基于随机森林的气味感知分类研究

机器嗅觉是一种基于传感器阵列与计算机算法模拟生物嗅觉的新兴仿生技术,气味物质气味表征是机器嗅觉值得研究的领域,目前嗅觉感知处于初级研究阶段,气味的通用分类理论基础还不成熟。本文从物质气味电子信息角度出发,利用采集样本中相对均衡香型数据,通过机器学习算法及参数调整、网格搜索等模型优化手段,提出基于电子鼻数据的物质气味分类模型,建立物质气味电子鼻信息与感知联系,实验结果表明,基于随机森林的气味分类在各评价指标上表现突出,平均准确率达到93.6%,随机森林模型相比其他机器学习算法表现优异。     

基于时频域分析和随机森林的故障电弧检测

针对生活用电器品种繁多,不同类型用电器之间的故障电流与正常电流波形可能类似,导致传统的故障电弧识别方法不能有效检测的问题,提出一种时频域分析与随机森林结合且适用于多种典型负载单独或混合工作的串联型低压故障电弧识别方法.根据收集到的多种负载频谱与纯阻性负载频谱的相关系数,将负载分为开关电源型负载和非开关电源型负载,分别训...     

基于改进随机森林算法的电力业务实时流量分类方法

为了更有效地对电力业务系统安全接入过程中日渐增多的流量进行实时分类,提高电力系统的业务处理速度,提出了一种基于改进随机森林算法的电力业务实时流量分类方法。在分析电力业务安全接入实时流量特征的基础上,改进传统随机森林算法,基于分类间隔加权对随机森林进行修剪来提高分类实时性;对新的样本数据进行数据剪辑来提高分类的准确性。在此改进算法的基础上设计了电力业务安全接入实时流量分类流程。最后以某省电力公司安全接入实时流量分类为例,验证了所提方法的准确性和实时性。     

基于多标签随机森林的电能质量复合扰动分类方法

提出一种多标签随机森林(Multi-label Random Forest, ML-RF)分类算法,并将其应用于电能质量复合扰动分类。ML-RF是基于多标签决策树(Multi-label Decision Tree, ML-DT)的集成学习算法,利用子决策树的组合来增强分类器的整体性能。首先对电能质量扰动信号进行平稳小波变换,计算各层分解系数的小波能量熵作为分类特征向量。然后使用Bootstrap自助法和子空间采样构造不同的训练集训练子决策树。最后组合子决策树得到ML-RF分类器,并对复合电能质量扰动进行分类。仿真结果表明,在不同噪声情况下,该方法均能有效进行复合扰动的分类,具有较好的噪声鲁棒性,是复合电能质量扰动分类的一种可行方法。     

基于特征重要性加权的随机森林点云分类研究

针对传统的随机森林模型构建时样本选取的随机性导致随机森林中包含了大量分类精度较低、分类性能相似的决策树分类器,进而影响整体随机森林模型分类精度与效率的问题,该文提出了一种基于特征重要性加权投票的随机森林算法。从决策树分类精度、不一致度量两方面剔除分类精度较低、分类性能相似的决策树,依据整体随机森林与单棵决策树特征重要性之间的相似性,计算每棵决策树的投票权重,提高了三维点云分类精度与分类效率。实验表明,改进后的随机森林分类算法照比传统的随机森林、支持向量机、决策树、神经网络、基于点特征分类方法分别提高了0.20%、15.159%、5.893%、6.316%、28.935%。在分类效率上,改进的随机森林照比传统的随机森林减少了约75%的时间。     

基于随机森林的电能质量综合评估

电能质量的准确合理评估对建立公平的电力市场有着重要意义。针对目前电能质量评估中受人为因素影响较大的问题,借助随机森林处理分类问题的高度准确性,建立了基于随机森林的电能质量综合评估模型。以电能质量的6项评估指标为特征值将电能质量划分为5个等级,并以此生成随机森林的样本集,利用样本集生成多个电能质量综合评估树形分类器,通过投票的方式对电能质量所属等级进行划分。通过两例电网电能质量数据的分析计算,验证了评估模型的有效性。该模型避免了评估过程中的人为干扰,具有很强的泛化和抗噪能力,在电网电能质量综合评估中具有很好的应用前景。     

基于通用距离测量的机器学习方法用于图像分类和聚类

针对图像分类识别问题,提出了一种用于图像特征提取的新方法.首先定义了基于图像字符串的复杂度和以及通用图像距离(UID),然后依次提出了测量通用图像距离的UID距离测量算法,在维持特征类别之间的固有差异条件下对图像原型进行选择的原型选择算法,利用原型选择算法创建图像的特征向量表示从而生成待分类图像的特征向量的特征向量生成算法,最后基于前述算法提出了对图像的感兴趣区域进行分离的图像分类学习算法.将所提出的方法应用于卫星图像数据的几个监督和非监督学习实验,结果表明文中所提方法效果理想.     

基于颜色空间变量的输电线图像分类及特征提取

针对输电线图像背景复杂多变和单一图像处理方法难以有效处理各种背景类型输电线图像的问题,提出一种基于颜色空间变量的输电线图像分类及特征提取方法。首先根据输电线图像各颜色空间的变量值与图像特征之间的关系对图像进行分类。然后根据不同类别图像特征选用适合的滤波方法通过两次滤波结合去噪,并采用自适应直方图分段均衡化增强图像对比度。通过对Otsu算法得出的阈值进行线性变换确定canny边缘检测参数,提取输电线路边缘。最后根据输电线形状特征和概率霍夫直线变换与形态学运算提出一种边缘优化方法,较好地去除非输电线边缘。结果表明:该方法可以有效处理各种背景类型图像,为输电线路图像智能化处理提供了一种新的思路和方法。     

基于随机森林算法的电动汽车充放电容量预测

文中提出一种电动汽车充放电容量的组合预测方法.首先,基于电动汽车历史充电数据和用户参与电动汽车与电网互动(V2G)意愿的调查数据,分析车辆荷电状态(SOC)特性、出行时间特性以及用户对价格的敏感度,建立随机森林分类模型,判断车辆是否参与V2G调度,并对影响用户决策的特征因素进行重要性评估.其次,采用蒙特卡洛方法模拟电动汽车出行和充放电情况,并分别预测充放电容量.最后,以办公区为例进行仿真,对比分析多种充放电模式下的电动汽车充放电行为与负荷分布.所构建的随机森林分类模型的准确率为0.917,能够有效区分V2G计划时段内电动汽车的充放电行为,仿真结果验证了所提预测框架的有效性.     

基于双通道特征融合编解码网络的极化SAR图像分类

图像分类是极化合成孔径雷达(PolSAR)图像解译的关键。传统卷积神经网络(CNN)逐像素的分类,造成卷积的重复计算。PolSAR图像存在丰富的信息,包括极化相干信息与极化分解信息,因此如何融合信息实现高效分类至关重要。基于极化散射特征分析,以U＿net网络模型为基础,提出了双通道特征融合编解码网络,该网络使用注意力机制特征融合模块将极化相干信息和极化分解特征整合到语义分割框架中,辅助深度CNN分类器训练,实现高精度像素级的标记,同时加入空间金字塔结构有效的提取多尺度特征。该网络结构避免了逐像素切片重复计算,有效提升计算效率。利用AIRSAR获取的旧金山地区PolSAR数据和海南博鳌地区机载PolSAR数据进行试验研究,试验结果两个地区总体分类精度(OA)分别达到97.11%与99.97%,验证了提出的分类方法的有效性与较好的应用价值。     

基于机器视觉的障碍物危险层次划分系统

针对传统的障碍物危险层次划分时出现的过量周期、纬度灾难的问题,该系统采用对称性的FIR滤波器,这种方式利用对称性优化滤波器系数只需要N/2个乘法和N个加法,可以生成自适应的障碍物数据,缩短滤波器响应的时间;在维度灾难的问题中,该系统采用主成分分析的方式实现降维,在考虑障碍物的危险程度、距离、运动状态等多种特征参数的情况...     

基于统计特征分类耦合自适应 Gamma校正的图像增强算法

为了避免图像在亮度增强时导致其颜色失真,且在局部易出现过增强等问题,设计了统计特征分类耦合自适应Gamma校正(adaptive Gamma correction,AGC)的图像增强算法,以更好提高图像细节与视觉效果。首先,将输入图像转换为HSV空间,使颜色与亮度分离,使其在增强亮度通道时不改变像素的原始颜色,有效降低颜色失真。然后,考虑不同图像的性质,利用统计信息将图像分类为高、低两种对比度,每种对比度又分为亮、暗两类。其次,基于传统的Gamma校正方法,通过对于不同类型的图像进行动态参数设置,形成一种AGC机制,从而为不同类型图像的构建了不同的增强函数,以完成不同类别图像的增强处理。实验数据表明,与当前流行的增强算法相比,所提算法具备更高的增强效果,呈现出更为自然的亮度与对比度,且保持了更多的颜色信息。     

基于分段改进S变换和随机森林的复合电能质量扰动识别方法

各类分布式设备和智能设备接入电力系统,使得电力系统对电能的波动越来越敏感,这导致对电能质量扰动(PQD)的识别和处理变得越来越重要。通过将分段改进S变换(SMST)和随机森林(RF)算法相结合,提出了一种用于复杂噪声环境下PQD识别的新方法。首先,基于检测误差和峰度对SMST的不同频段进行分别调参,并使用SMST提取待检测信号的75种时频特征,构成原始特征集。然后,改进分类回归树(CART)的节点分裂过程,加入了离散值处理策略并使用Gini指数的下降作为新的节点分裂规则。同时,在下次节点分裂前,将基尼指数下降值为零的特征从特征集中删除。最后,使用改进的CART算法构建了RF分类器并对复合PQD信号进行分类。实验证明,在不同的信噪比条件下,新方法均能有效识别多数单一PQD信号和常见的双重复合PQD信号。虽然新方法在运行效率方面仍有一定的改进空间,但其在不同层面上的改进均能有效提升PQD识别精度,且平均分类精度明显高于各类传统PQD识别方法。