集成学习:Boosting算法综述

Boosting是近年来机器学习领域中一种流行的、用来提高学习精度的算法.本文首先以AdaBoost为例对Boosting算法进行简单的介绍,并对Boosting的各种不同理论分析进行概括,然后介绍了Boosting在回归问题中的理论研究,最后对Boosting的应用以及未来的研究方向进行了讨论.     

车牌字符分割新方法

根据车牌字符的排列规律和字符的几何特征,本文提出了一种基于第三字符定位的车牌字符分割方法。首先．该方法在车牌定位图像上定位出车牌的第三字符,再进行字符区域的分裂和合并,针对字符缺损情况,进行了字符区域扩展,而且对字符区域高度进行了调整,最终实现了车牌字符的精确分割。     

基于VSAR的二维最大熵阈值分割算法

基于对传统二维最大熵算法各种改进方法分析,提出了一种基于判决域自动约束的二维最大熵改进算法。该算法提出了可以自动确定判决域大小的经验公式,与以往的改进算法相比,不仅减少了算法的运算量,同时具有自适应性,因而在某些应用场合具有较强的实用性。     

基于SVM的精确数-区间数回归模型建模方法

分析了现有的精确数输入和区间数输出回归算法存在的问题，提出了基于支持向量机的区间数回归建模算法,该算法把支持向量机从精确数回归分析方法推广到区间数回归分析建模方法，在小样本训练集下回归模型具有良好的泛化性能，有效地避免了现有算法中回归模型的下界可能大于上界的问题．以连续退火生产过程中冷却段出口带钢温度预测为例，通过仿真说明了该算法的有效性．     

基于神经网络的ATM网络多媒体流拥塞控制

提出了一种在用户-网络接口（UNI）处利用神经网络方法实现ATM网络多媒体流拥塞控制的新方法。在该方法中，控制器输出为信源编码率及其对应的用户百分比，即根据信源编码率及对应的用户百分比调整进入复用缓冲器多媒体流速率，从而克服了以往拥塞控制方法中仅仅调整编码率带来的对所有信源进行整体调整的缺陷，使摔制系统在信元丢失率最小情况下保证了多媒体流的质量，从而有效地利用了网络资源。本文还给出了两种实现方式，方式1中，神经网络输出层变量包括编码率及对应用户百分比，由连续编码率量化成离散值；方式2中，神经网络输出层变量只有连续的编码率，然后通过一定的换算公式计算出离散的编码率和对应的用户数。这两种实现方式中，方式1较为直观，但比方式2复杂。对话音流、视频流的仿真表明方法的有效性。     

LS-Ensem:一种用于回归的集成算法

借鉴Friedman提出的基于函数空间的梯度下降搜索的思想,提出了一种新的集成学习算法——LS-Ensem算法.该算法只要求个体函数满足一个很宽松的条件,从而避免了每轮迭代中寻找最优个体函数所需的大量计算,显著地降低了算法的计算复杂性.理论分析表明该算法具有指数级收敛速度以及良好的泛化性能,文中还给出了泛化误差的界.仿真结果验证了理论分析的结论,并且还显示出LS-Ensem算法能够有效地抑制过拟合发生.