基于混淆矩阵和集成学习的分类方法研究

针对多分类问题,本文提出一种基于混淆矩阵和集成学习的分类方法。从模式间的相似性关系入手,基于混淆矩阵产生层次化分类器结构;以支持向量机(SVM)作为基本的两类分类器,对于分类精度不理想的SVM,通过AdaBoost算法对SVM分类器进行加权投票。以变电站环境监控中的目标识别为例(涉及到人、动物、普通火焰(红黄颜色火焰)、白色火焰、白炽灯),实现了变电站环境监控中的目标分类。实验表明,所提出的方法有效提高了分类精度。     

无人值守变电站监控视频异常模式识别方法

为提高变电站视频监控的智能化水平,提出了一种识别无人值守变电站环境监控视频中异常模式的方法.对变电站环境监控中的运动目标进行分类(涉及到人、动物、普通火焰(红黄颜色火焰)、白色火焰、白炽灯),提取多种特征,基于混淆矩阵产生层次化分类器结构,以支持向量机(SVM)作为基本的两类分类器,对于分类精度不理想的SVM,通过Ad...     

变电站环境监控视频异常模式的识别方法

随着变电站自动化程度的提高,视频监控系统在变电站得到广泛应用,为了提高监控的智能化水平,及时发现异常,提出一种识别无人值守变电站环境监控视频中异常模式的方法。对变电站环境监控中的运动目标进行分类(涉及到人、动物、普通火焰(红黄颜色火焰)、白色火焰等),并对行人进行跟踪,描绘其运行轨迹。针对待分类目标提取多种特征,基于混淆矩阵产生层次化分类器结构,以支持向量机(SVM)作为基本的两类分类器。对多段视频数据进行实验,实验结果表明提出的方法能够较好地实现人、动物、火焰的分类,并跟踪行人,排除干扰物(白炽灯)的影响,为实现无人值守变电站防火防盗提供必要的条件。