基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。     

基于AdaBoost算法的重型车辆侧翻预警研究

为有效解决复杂行驶工况下无法准确预测重型车辆侧翻的难题,设计了基于机器学习方法的自适应提升(AdaBoost)算法,实现了复杂行驶工况下重型车辆非绊倒型侧翻判据的实时准确计算.首先建立了基于重型车辆仿真模型与侧翻预警模型;其次,利用AdaBoost学习算法理论,设计了基于单层决策方法构建多个弱分类器的架构并对其进行了模拟训练与加权求和;最后,结合商业软件TruckSim?动力学软件,对比分析了双移线(DLC)与鱼钩(Fishhook)工况下重型车辆侧翻预警失效的侧翻效果.仿真结果表明:所设计的基于AdaBoost算法侧翻预警判据可在复杂行驶工况下有效预测重型车辆侧翻,且对应的测试集正确率比Logistic回归算法预测精度改善24.9％,且模型评估预测 ROC(receiver operation characteristic)曲线面积为0.958.     

基于主动学习AdaBoost算法与颜色特征的车牌定位

人工选取少量的车牌区域和非车牌区域,采用积分图法快速提取Haar-like扩展特征,构成初始训练样本.使用AdaBoost算法训练样本产生一个初始分类器,经过主动学习过程,产生一个用于车牌检测的强分类器.利用Cascade结构检测法进行车牌的粗定位,通过提取边缘颜色对,对候选区域进行验证,实现车牌区域的精确定位.对不同光照条件及车牌污损等复杂情况下的车牌图像进行了定位测试.测试结果表明:车牌的粗定位率和精确定位率分别为98.3％、97.1％,平均定位时间小于0.1s,因此,该方法有较好的车牌定位效果和定位准确率.     

一种组合径向基函数网络结构的分类方法

介绍了径向基函数网络（简称ＰＢＦ网络）模型，分析了ＲＢＦ网络的分类机理和分类特点，由于该网络层激活函数的有界性，ＲＢＦ网络用于分类时，其分类判决范围也是有界的。针对一船的多层前馈网络分类器不能识别瓣的模式类型的问题，研究了一种将若干个ＲＢＦ网络组合起来的分类方法，该分类器不仅能够对新类型的模式作出有产的拒识，而且还能通过再学习识别新的模式类型，具有增量学习的能力，最后给出一个分类实例。     

基于数学形态学与动态时间扭曲的电压扰动分类

为提高电压扰动信号分类识别的精度,提出了一种基于数学形态学与动态时间扭曲的新算法．该算法首先通过形态滤波器对信号进行滤波处理,然后利用如变换提取滤波输出的特征,再通过动态时间扭曲分类器与参考模板进行匹配,最后获得有效的分类识别结果．用Matlab进行仿真分析的结果表明,该算法能有效识别各类扰动信号,准确率高,即使在强噪声环境下,识别精度也超过84％．     

基于特征脸和二叉树支持向量机的人脸识别

提出使用特征脸和二叉树支持向量机（BT-SVM）分类器相结合的方法进行人脸识别。首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数,使用训练样本投影系数训练BT—SVM分类器,再使用BT—SVM分类器对测试图像进行识别。在ORL人脸库进行模拟试验,结果表明BT-SVM分类算法获得比SVM分类算法更高的识别率。     

基于Fisher距离的新型脑机接口分类器

提出基于Fisher距离测度的线性分类器符合统计学习理论框架的观点,结合主分量分析和遗传算法提出一种基于结构风险最小化（Structural Risk Minimization,简称SRM）归纳原则的分类器设计方法．通过对比遗传算法和穷举法的运算量,阐明所提出的特征提取方法在采用Fisher线性分类器分类时的优势．最后采用所提出的基于SRM归纳原则的方法对一组人脑慢皮层电位数据进行了分类仿真实验,并将结果与该组数据竞赛优胜者的结果进行了对比,性能得到了明显提高．     

基于Fisher距离的新型脑机接口分类器

提出基于Fisher距离测度的线性分类器符合统计学习理论框架的观点,结合主分量分析和遗传算法提出一种基于结构风险最小化（Structural Risk Minimization,简称SRM）归纳原则的分类器设计方法．通过对比遗传算法和穷举法的运算量,阐明所提出的特征提取方法在采用Fisher线性分类器分类时的优势．最后采用所提出的基于SRM归纳原则的方法对一组人脑慢皮层电位数据进行了分类仿真实验,并将结果与该组数据竞赛优胜者的结果进行了对比,性能得到了明显提高．     

基于神经网络多分类器组合模型的OCR应用研究

根据多分类器组合原理,提出一种基于神经网络的多分类器组合模型.该模型首先使用基于贯穿码特征的分类器对字符分类,然后,由基于投影特征的分类器对经过上一级分类器分类后的字符进行识别.试验表明,该模型能有效提高光学字符识别率.     

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

Skin detection method based on cascaded AdaBoost classifier

Skin detection has been considered as the principal step in many machine vision systems, such as face detection and adult image filtering. Among all these techniques, skin color is the most welcome cue because of its robustness. However, traditional color-based approaches poorly perform on the classification of skin-like pixels. In this paper, we propose a new skin detection method based on the cascaded adaptive boosting (AdaBoost) classifier, which consists of minimum-risk based Bayesian classifier and models in different color spaces such as HSV (hue-saturation-value), YCgCb (brightness-green-blue) and YCgCr (brightness-green-red). In addition, we have constructed our own database that is larger and more suitable for training and testing on filtering adult images than the Compaq data set. Experimental results show that our method behaves better than the state-of-the-art pixel-based skin detection techniques on processing images with skin-like background.     

Automatic product image classification with multiple support vector machine classifiers

For the task of visual-based automatic product image classification for e-commerce, this paper constructs a set of support vector machine (SVM) classifiers with different model representations. Each base SVM classifier is trained with either different types of features or different spatial levels. The probability outputs of these SVM classifiers are concatenated into feature vectors for training another SVM classifier with a Gaussian radial basis function (RBF) kernel. This scheme achieves state-of-the-art average accuracy of 86.9% for product image classification on the public product dataset PI 100.     

交通事件持续时间预测贝叶斯网方法研究

交通事件持续时间的预测是事件管理系统的重要组成部分,根据I-880实测数据集,利用逐步回归分析的方法确定事件持续时间的主要影响因素,分别建立了应用于事件持续时间预测的朴素贝叶斯(NB)模型、加树朴素贝叶斯(TAN)模型以及一般贝叶斯网(BN)模型,在分析数据特点的基础上确定了贝叶斯网的推理算法、参数学习以及结构学习方法.在不同数据缺失的程度和不同训练样本规模下,分别对三种模型的预测准确率进行了评价,结果表明贝叶斯网预测模型在数据缺失30%的情况下30min准确率高于80%.     

基于多SVM分类器融合的高速公路异常事件检测方法

提出了一种利用多SVM分类器对高速公路中的复杂交通信息进行有效融合的异常事件检测方法.首先,将初始训练集划分为互不重叠的子集,为每个子集训练分类器.给定一个输入向量,利用分类器求得其所属的类别标签,并计算出该向量对特定簇的隶属度.其次,利用概率方法将多SVM分类器分类结果进行融合,得到最终分类结果.接下来,将“车流量”、“行车速度”、“道路占用率”、“相邻监测站的车流量差值”、“速度差值”以及“道路占用率差值”等交通参数表示为特征向量,分别输入到经过训练的SVM分类器,并将多SVM分类器融合后的分类结果作为判别异常事件的依据.最后,从5个具有代表性的高速公路路段采集到的交通数据构造实验数据集.实验结果表明,对比单一SVM和LS-SVM,文章提出的基于多SVM分类器融合的高速公路异常事件检测方法可以有效提高高速公路异常事件检测的准确性和可靠性,弥补了仅使用单一交通参数进行异常事件检测的不足.     

基于特征脸和LS-SVM分类器的人脸性别分类

提出使用特征脸和最小二乘支持向量机(LS-SVM)分类器相结合进行人脸性别分类.我们首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数.使用训练样本投影系数训练LS-SVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率,实验结果表明LS-SVM分类要比其他分类算法有更好的优越性.在实验中我们也使用交叉验证来确定特征脸数目和核函数参数.     

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

船载散装化学品事故风险等级预测研究

化学品泄漏对环境的影响特别难以解决,因为它们是更难以或不可能直观地观察,而且与表面溢油相比涉及更多的水体污染.此外,有数以千计的化学物质可能会溢出,这些物质各种各样的理化特性导致影响它们的归宿和行动模式有很大的不同.在给定的分类体系下,基于贝叶斯算法自动识别事故类别技术,结合贝叶斯分类器算法预测船载散装化学品泄漏事故风险等级.     

一种半监督的汉语词义消歧方法

为了解决自然语言处理领域中的一词多义问题,本文提出了一种利用多种语言学知识和词义消歧模型的半监督消歧方法. 首先,以歧义词汇左、右邻接词单元的词形、词性和译文作为消歧特征,来构建贝叶斯 （Bayes） 词义分类器,并以歧义词汇左、右邻接词单元的词形和词性作为消歧特征,来构建最大熵 （maximum entropy,ME） 词义分类器;其次,采用Co-Training算法并结合大量无标注语料来优化词义消歧模型;再次,进行了优化实验,在实验中,使用SemEval-2007:Task#5的训练语料和哈尔滨工业大学的无标注语料来优化贝叶斯分类器和最大熵分类器;最后,对优化后的词义消歧模型进行测试. 测试结果表明:与基于支持向量机 （support vector machine,SVM） 的词义消歧方法相比,本文所提出方法的消歧准确率提高了0.9%. 词义消歧的性能有所提高.      

Learning Bayesian Networks from Data by Particle Swarm Optimization

Introduction Bayesian networks are a graphical representa-tion of a multivariate joint probability distributionthat exploits the dependency structure of distribu-tions. Bayesian networks are directed acyclicgraphs(DAG), where the nodes are random vari-abl…