基于肤色分割与AdaBoost算法的人脸检测

提出了一种将肤色分割与AdaBoost算法相结合的人脸检测方法。该方法利用肤色的聚类特性在YCbCr色彩空间中建立肤色高斯模型,通过形态学处理完成图像肤色区域的筛选;然后利用AdaBoost算法训练弱分类器并构成强分类器,对强分类器进行组合,形成级联分类器并对候选区域进行人脸检测,排除非人脸肤色区域,实现对不同角度人脸的正确检测。该方法可同时解决肤色分割方法对复杂背景图像的高误检率与AdaBoost算法对多姿态人脸图像的低检测率的问题。仿真实验表明,该方法具有检测率高、误检率低、适应性好及鲁棒性强的优点,对具有多姿态、多人脸和复杂背景信息的图像具有较好的检测效果,实用性得到增强。     

基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法

油中溶解气体分析(DGA)是电力变压器故障诊断的一种常用方法。然而,基于DGA的传统方法不能建立精确的数学模型,单一智能诊断方法在实际应用中存在分类能力不足等问题,导致诊断结果准确率较低。文中提出一种基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法。首先利用PSO算法对ELM模型进行优化,得到PSO⁃ELM模型,然后利用多分类AdaBoost算法对PSO⁃ELM模型进行重复迭代,得到带有不同权重的弱分类器,通过计算各分类器对测试样本的分错率,不断调整每个弱分类器的权重系数,最终利用所有弱分类器加权投票对监测数据进行故障诊断。实验结果表明,相比于BP神经网络、ELM、支持向量机(SVM),文中算法的诊断准确率分别提高16.02%、9.78%、5.62%。     

基于相似度机制AdaBoost-DBN的变压器故障层级诊断北大核心CSCD

针对传统的变压器故障诊断方法诊断精度以及泛化能力有限,提出了一种基于相似度机制AdaBoost-DBN的变压器故障层级诊断方法。首先应用层级分类思想把变压器故障诊断模型分为初级分类器和次级分类器;然后初级分类器采用Bagging-XGBoost方法,使其诊断结果与变压器油中溶解气体数据进行特征融合作为次级分类器的输入特征;最后次级分类器采用相似度机制AdaBoost-DBN方法,使用AdaBoost集成学习有效避免DBN模型过拟合效应,通过提出相似度机制为AdaBoost网络的初始样本权重赋值,克服随机因数对诊断结果的影响,进一步提高模型的诊断精度以及泛化能力。实验结果表明,相比于BP神经网络、支持向量机与DBN网络,文中方法的诊断准确率分别提高17.9%、17.3%、16.1%。     

基于BP-AdaBoost的电压暂降源识别方法

电压暂降源的准确识别对治理电压暂降问题和改善电能质量至关重要。提出了一种基于BPAdaBoost网络的电压暂降源识别方法。通过直接提取原始波形的时域特征和经S变换后的时频域特征,构建识别特征向量。针对单一分类器的分类精度和过拟合等不足,采用AdaBoost算法进行集成优化为强分类器。选取BP神经网络作为基础分类器,通过大量数据训练得出最强网络参数,得到BP-AdaBoost暂降源识别模型。应用仿真数据和实测数据验证了所提暂降源识别模型的有效性,证明所提方法识别精度高,具有工业应用前景。     

基于改进SAE-SOFTMAX的模拟电路故障诊断方法

针对传统神经网络存在层次太少以及梯度扩散问题,导致基于传统神经网络的模拟电路故障诊断效果不佳,提出一种基于堆叠自动编码器-柔性最大值分类器(SAE-SOFTMAX)的模拟电路故障诊断方法。通过搭建深层次SAE和SOFTMAX分类器的深度学习框架,利用预训练与微调的方法完成整体网络的训练。为提高网络泛化能力,使用Dropout技术对网络加以改进优化,以此提取电子电路的底层稀疏特征并完成故障模式的自动识别分类。实例研究同时给出了几种传统神经网络的诊断效果作为对比实验。实验结果说明,所提方法诊断效果与相关评价参数性能优于传统神经网络。最终得到结论,基于改进SAESOFTMAX网络架构与分层训练机制的电子电路故障诊断方法,其整体性能有所提高诊断效果更好,优于传统的神经网络故障诊断方法。     

基于图像质量的磨削表面粗糙度检测

针对当前基于机器视觉的粗糙度检测方法测量工件范围有限、采用的指标考虑因素不全面问题,提出了一种基于图像质量算法的粗糙度检测新方法。该方法在梯度相似度图像质量算法(GSSIM)的基础上,引入了区域对比度,提出了基于区域对比度和梯度结构相似度(RCGSSIM)的图像质量评价指标和相应的计算方法,并设计了一套基于图像质量的磨削表面粗糙度测量装置。实验结果表明,磨削表面粗糙度Ra与图像质量有明显的线性相关性,相比传统图像质量评价算法,RCGSSIM综合性能最好,能更好地应用于粗糙度非接触在线测量。     

基于多类AdaBoost的故障诊断算法

主要研究了多类分类AdaBoost算法,及其在多类故障诊断问题中的应用.为了解决“一对一”算法和“一对余”算法的局限性,提出了基于决策树的AdaBoost算法.利用遗传算法的全局随机搜索性能对数据集进行特征筛选,得到新的特征数据集,根据CART算法构造决策树建立AdaBoost分类器,使得决策树每一个节点的最可分类别尽...     

基于随机森林的油纸绝缘老化阶段评估

为了更准确地评估变压器油纸绝缘老化阶段,提出了一种基于EMD-SVD特征和随机森林分类器相结合的识别方法。搭建实验平台采集得到气隙缺陷样本的不同热老化阶段局部放电信号,去噪处理后对信号进行EMD-SVD特征提取得到相应局部放电信号特征量,并分别利用随机森林分类器与传统分类器BP神经网络和支持向量机对EMD-SVD特征进行分类识别。结果显示随机森林分类器识别效果优于传统分类器,对于提取的油纸绝缘局部放电信号EMD-SVD特征,随机森林分类器分类能力更强。分析表明首次将EMD-SVD特征与随机森林分类器相结合应用在油纸绝缘热老化阶段识别方面能够取得更好的效果。     

基于AdaBoost集成学习的窃电检测研究

针对传统窃电检测中单一分类方法的不足,提出一种基于AdaBoost集成学习的窃电检测算法。首先利用训练集对决策树、误差逆传播神经网络、支持向量机和k最近邻四种方法进行训练对比,提出决策树作为AdaBoost集成学习算法的弱学习器。其次通过绘制不同学习率下的分类错误率曲线,确定AdaBoost集成学习算法的学习率和弱学习器个数。最后利用爱尔兰智能电表数据集中的居民用电数据对所提算法进行测试评估,将AdaBoost集成学习算法与决策树、k最近邻、误差逆传播神经网络、支持向量机等各类单一强学习算法对比。结果表明基于AdaBoost集成学习的窃电检测算法在准确率、命中率、误检率等检测指标中最优,灵敏性分析验证了基于AdaBoost集成学习的窃电检测方法的有效性。     

数据驱动的新型电力系统断面极限估算方法

针对传统断面极限离线仿真算法计算量大、计算时间长,难以满足多运行方式精细化管理等问题,提出了一种数据驱动的基于最小冗余最大相关和AdaBoost的新型电力系统断面极限估算方法。首先对电力系统运行特征与断面极限进行相关性分析,采用最小冗余最大相关算法提取系统关键特征;然后利用AdaBoost算法进行断面极限的回归分析。实际电网算例估算结果表明了所提方法的有效性。     

基于BP神经网络的高压隔离开关分合闸监测识别

为了监视电动式高压隔离开关合闸状态,采用图像识别方法对高压隔离开关是否合闸进行监测,确保检修人员的安全。提出了一种融合NSCT和二维最大熵分割方法对图像进行分割,并提取出感兴趣区域(闸刀)。再通过像素积分投影法对闸刀分合闸情况进行特征提取,将提取到的特征值导入BP神经网络中进行训练,得出一个能够自动识别闸刀位置的分类器。将采集的图片导入BP神经网络分类器中进行识别实验论证。实验表明,处理后的图像抗噪能力强,训练出的BP神经网络对闸刀合闸状态的识别率高,达到95%以上。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表。针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法。该方法充分利用了Elman神经网络的动态特性和AdaBoost算法提高弱预测器精度的特性,使组合后的强预测器具有较强的泛化能力、估计精度和动态特性。与BP神经网络和Elman神经网络的估计精度进行比较,AdaBoost-Elman神经网络的估计精度高、动态特性好,为锂离子电池SOC估计提供了一种新的途径。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

BP神经网络对驻极体麦克图像特征识别的研究

人工神经网络是特征识别的有力工具。在研究对驻极体麦克图像识别方法的基础上，本文提出了一种用改进的BP神经网络进行图像特征的识别和学习算法，并给出了动量系数和学习率的调整方法。对比传统方法测定的结果，使用改进的BP神经网络在识别不规则特征时：减少了输入信息冗余，网络结构相对简单；神经网络输出的各项指标明显提高了精度，对麦克图像特征的平均识别正确率达到92．7％；识别速度也满足在线实时检测的要求。理论分析和实验均表明该算法能实时有效地检测出驻极体麦克图像的特性。本文为研究图像不规则特征的识别提供了一种新的方法。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于粒子群优化神经网络的水轮机振动故障诊断

为了提高水轮机振动故障诊断正判率,提出粒子群算法优化BP神经网络的水轮机振动故障诊断方法,即把通过特征提取获得的机组故障特征量作为神经网络的输入,然后利用训练好的粒子群算法优化后的神经网络进行水轮机振动故障类型诊断。诊断结果表明,该方法具有良好的分类效果,比BP神经网络诊断模型诊断精度高。