共查询到10条相似文献,搜索用时 15 毫秒
1.
《公路交通科技》2017,(11)
不同的裂缝类型关系到不同养护策略。SVM在解决小样本、非线性、高维度问题时具有较大优势,通过采用不同的SVM分类方法和核函数对常用的数据集中的样本进行分类结果对比,选取了RBF核函数和One-against-All的分类方法。但分类结果仍然满足不了路面养护要求。由于Adaboost选择不同的样本进行训练,改变了训练样本的数据分布。每次迭代都会计算得到一个分类效果最佳的弱分类器及其所在总体分类器中的权重。随着迭代次数的增加,最终由弱分类器迭代生成的强分类器的分类误差最小。提出了SVM-Adaboost分类器动态的对SVM参数进行优化。试验结果表明,应用基于SVM-Adaboost的裂缝分类算法对指定样本进行测试,横向裂缝准确率87.48%,纵向裂缝准确率95.37%,网状裂缝准确率94.9%,块状裂缝准确率89.7%。该方法可以提高组合分类器整体的分类精度。 相似文献
2.
3.
基于遗传算法的改进AdaBoost算法在汽车识别中的应用 总被引:1,自引:0,他引:1
将遗传算法应用于以SVM为弱分类器的AdaBoost算法,产生了一种识别率高,泛化能力好的强分类器,本文称之为GA-AdaBoostSVM算法。该算法先训练多个支持向量机作为弱分类器,然后用AdaBoost算法将多个弱分类器组合成一个强分类器,在组合的同时采用遗传算法对各弱分类器的权值进行全局寻优。此算法特点在于:(1)传统的Ad-aBoost算法,对所有弱分类器的权值无法给出一个最优的组合,GA-AdaBoostSVM算法用遗传算法对弱分类器的权值进行全局寻优,得到的强分类器具有更高的识别准确率。(2)为提高强分类器的泛化能力,在训练弱分类器时,合理调整RBF核的参数,使各个弱分类器在准确率和差异性之间得到折中,从而提高整合后的强分类器的泛化能力。最后,通过试验与传统AdaBoostSVM进行对比,表明GA-AdaBoostSVM的优越性。 相似文献
4.
5.
针对大范围快速的车辆检测与计数,利用高分辨率卫星影像数据,提出了一种基于区域卷积神经网络的车辆检测算法。区域卷积神经网络是深度卷积神经网络和区域建议网络二者的结合。首先利用深度卷积神经网络自动提取各个层的特征,为了减少检测窗口的数量,提出区域建议网络,对下采样后的每个位置考虑3种窗口和对应的3种比例,这样大大减少了检测窗口的数量。再根据分类器对目标进行分类。这样将特征、检测窗口和分类器有效地结合在一起。在对遥感影像车辆检测试验中,通过对手工标注的车辆样本数据多次迭代来训练卷积神经网络和区域建议网络获取车辆检测的先验模型,再由先验模型检测出测试影像中车辆目标。与传统的基于梯度方向直方图(HOG)特征和支持向量机(SVM)车辆检测算法进行比较,在检测率方面,区域卷积神经网络算法明显高于HOG+SVM算法;在误检率方面,区域卷积神经网络检测明显小于HOG+SVM算法;在检测时间方面,同样的一张图像,区域卷积神经网络检测速度比HOG+SVM算法提升近800倍。试验结果表明:利用区域卷积神经网络方法进行大范围车辆检测,在精度和速度方面都有显著提升。 相似文献
6.
针对当前冲突探测技术难以同时实现精准识别与实时识别的问题,研究基于概率神经网络(PNN)的通用航空器冲突探测方法.将冲突探测视为模式识别问题,通过冲突模型分析,提出了航空器"冲突角"概念,改进了现有冲突识别方法采用的关键特征指标,将原有的4个关键特征指标提炼为3个指标,分别为航空器相对距离、相对速度以及冲突角,以此构造概率神经网络,训练形成神经网络分类器.结果表明,基于3关键特征的概率PNN冲突分类器分类误警率和漏警率保持在1%左右,在冲突误警率上优于基于4特征的SVM冲突分类器的6%,提高了航空器冲突探测的准确度;分类所耗时间始终保持在1.2 s左右,远低于Monte Carlo仿真方法的同时,较4特征分类器也降低了0.2 s左右,提高了冲突识别效率. 相似文献
7.
针对应用RBF神经网络识别路面不平度的输入选择、输入方案确定和识别效果评价3个问题,提出了一种解决方法。对RBF神经网络和训练过程进行了分析,选择车辆可以测试的车辆响应作为RBF神经网络输入,引入正交试验设计确定RBF 神经网络输入方案,采用相关系数和均方根误差作为RBF神经网络识别效果的评价指标。通过采用车辆和路面不平度系统4自由度平面模型仿真获得车辆响应和前轮路面不平度,应用RBF神经网络对常用路面等级和常用车速行驶下某汽车的前轮路面不平度进行了识别。结果表明,所提出的方法解决了基于RBF神经网络识别路面不平度的3个问题,可以用于其它神经网络识别路面不平度。 相似文献
8.
9.