对噪音数据非常敏感 ,而且不适用于多值分类场合 .将标准的 PCA算法扩展到更普遍的领域 ,并提出了一种新的 SVM分类器学习结构 .它使用扩展的 PCA算法对训练集数据进行降噪映射 ,产生一个新的数据集 ,然后通过反对称阵将一组二值分类器组合成一个多值分类器来处理该数据集 .理论分析和试验表明该分类器学习效率高并具有很强的容噪性能     

用于化合物毒性预测的半监督分类算法

为了解决现实世界中的化合物毒性预测问题,提出一种半监督分类方法.采用互补的分类器对原始训练集进行筛选,保证原始训练集的质量;采用联合训练的半监督方法和剪辑方法在提高训练集数量的同时保证新加入的实例不对原有训练集造成损害.最后通过基础分类器和仲裁分类器共同决策,确定化合物的分类.在化工产品有毒性数据集和UCI数据集上的实验结果表明了该算法具有比传统算法更高的分类精度.     

一种新的多类支持向量机算法

提出了一种新的多类支持向量机算法OC-K-SVM.对k类分类问题,该方法构造了k个分类器,每一个分类器只对一类样本进行训练.使用Benchmark的数据集进行了初步的实验,实验结果验证了算法的有效性.     

基于Gabor变换和Adaboost算法的人体目标检测分类器

针对在图像中检测人体目标,提出一种基于Gabor变换和Adaboost算法的检测方法.首先利用二维Gabor小波变换进行特征提取,然后利用Adaboost算法对Gabor特征进行选取并训练强分类器.为了提高检测精度,提出采用单一正样本集合与多个负样本集合分别进行训练,形成多个强分类器级联的层级检测分类器.实验结果表明了该方法的有效性,同时显示该方法须与其它辅助手段相结合,才能提高检测的实时性.     

一种基于有向无环图的多类SVM分类器

本文提出了一种多类SVM分类器--ACDMSVM,它是基于决策有向无环图和积极约束的多类SVM分类器.对于k类问题,它将k(k-1)/2个改进的二类SVM分类器进行组合.为了提高分类器的训练及决策速度,对标准的二类SVM分类器进行三个方面的改进:利用大间隔方法,对软间隔错误变量采用2-范数形式并应用积极约束.在训练阶段,使用含有根的二元有向无环图进行节点的选择,该有向无环图含k(k-1)/2个内部节点和k个叶节点.数值实验表明这是一种快速的多类SVM分类器.     

基于双阈值继承型AdaBoost算法的人脸快速检测

提出增强型Haar-Like特征和基于双阈值的弱分类器快速训练方法,然后在此基础上提出了继承型AdaBoost算法,后层分类器的训练是建立在前层分类器基础之上.该方法具有很快的训练速度,弥补了AdaBoost算法训练速度慢,使得弱分类器数目大大减少,还使得总体检测器的性能得以加强.在实验过程中,首先使用MIT-CBCL库在同样的训练样本和测试样本条件下对几种方法进行了实验,结果表明该方法在训练速度、测试精度及检测时间等方面都优于相应的方法,最后在MIT CMU人脸测试库进一步验证算法的有效性.     

基于GINI指数分类的嵌入式CPU功耗预测方法

文中提出了一种基于嵌入式系统CPU功耗预测并对其进行低功耗优化的方法.引入GINI指数的构建训练分类器,利用PowerTop工具对系统CPU进行监测,并以此作为训练数据集,将该分类器封装到系统中,对嵌入式系统的CPU频率、电压及所处的状态进行预测.通过仿真实验表明,该方法在系统负载较小的情况下,对嵌入式CPU功耗的优化的效果更好.     

基于训练集平行分割的集成学习算法研究

针对大规模数据分类中训练集分解导致的分类器泛化能力下降问题,提出基于训练集平行分割的集成学习算法.它采用多簇平行超平面对训练集实施多次划分,在各次划分的训练集上采用一种模块化支持向量机网络算法训练基分类器.测试时采用多数投票法对各个基分类器的输出进行集成.在3个大规模问题上的实验表明:在不增加训练时间和测试时间的条件下,集成学习在保持分类器偏置基本不变的同时有效减少了分类器的方差,从而有效降低了由于训练集分割导致的分类器泛化能力下降.