基于AdaBoost.MH算法的汉语多义词消歧

本文提出一种基于AdaBoost MH算法的有指导的汉语多义词消歧方法,该方法利用AdaBoost MH算法对决策树产生的弱规则进行加强,经过若干次迭代后,最终得到一个准确度更高的分类规则;并给出了一种简单的终止算法中迭代的方法;为获取多义词上下文中的知识源,在采用传统的词性标注和局部搭配序列等知识源的基础上,引入了一种新的知识源,即语义范畴,提高了算法的学习效率和排歧的正确率。通过对6个典型多义词和SENSEVAL3中文语料中20个多义词的词义消歧实验,AdaBoost MH算法获得了较高的开放测试正确率(85.75%)。     

一种基于逃逸时间算法的M-集渲染方法

用逃逸时间算法绘制传统的分形集———Mandelbrot集(M-集)和Julia集(J-集)时,常用迭代次数来控制色彩,得到的往往是黑白两色的或缺乏色彩渐变的图形。文章提出了基于逃逸时间算法、利用“距离”来控制色彩变化的M-集渲染方法,这种方法可以同时渲染M-集的外部结构和内部结构。适当选择控制色彩变化的距离函数,还可以得到富有3D效果的分形图形。     

基于损失函数的AdaBoost改进算法

针对AdaBoost集成时难分样本权重扩张导致训练样本在更新时分布失衡的问题,提出一种基于正负类样本损失函数(LF)的权重更新策略。权重的调整不仅与训练误差有关,还考虑到基分类器对不同类别样本的正确分类能力,从而避免训练样本过度集中于某一类的异常现象。实验结果表明,基于LF的AdaBoost能在提高收敛性能的情况下,提高算法精度,克服样本分布失衡问题。偏差方差分析的结果显示,该算法在改善偏差的情况下,能有效地减小错误率中的方差成分,提高集成的泛化能力。     

基于Log-Gabor和AdaBoost的人脸识别算法研究

随着模式识别和计算机图形处理技术的发展,人脸识别技术在公共安全、居所门禁、信息安全领域广泛应用,如何提高人脸识别算法的效率与准确度是首要问题。在运用基于Log-Gabor小波的滤波器实现提取人脸特征的基础上,采用AdaBoost迭代算法训练强分类器,以降低特征向量数,从而达到提高识别效率的目的。与通常的算法比较,在不损失准确度的基础上,可显著节约匹配时间。     

基于AdaBoost算法的故障诊断仿真研究

AdaBoost算法是提高预测学习系统预测能力的有效工具。提出一种基于AdaBoost算法的神经网络故障诊断方法,利用多层前向神经网络作为故障弱分类器,实现了对多类故障的诊断。为了克服AdaBoost对数据噪声比较敏感的不足,通过降低错分样本的权重改进了算法。针对一个涡轮喷气发动机气路部件故障的仿真实验表明,这种方法提高了最终故障分类器的泛化能力,改善了其噪声鲁棒性,便于工程应用。     

基于AdaBoost算法和Cascade算法的人脸检测系统的实现

文章从AdaBoost算法入手,利用AdaBoost学习训练算法和Cascade算法的检测构架设计了一个人脸检测系统,检测结果表明。该系统具有良好的检测速度和较强的实时性。     

基于改进AdaBoost算法的人脸检测

提出了一种改进的AdaBoost算法,该算法设定漏检一张人脸的代价比误检一张人脸的代价大,然后通过学习使得两类分类错误的代价最小.实验结果表明,此算法能取得更好的学习效果,提高了人脸检测率.     

AdaBoost分类算法的数学分析

本文对AdaBoost算法进行了介绍,并从整个数学推导过程中分析怎样挑选分类器并设置权值,最终通过一组弱分类器组合构成强分类器。     

基于AdaBoost算法的目标检测

目标检测在自动化控制领域具有广泛的应用。AdaBoost是一个构建准确分类器的学习算法。文章改进了AdaBoost算法,并将其运用于目标检测中。改进的算法不但保持了原来的准确性,而且速度也大大提高,更适合采集装置的实时处理要求。实验结果证明该方法有效。     

基于样本噪声检测的AdaBoost算法改进

针对传统的AdaBoost算法中,存在的噪声样本造成的过拟合问题,提出了一种基于噪声检测的AdaBoost改进算法,本文称为NAdaBoost（nois-detection AdaBoost）. NAdaBoost算法创新点在于针对传统的AdaBoost算法在错误分类的样本中,噪声样本在某些属性上存在很大差异,根据这一特性来确定噪声样本,再重新使用算法对两类样本进行分类,最终达到提高分类准确率的目的. 本文对二分类问题进行实验结果表明,本文提出的算法和传统的AdaBoost算法,以及相关改进的算法相比,有较高的分类准确率.     

基于改进AdaBoost算法的复杂网络链路预测

链路预测是复杂网络的重要研究方向,当前的链路预测算法因可利用的网络信息有限,导致预测算法的精确度受限。为了提高预测算法的性能,采用改进的AdaBoost算法进行链路预测。首先根据复杂网络样本建立邻接矩阵,完成样本的矩阵化处理;然后采用AdaBoost算法进行分类训练,通过权重投票获取预测结果;最后,考虑到复杂网络弱分类器预测正负误差分布的不均衡问题,设置权重调整因子η及其调整范围[η1,η2],并根据η值动态调整AdaBoost算法的多个弱分类器分类结果的权重,从而获得准确的链路预测结果。实验结果证明,相比其他常用网络链路预测算法及传统AdaBoost算法,改进的AdaBoost算法的预测准确率优势明显,且在节点数量较多时,其预测时间性能和其他算法的差距较小。     

基于MCV划分的连续AdaBoost算法

传统连续AdaBoost算法因等距划分样本空间而无法体现正负样本各自的分布规律。针对该问题,提出一种基于最小类方差的样本空间划分算法。通过计算各种划分方式的类方差,衡量样本的相似性,选取最小类方差和对应的样本作为最佳划分。仿真结果表明,该算法具有较高的检测率和较快的收敛速度。     

基于AdaBoost回归树的多目标预测算法

预测问题通常涉及相同的输入变量同时预测多个目标变量。当目标变量为二进制时,预测任务被称为多标签分类;当目标变量为实值时,预测任务称为多目标预测。本文提出2种新的多目标回归方法：多目标堆叠(Multi-Target Stacking, MTS)和集成回归链(Ensemble of Regressor Chains, ERC)。灵感来自2种流行的多标签分类方法。MTS和ERC在第一阶段的训练,都将采用基于回归树AdaBoost算法(ART)建立的单目标预测(Single-Target Prediction)模型作为基准方法;在第二阶段的训练,MTS和ERC都通过额外加入第一阶段的目标预测值作为输入变量来扩展第二阶段的输入变量空间,以此建立多目标预测模型。这2种方法都利用目标变量之间的关系,不同的是,ERC除了考虑目标的依赖性关系外还考虑了目标的顺序问题。此外,总结了MTS和ERC这2种方法的缺点,并且对算法进行修改,提出了相应的改进版本MTS Corrected(MTSC)和ERC Corrected(ERCC)。实验结果表明,修改后的回归链ART-ERCC算法在多目标预测问题中表现最好。     

基于稀疏矩阵的并行体绘制算法

直接体绘制是三维数据可视化的重要方法。在实际应用中体数据规模庞大,如何降低计算工作量以获得更高的绘制速度是一个亟待解决的问题。文章针对该问题提出了一种运行于集群系统之上的基于稀疏矩阵的并行Splatting体绘制算法,该算法利用稀疏矩阵对体数据结构进行优化,通过实验获得了令人满意的结果。     

基于动态数据分布的并行Shear-Warp体绘制算法

提出了基于动态数据分布的并行Ｓｈｅａｒ－Ｗａｒｐ体绘制算法和新的动态数据分布策略,利用空闲的广播通信线路使数据重分布与绘制并行进行,提高了通信线路的利用率、避免了冗余存储,减少了资源浪费,并避免了对算法效率的影响;改进的任务分配与负载平衡策略,避免了节点机负载的不平衡和流水线作业的积压,提高了算法的效率。     

结合样本选择和AdaBoost的日侧冕状极光检测算法

日侧冕状极光是太阳风与地球磁层相互作用产生的典型电离层踪迹,对其正确分类对研究空间天气活动尤为重要。根据冕状极光的形态特征,提出了一种基于静态图像分类的日侧冕状极光检测算法。首先提取极光样本图像的Gabor特征,利用K均值聚类算法进行基于有监督聚类的训练样本选择,保证训练样本的多样性和代表性。然后引入AdaBoost算法进行特征选择并构建级联分类器实现日侧冕状极光的检测。在北极黄河站采集到的实测极光图像数据库上所做的分类实验结果表明了算法的有效性。     

基于扩展Haar特征的AdaBoost人脸检测算法

对于常用的基于Haar特征的AdaBoost人脸检测算法存在漏检率与误检率高等不足, 增加了Haar特征的扩展种类, 这些新增Haar特征能够有效减少因眉毛与眼睛灰度值近似而引起的误判, 同时去除一些针对人脸分辨效果不好的特征来提高算法的实时性, 深入分析了利用Haar特征与AdaBoost算法构成的级联分类器的特点. 实验数据结果验证了改进后算法的可行性.