排序方式: 共有95条查询结果,搜索用时 46 毫秒
81.
提出一种新颖的基于boosting模糊分类的交通事件检测方法。该方法利用Boosting方法和遗传算法以迭代形式获取一组模糊规则及规则对应的权值,分类器以加权投票方式进行分类决策。运用Matlab 进行了仿真分析,结果表明提出的交通事件检测算法利用较少样本数据即可快速实现交通事件检测。 相似文献
82.
为了提高鉴别式学习策略训练的贝叶斯网络分类器的分类精度,分析了贝叶斯网络结构与数据中变量分布之间的差异对贝叶斯网络分类器性能的影响,实验以网络结构的实际联合概率分布的树型近似描述为基准,删除在条件对数似然函数极大化过程中不起作用的边,生成具有同一联合概率分布的不同描述程度的网络结构.实验结果表明,只有当网络结构表现力不足时,鉴别式参数学习才能起积极作用;而当网络结构中有多余的边时,反而容易受其制约.从而验证了网络中多余的边对分类器性能没有影响的观点是片面的. 相似文献
83.
梯级渠化结合库区航道整治工程,是山区河流航道建设的有效途径.但由于山区河流洪水期陡涨陡落、水流形态较差,梯级电站通航设计中通航水位、流量、水位变幅等参数的合理确定较为困难.结合山区河流通航设计实践,以乌江为例,研究了枢纽通航流量及相应水位计算方法,提出了满足枢纽下游航道及港口要求的对策措施. 相似文献
84.
More robust and better: a multiple kernel support vector machine ensemble approach for traffic incident detection
下载免费PDF全文
![点击此处可从《先进运输杂志》网站下载免费的PDF全文](/ch/ext_images/free.gif)
This paper presents a multiple kernel support vector machine (MKL‐SVM) ensemble algorithm to detect traffic incidents. It uses resampling technology to generate training set, test set, and training subset firstly; then uses different training subsets to train individual MKL‐SVM classifiers; and finally introduces ensemble methods to construct MKL‐SVM ensemble to detect traffic incidents. Extensive experiments have been performed to evaluate the performances of the four algorithms: standard SVM, SVM ensemble, MKL‐SVM, and the proposed algorithm (MKL‐SVM ensemble). The experimental results show that the proposed algorithm has the best comprehensive performances in traffic incidents detection. To achieve better performances, the proposed algorithm needs less individual classifiers to construct the ensemble than SVM ensemble algorithm. Thus, compared with SVM ensemble algorithm, the complexity of the ensemble classifier of the proposed algorithm is reduced greatly. Conveniently, the proposed algorithm also avoids the burden of selecting the appropriate kernel function and parameters. Copyright © 2013 John Wiley & Sons, Ltd. 相似文献
85.
86.
87.
钢渣和铁渣是伴随炼钢产生的2种典型固废。目前部分钢渣已被再生用于替代沥青混凝土中的粗骨料。为进一步提高钢渣和铁渣的再利用效率,探讨了采用不同粒径的钢渣和铁渣100%替代沥青混凝土矿料的可行性。首先基于材料微观分析技术以及集料技术指标测试方法,揭示不同粒径钢渣和铁渣的材料特征,确定适合其100%替代沥青混凝土矿料的粒径搭配方案;然后验证方案的可行性,采用Superpave方法设计沥青混凝土,优化拌和工艺,检验沥青混凝土的主要工程性能。结果表明:钢渣细集料受自身矿物胶凝活性的影响易固结成块,铁渣粗集料的技术指标不佳,因而两者不宜直接替代沥青混凝土矿料使用。采用钢渣粗集料、铁渣细集料和钢渣粉100%替代常用的石灰石矿料,结合使用高黏度的SBS改性沥青和改进型混合料拌和工艺,可制备出性能优良的沥青混凝土,且部分性能指标优势显著:其高温下的流动次数(Fn)以及低温下的断裂能分别提高了18%和23%。可见,将不同粒径的钢渣和铁渣搭配使用可实现两者在沥青混凝土中的梯级全利用。 相似文献
88.
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. 相似文献
89.
90.
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