排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
图像型火灾探测实际上是不平衡数据的二分类问题,现有方法在处理不平衡数据分类问题时常常会引入新的噪声点或丢掉很重要的信息,算法稳定性较差。根据Adaboost对样本分配不同权重的优势,和SVM在平衡数据条件下较好的分类性能,将Adaboost算法和支持向量机(SVM)相结合,提出Adaboost-SVM算法。把火焰疑似区域的特征值作为SVM分类器的输入参数,利用Adaboost算法重点标记错分样本,并对样本的权重设定阈值,采用一定的准则对少数样本进行再构造使正负样本达到平衡。最后在训练数据的同时,通过投票机制输出最终分类结果。实验结果表明,该算法提高了火灾在正负样本分布不平衡时的分类性能。 相似文献
2.
在分析公交站台容纳线路影响因素的基础上,应用快速路路段上不同车流速度区分道路的拥堵程度,建立了描述不同拥堵条件下公交车停靠时间与路段车流量、速度之间关系的数学模型。通过对实际调查数据参数的统计标定,计算获得了不同道路流量流速条件下公交站台线路容纳能力,并以北三环蓟门桥西公交站为案例验证了模型的科学性与有效性。 相似文献
3.
针对单一的隐马尔科夫模型在图像型火灾探测中误报率偏高的问题,提出了隐马尔科夫模型和支持向量机相结合的图像型火焰识别算法。对捕获到的图像进行运动区域检测和颜色分析,提取疑似火焰区域,利用隐马尔科夫模型计算疑似区域与火焰模型的相似度,并输入到训练好的支持向量机进行二次识别。实验结果表明,与传统单一隐马尔科夫模型相比,该方法可以有效地降低误报率,提高火焰识别准确性。 相似文献
4.
1