基于Adaboost和CART结合的优化分类算法

提出了一种基于Adaboost算法和CART算法结合的分类算法。以特征为节点生成CART二叉树,用CART二叉树代替传统Adaboost算法中的弱分类器,再由这些弱分类器生成强分类器。将强分类器对数字样本和人脸样本分类,与传统Adaboost算法相比,该方法的错误率分别减少20%和86.5%。将分类器应用于目标检测上,实现了对这两种目标的快速检测和定位。结果表明,改进算法既减小了对样本分类的错误率,又保持了传统Adboost算法对目标检测的快速性。     

数据挖掘分类算法优化非平衡采样样本的研究与应用

主要是针对采样过程中的非平衡数据进行处理、分类,改变传统算法在其处理过程中的分类倾向性。结合数据挖掘中多种分类算法构建的混合模型进行分类处理非平衡采样数据,并将优化的结果进行比较。     

基于惩罚的SVM和集成学习的非平衡数据分类算法研究

利用各类算法对非平衡数据进行处理已成为数据挖掘领域研究的热问题。针对非平衡数据的特点,在研究支持向量机的相关理论及K-SVM算法基础上,提出基于惩罚机制的PFKSVM(K-SVMbased on penalty factor)算法,克服K-SVM在最优分类面附近易发生错分的问题;并提出由重构采样层、基本训练层和综合判定层组成的集成学习模型。利用UCI公共数据集的实验验证了PFKSVM算法及集成模型在处理非平衡数据分类时的优势。     

基于Adaboost算法的软件缺陷预测模型

将Adaboost算法应用到软件缺陷预测模型中是软件缺陷预测的一种新思路,Adaboost算法原理通过训练多个弱分类器构成一个更强的级联分类器,有效地避免了过拟合问题。通过采用美国国家航空航天局(NASA)的软件缺陷数据库的仿真实验,分别对原始BP神经网络算法和Adaboost算法进行分析对比,其中Adaboost的弱分类器采用神经网络。实验结果表明,Adaboost级联分类器有效地提高了软件缺陷预测模型的预测性能。     

基于神经网络扩张的Adaboost人脸检测算法

人脸检测是人脸研究中的重要部分,Adaboost算法检测速度虽快,但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法,并通过实验表明该方法在原有Adaboost算法的基础上,降低了错检和重复检测率,提高了正负样本判断正确的概率。     

一种非平衡数据分类的过采样随机森林算法

在灾害天气、故障诊断、网络攻击和金融欺诈等领域经常存在不平衡的数据集。针对随机森林算法在非平衡数据集上表现的分类性能差的问题,提出一种新的过采样方法:SCSMOTE(Seed Center Synthetic Minority Over-sampling Technique)算法。该算法的关键是在数据集的少数类样本中找出合适的候选样本,计算出候选样本的中心,在候选样本与样本中心之间产生新的少数类样本,实现了对合成少数类样本质量的控制。结合SCSMOTE算法与随机森林算法来处理非平衡数据集,通过在UCI数据集上对比实验结果表明,该算法有效提高了随机森林在非平衡数据集上的分类性能。     

面向非平衡训练集分类的随机森林算法优化

数据挖掘是当今社会最活跃的研究方向之一,迄今为止数据挖掘技术已经广泛应用到各行各业中,然而在数据挖掘过程中往往会遇到很多非平衡训练集,采用传统的数据挖掘技术对非平衡训练集集进行处理不能得到理想的效果。主要是针对非平衡训练集,对数据进行NCL(Neighborhood Cleaning Rule)技术处理并结合随机森林(Random Forest)算法进行分类,试验结果表明,改进后的随机森林算法分类效果更好。     

基于Adaboost与朴素贝叶斯的农业短文本信息分类

朴素贝叶斯分类器过分依赖分类数据的质量,当待分类数据呈现复杂多元属性时,其分类的效果急剧下降,利用adaboost算法组合多个朴素贝叶斯分类器设计A_B模型。将3600份原始数据经过中文分词、句法分析、文本向量化后将A_B模型训练成一个A_B分类器。解决了分类器对于待分类数据敏感的问题,两个A_B分类器协同工作将二分类器转换为三分类器,解决了将原始农业文本信息分为农业新闻类,农业技术类,农业经济类三种类型的问题。分别利用600份标准数据与加了30%干扰信息的复杂数据测试分类器的分类效果,实验结果表明A_B分类器不仅对标准分类数据具有良好的分类效果,面对复杂多元的分类数据是仍然表现出较好的分类性能。利用不同的测试数据对A_B分类器测试发现:A_B分类器均具有良好的收敛性,其分类效果不依赖分类数据特征,具有分类效果的稳定性。     

基于Adaboost方法的实时人眼定位

人眼定位在基于机器视觉的疲劳检测系统中起着至关重要的作用。该文介绍了Adaboost方法在人眼定位中的应用,首先描述了Adaboost的基本思想,使用人脸分类器对人脸进行定位,之后在人脸定位的基础上使用人眼分类器最终定位人眼,实现了实时的人眼定位。     

基于Adaboost算法的人脸检测研究

随着计算机科学的发展,人脸识别研究受到越来越多的重视。而作为人脸识别的一个重要步骤的人脸检测直接影响到识别的速度和精度。深入分析了基于扩展的Haar-Like特征和Adaboost算法构造的分类器的人脸检测算法。实验证明,以这种算法设计的检测器的准确度高,实时性好。     

基于Adaboost算法的车辆轮胎检测研究与实现

为了更有效地对路段车流的车型进行分类统计,可通过测量车辆轴距的方法实现归类。提出了一种基于Adaboost算法,利用OpenCV视觉库对摄像机采集的车辆图片进行轮胎识别的检测方法。其基本思想是建立轮胎样本和级联分类器,利用被训练成的强分类器对摄像机采集的视频截图进行目标车辆轮胎的检测,然后通过检测结果计算出车辆两个轮胎之间的距离参数,从而求出轴距以确定其车型。通过分析检测出来的轮胎图案,发现存在较高的漏检率和错检率。最后,通过调整样本结构,发现大幅提高了检测准确率。     

基于DM642的AdaBoost人脸检测算法优化与实现

本文首先介绍了Adaboost人脸检测算法的基本原理,指出了现有人脸检测算法多数都是基于PC机实现,没有具体应用于实际的嵌入式系统中。因此提出了基于TMS320DM642实现人脸检测算法,并阐述了算法性能优化的方案。优化后人脸检测算法满足了实时性要求,检测CIF图像速度达到36帧/秒,为实际应用奠定了基础。     

基于Adaboost算法的行人检测

提出一种基于Adaboost算法的行人检测方法。Adaboost是将一组弱分类器通过一定的规则,结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器。实验证明基于此算法的行人检测具有检测率高、速度快的特点,能够达到实时检测的要求。     

基于动态权重的Adaboost算法研究 *

针对Adaboost算法只能静态分配基分类器权重,不能自适应地对每个测试样本动态调整权重的问题,提出了一种基于动态权重的Adaboost算法。算法通过对训练样本集合进行聚类,并分析每个基分类器和每个类簇的适应性,进而为每个基分类器在不同类簇上设置不同权重,最终根据测试样本与类簇之间的相似性来计算基分类器在测试样本上的权重。在UCI数据集上的实验结果表明本文提出算法有效利用了测试样本之间的差异性,得到了比Adaboost算法更好的效果。     

基于Adaboost算法的硬件实时人脸检测

实现一个硬件人脸检测系统,该系统工作频率为70 MHz,能够检测一幅256×256的图像中任意位置、任意大小和任意数目的人脸,检测速度为每秒35帧。系统的检测精度为85%,误检率为1.5×10-6。为实现高速人脸检测,在硬件系统架构上做出如下3点创新：实现积分图像和积分平方图像的硬件实时计算,弱分类器特征值计算的深流水线实现,采用并行多内存组织结构。     

基于Adaboost算法的行人检测方法

鉴于Adaboost算法简单可靠、学习精度高的特点,提出一种基于Adaboost算法的行人实时检测方法。选取了扩展的类Haar特征,采用Adaboost算法训练得到了一个识别准确率理想的行人分类器,通过VC编程将级联分类器应用到实际的行人检测系统中。试验结果表明,该方法可以快速、准确地实现行人的在线检测,具有较好的实时性。     

Adaboost算法的脸谱识别系统应用设计

研究了灰度值、中值滤波的图像预处理方法和Haar特征提取思想计算多尺度下相同特征.本文基于Adaboost算法针对同一个训练集训练不同的分类器,并将弱分类器进行集合,构成一个更强的最终分类器,实现了脸谱识别系统.通过验证脸谱识别系统,实现了对视频流中脸谱的准确定位,达到了无拖影、噪声少及识别准确的预期.