基于Adaboost方法的高速公路事件检测

阐述Adaboost方法原理及算法,提出采用Adaboost方法结合神经网络算法进行高速公路事件检测,给出了基于Adaboost方法的事件检测算法。该算法可以明显提升神经网络算法性能,适合进行高速公路事件检测,仿真实验结果表明了该算法的有效性和可行性。     

基于Adaboost算法的高速公路事件检测

本文介绍Adaboost方法的基本原理及算法;阐述了高速公路事件检测原理并进行了参数选择,确定了神经网络的结构,提出利用Adaboost方法进行高速公路事件检测并给出了该方法事件检测的算法步骤,最后进行了仿真实验。实验结果表明,该算法可以大大提高弱分类算法的性能,具有较高的检测率和较低的误报率,适于高速公路事件检测。     

基于Adaboost算法的交通事件检测

提出一种Adaboost BP神经网络的交通事件检测方法:以上下游的流量和占有率作为特征,用BP神经网络作为分类器进行交通事件的自动分类与检测.在BP神经网络的训练过程中,提出一种新的训练算法,提高了神经网络的分类能力.为了进一步提高神经网络的泛化能力,采用改进的Adaboost算法,进行网络集成.运用Matlab进行仿真分析.结果表明所提出的交通事件检测算法具有较好的检测性能.     

基于Boosting算法和RBF神经网络的交通事件检测

提出一种新颖的基于Boosting RBF神经网络的交通事件检测方法。对Boosting算法进行改进,采用更有效的参数求解方法,即弱分类器的加权参数不但与错误率有关,还与其对正样本的识别能力有关。以上下游的流量和占有率作为特征,将RBF神经网络作为分类器进行交通事件的自动分类与检测。为了进一步提高神经网络的泛化能力,采用Boosting方法进行网络集成。最后运用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。     

基于概率神经网络的高速公路事件检测

针对高速公路事件检测这一非线性分类问题,提出一种基于概率神经网络的事件检测方法。阐述了概率神经网络的结构与训练算法,分析了事件对交通流的影响规律,并合理地选取了概率神经网络的输入量,用高速公路管理部门提供的样本数据进行了仿真研究。仿真实验表明,基于概率神经网络的事件检测方法具有学习速度快、泛化能力好、检测准确率高等优点,具有良好的应用前景。     

高速公路RBF神经网络限速控制

针对高速公路限速控制是一个非线性时变系统、难以用数学模型准确建模这一特点,提出了RBF神经网络控制方法。阐述了RBF神经网络的结构和训练方法,根据高速公路主线上车辆数目以及路面状况、气象条件等信息,建立交通流速度控制RBF神经网络模型,并进行了仿真研究。该网络学习速度快、自适应强,泛化能力好,对交通流限速控制的在线建模具有重要意义。     

基于神经网络扩张的Adaboost人脸检测算法

人脸检测是人脸研究中的重要部分,Adaboost算法检测速度虽快,但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法,并通过实验表明该方法在原有Adaboost算法的基础上,降低了错检和重复检测率,提高了正负样本判断正确的概率。     

Adaboost集成BP神经网络在火电厂SO2浓度检测中的应用

针对火电厂在线SO2浓度检测中,检测精度受到温度、压力(大气压及烟气压力)、燃煤质量、水分含量、电子器件噪声、光学镜片老化、气体吸收峰值交叉干扰等多种因素的干扰,很难以单一方法进行改进这一问题.以国内某中型火电厂2015年实际生产数据为依据,设计预处理装置完成气体的前期处理,以尽可能达到分析仪分析要求(温度、流量、含水量等),减少可预见干扰,采用Adaboost算法集成BP神经网络进行优化,降低其他因素对检测结果的干扰,仿真测试分析,证明了该方法的有效性.     

Adaboost集成BP神经网络在传感器阵列检测系统中的应用

针对目前常见的多元有害气体检测问题,设计并搭建了一种基于传感器阵列和集成 BP神经网络相结合的传感器阵列检测系统。在该系统中采用集成BP神经网络对传感器阵列的三种混合有害气体的响应信号进行回归分析。为了提高集成BP神经网络的预测准确性,又利用Adaboost算法对集成BP神经网络进行了优化。结果显示：该系统能够准确地检测气体组分,通过Adaboost算法对集成BP神经网络优化后,预测的平均相对误差小于2%,能够有效解决气体传感器的交叉敏感问题,提高传感器的选择性。     

基于RBF神经网络的入侵检测优化算法研究

入侵检测系统在保障信息安全方面起着重要的作用,对入侵检测系统智能性的研究是当前信息安全领域的研究热点.针对入侵检测系统存在的离漏报率和误报率等缺点,在对RBF(Radial Basic Functions径向基函数)神经网络优化算法进行对比研究的基础上,利用遗传算法优化传统RBF算法的网络初始权重,成功地将GA-RBF...     

基于改进的Adaboost算法的交通事件自动检测

针对交通领域中的事件检测(无事件模式和事件模式)模式识别问题,提出了一种基于改进的Adaboost算法的交通事件检测方法。阐述了Kohonen神经网络的结构与训练算法,分析了事件对交通流的影响规律,并合理地选取了Kohonen神经网络的输入量;最后采用改进的Adaboost算法对分类结果进行加权投票。仿真实验表明,提出的方法学习速度快、泛化能力好,对交通事件具有较好的检测效果。     

基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。     

基于Boosting RBF神经网络的入侵检测

提出一种新颖的基于boosting RBF神经网络的入侵检测方法。将模糊聚类和神经网络技术相结合,提出基于改进的FCM算法和OLS算法相结合的FORBF算法,为了提高RBF神经网络的泛化能力,采用Boosting方法,进行网络集成。以“KDD Cup 1999 Data”网络连接数据集训练神经网络并仿真实验,得到了较高的检测率和较低的误警率。     

基于模糊聚类支持向量机的高速公路事件检测

高速公路自动事件检测(AID)系统作为智能交通系统(ITS)的重要组成部分,通过及时发现高速公路上发生的事故隐患,尽量减少事故发生的不利影响,可以有效地减少交通延误,保障道路安全,减少环境污染。文章采用一种强有力的分类工具—支持向量机(SVM)来进行高速公路事件检测,针对数据集在支持向量机中所起作用的不同以及可能存在噪声及孤立点的情况,采用了一种改进的模糊C均值聚类方法对训练样本进行预处理,大大地减少了训练样本数量,提高了支持向量机的训练速度,并且具有很好的鲁棒性。仿真实验的结果表明了该方法的可行性和有效性。     

基于人工免疫分类器的高速公路事件检测

采用一种有限资源人工免疫分类器研究高速公路事件检测问题.阐述了人工免疫识别系统(AIRS)的算法,然后分析了高速公路事件对交通流的影响,并选取多个时刻的上游流量、上游占有率和下游流量、下游占有率作为AIRS的输入量,最后用高速公路管理部门提供的样本数据进行了仿真实验.实验结果表明,人工免疫分类器具有很快的学习速度和较高的分类精度,它为高速公路事件检测提供了一种切实可行的新途径.     

基于改进RBF神经网络的入侵检测研究

近年来,神经网络技术在入侵检测中得到了广泛应用,其中最具代表的是BP神经网络,但其本身所具有的局部极小性质限制了检测性能的提高。RBF神经网络在一定程度上克服了BP神经网络存在的问题,但如何确定一个合适的RBF网络隐层神经元中心个数又是保证其应用效果的关键之一。因此,将基于熵的模糊聚类和RBF神经网络相结合,提出了基于EFC的改进RBF神经网络算法,并将该方法应用于入侵检测研究。实验表明,该算法可以获得满意的性能。