基于结构性字典学习的高光谱遥感图像分类

为提高高光谱遥感图像的分类精度,提出了一种新的结构性稀疏表示及字典学习的高光谱遥感图像分类方法.该方法能同时利用高光谱遥感图像像素间的空间及光谱关系得到表示每个像素的字典,被划分为同一像素组的像素具有通用的稀疏模式;由字典计算图像的稀疏表示系数获得遥感图像的稀疏表示特征;利用线性支持向量机算法实现对高光谱遥感图像的分类.对AVIRIS和ROSIS高光谱遥感图像进行的实验结果表明:提出的方法比普通字典学习分类精度分别提高0.041 1和0.046 6,Kappa系数分别提高0.179 3和0.056 3.      

优化端元提取方法的高光谱混合像元分解

高光谱图像的混合像元分解将原始图像分解为多种纯净地物及相应的丰度,端元提取是混合像元分解的关键技术. 针对传统算法计算速度慢、搜索范围较大的特点,基于改进的ICA （independent component analysis）算法以及优化的候选端元判断方法,提出了一种优化的混合像元分解方法. 首先使用改进的算法优化端元提取方法;然后利用相邻像素的光谱特征和空间特征信息,结合并行算法对候选端元进行优化;最后利用真实的高光谱数据对该方法的性能进行了验证. 验证结果表明:该方法能有效提高端元提取精度,降低复杂度,与经典的端元提取算法N-FINDER相比,准确度提高了3.55%,解混后得到的地物分类精度有了明显改善（总体分类精度提高了2.88%）.      

Adaboost人眼定位方法改进与实现

提出了基于改进的Adaboost方法来实现人脸图片中人眼的精确定位.首先在待检测的图片中利用人脸分类器定位出人脸,然后在所得人脸图像上进一步利用人眼分类器精确定位人眼.改进后的Adaboost算法与传统方法相比,具有构建分双层分类器所需要的特征数目降低、算法精确性提高和实时性的特点.     

层次极限学习机用于高光谱图像预测绝缘子污秽度

高光谱图像具有图谱合一、光谱范围广及分辨率高等优势，能精细化地反映物质微观特性. 为此，引入高光谱成像技术以非接触式预测绝缘子污秽度. 考虑到极限学习机具有学习效率高和泛化能力强等优点，提出基于正则化约束极限学习机的绝缘子污秽度预测（extreme learning machine-insulator pollution degree prediction，ELM-IPDP）模型. 此外，为进一步提升预测性能，引入层次极限学习机从复杂的高光谱图像中学习出有效、抽象、判决性特征表示，继而建立基于层次极限学习机的绝缘子污秽度预测（hierarchical ELM-IPDP，HELM-IPDP）模型. 在不同的训练集与测试集比例和不同隐含层神经元个数的情况下分别进行实验，从实验结果可知:ELM-IPDP模型和HELM-IPDP模型的预测性能基本上随着隐含层神经元个数和训练样本的增加而不断提高；当训练集与测试集比例为9∶1时，ELM-IPDP模型的均方根误差和相关系数分别为0.040 3和0.944 7，而HELM-IPDP模型的均方根误差和相关系数分别提升到0.022 3和0.972 0.      

基于红外图像增强算法的混凝土内部缺陷检测研究

由于混凝土的不良导热性能,传统红外检测方法分辨率低、缺陷特征不明显.针对上述问题,研究了结合红外热像和增强图像算法的混凝土内部缺陷检测方法;开展了混凝土中不同深度、大小的缺陷的红外检测试验,并采用时域拟合与限制对比度直方图均衡算法相结合的方式对红外检测图像进行处理;对比了处理前后的热像图缺陷识别效果.试验结果表明:算法应用后缺陷识别所需温差从0.3℃降至0.1℃,边缘细节得到优化,提高了红外图像混凝土内部缺陷检测的精度和实用范围.该方法拓展了红外热像在混凝土无损检测中的应用范围.     

基于高光谱的复合绝缘子电晕老化状态评估

复合绝缘子由于其良好的憎水性和憎水迁移性在输电线路上得到了广泛应用，而电晕放电会造成复合绝缘子老化加剧而丧失性能. 为此提出了一种基于高光谱技术的复合绝缘子电晕老化状态评估方法. 首先，对全新硅橡胶复合绝缘片进行电晕老化，分析样本的傅里叶红外光谱变化，以傅里叶红外光谱图像作为老化状态分类的依据，将样品分为6个类别；然后，利用高光谱成像仪获取硅橡胶片表面不同波段的反射强度，采用主成分分析（principal component analysis，PCA）对原始谱线进行特征提取；最后，建立基于支持向量机的电晕老化状态评估（support vector machines-insulator corona aging status evaluation，SVM-CASE）模型，对60组预测数据进行分类验证，并对比分析了不同核函数对于模型评估准确率的影响. 高光谱检测及评估结果表明:不同老化时间下试样的高光谱图像有明显的区别，随着老化时间的增加，硅橡胶绝缘材料的光谱曲线在600～900 nm呈现反射率下降趋势；采用PCA算法进行特征提取后，利用polynomial核函数建立的评估模型的分类准确率达93.333%.      

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

一种基于Adaboost和变量筛选的LSSVM工程造价估计方法

为了实现利用较少的工程信息,快速准确的估计出工程项目的造价,提出了一种基于Adaboost-VIP的工程造价估计方法。首先采用变量投影重要性指标(variable importance in projection,VIP)法对影响工程造价的多个因素进行特征提取,然后利用最小二乘支持向量机作为非线性逼近器,建立工程造价的估计模型。为了进一步提高模型的估计精度,将自适应提升算法(Adaboost)与VIP相结合,利用Adaboost将多个弱造价估计模型进行集成,得到强造价估计模型。同时将该方法应用到建筑案例中,结果表明:VIP方法能有效地对影响因素进行筛选,简化模型结构;Adaboost-VIP模型与单一的工程造价估计模型相比,具有更高的估计性能。     

基于特征多视图提升Naive Bayesian的Boosting改进算法

AdaBoost作为一种有效的集成学习方法,能够明显提高不稳定学习算法的分类正确率,但对稳定的Naive Bayesian分类算法的提升效果却不明显．为此,利用多种特征评估函数建立不同的特征视图,生成多个有差畀的加权朴素贝叶斯（WNB）基分类器;尝试使用几种不同的方式将样本权重嵌入WNB基分类器的参数中,对WNB产生扰动,进一步增加基分类器的不稳定性．实验结果表明．对比AdaBoost所提算法．BoostMV-WNB能够明显提升WNB文本分类器的性能．     

基于Hopfield神经网络的遥感图像超分辨率识别算法

提出基于Hopfield神经网络的遥感图像超分辨率目标识别算法，它是利用模糊分类技术进行模糊分类，然后用分类结果约束Hopfield神经网络的方法．通过实验，可知Hopfield神经网络在学习样本少时．也能够输出分辨率相对较高的地物目标信息．因此．基于Hopfield神经网络的遥感图像处理方法，能够提高遥感图像的目标分辨率．使其目标特征信息更清晰．     

A Two-Stage Feature Selection Method for Text Categorization by Using Category Correlation Degree and Latent Semantic Indexing

With the purpose of improving the accuracy of text categorization and reducing the dimension of the feature space,this paper proposes a two-stage feature selection method based on a novel category correlation degree(CCD)method and latent semantic indexing(LSI).In the first stage,a novel CCD method is proposed to select the most effective features for text classification,which is more effective than the traditional feature selection method.In the second stage,document representation requires a high dimensionality of the feature space and does not take into account the semantic relation between features,which leads to a poor categorization accuracy.So LSI method is proposed to solve these problems by using statistically derived conceptual indices to replace the individual terms which can discover the important correlative relationship between features and reduce the feature space dimension.Firstly,each feature in our algorithm is ranked depending on their importance of classification using CCD method.Secondly,we construct a new semantic space based on LSI method among features.The experimental results have proved that our method can reduce effectively the dimension of text vector and improve the performance of text categorization.     

基于车载视觉的行人检测与跟踪方法

为提高城市交通环境下车辆主动安全性,保障行人安全,提出了基于车载视觉传感器的行人保护方法. 利用Adaboost算法实现行人的快速检测,结合Kalman滤波原理跟踪行人,以获取其运行轨迹.该方法利用离散 Adaboost算法训练样本类Haar特征,得到识别行人的级联分类器,遍历车载视觉采集的图像,以获取行人目 标;结合Kalman滤波原理,对检测到的行人目标进行跟踪,建立检测行人的动态感兴趣区域,利用跟踪结果分 析行人的运行轨迹.试验表明:该方法平均耗时约80ms/帧,检测率达到88%;结合Kalman滤波原理跟踪后,平 均耗时降到55ms/帧,实时性较好.      

Feature extraction and modeling of welding quality monitoring in pulsed gas touch argon welding based on arc voltage signal

Arc sensing plays a significant role in the control and monitoring of welding quality for aluminum alloy pulsed gas touch argon welding （GTAW）. A method for online quality monitoring based on adaptive boosting algorithm is proposed through the analysis of acquired arc voltage signal. Two feature extraction algorithms were developed in time domain and frequency domain respectively to extract six statistic characteristic parameters before removing the pulse interference using the wavelet packet transform （WPT）, based on which the Adaboost classification model is successfully established to evaluate and classify the welding quality into two classes and the classified accuracy of the model is as high as 98.81%. The Adaboost algorithm has been verified to be feasible in the online evaluation of welding quality.     

Latent Supportive Utility of Irrelevant Attributes in Feature Selection

This paper proposed a novel feature selection method LUIFS (latent utility of irrelevant feature selection) that not only selects the relevant features, but also targets at discovering the latent useful irrelevant attributes by measuring their supportive importance to other attributes. The method minimizes the information lost and simultaneously maximizes the final classification accuracy. The classification error rates of the LUIFS method on 16 real-life datasets from UCI machine learning repository were evaluated using the ID3, Nave-Bayes, and IB (instance-based classifier) learning algorithms, respectively; and compared with those of the same algorithms with no feature selection (NoFS), feature subset selection (FSS), and correlation-based feature selection (CFS). The empirical results demonstrate that the LUIFS can improve the performance of learning algorithms by taking the latent relevance for irrelevant attributes into consideration, and hence including those potentially important attributes into the optimal feature subset for classification.     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。     

BP神经网络在企业财务预警中的应用

根据预警系统体系指标的要求,对企业财务预警指标进行了筛选。采用BP神经网络预测与Adaboost算法相合的分析方法,对采集的样本数据建立了强分类器并进行了分类误差分析研究,完成了公司财务预警系统分析。结果表明:用BP_Adaboost分类算法建立的强分类器的分类误差率低于仅用BP算法建立的弱分类器的分类误差率,此法具有可行性和一定的计算精度,能为企业财务预警提供一定的理论指导。     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标；采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级；结合集成学习算法构建航路网络航段交通拥挤状态识别模型，实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%，采用决策树基学习器优于k 近邻基学习器，且增加的集成学习基学习器数量可提升模型的识别精度；集成学习识别模型的识别性能优于BP神经网络模型，识别方法符合实际且具有应用价值.     

Multi-Model Ensemble Deep Learning Method to Diagnose COVID-19 Using Chest Computed Tomography Images

Deep learning based analyses of computed tomography (CT) images contribute to automated diagnosis of COVID-19,and ensemble learning may commonly provide a better solution.Here,we proposed an ensemble learning method that integrates several component neural networks to jointly diagnose COVID-19.Two ensemble strategies are considered:the output scores of all component models that are combined with the weights adjusted adaptively by cost function back propagation;voting strategy.A database containing 8347 CT slices of COVID-19,common pneumonia and normal subjects was used as training and testing sets.Results show that the novel method can reach a high accuracy of 99.37％ (recall:0.9981;precision:0.9893),with an increase of about 7％in comparison to single-component models.And the average test accuracy is 95.62％ (recall:0.9587;precision:0.9559),with a corresponding increase of 5.2％.Compared with several latest deep learning models on the identical test set,our method made an accuracy improvement up to 10.88％.The proposed method may be a promising solution for the diagnosis of COVID-19.