基于集成分类器的流量识别技术研究

本文提出的基于集成分类器的流量识别技术,由针对不同网络应用的基分类器构成,不同基分类器的判断汇总到决策模块输出最终结果,具有良好的可扩展性,便于增添针对新应用的识别模块;在每个基分类器内部,网络流量首先经过聚类形成若干个簇,在每个簇上单独训练一个分类器,分类器专注于学习簇内部的分类边界;通过增加聚类数量,可以提高集成分类的识别准确率。经实验表明,该技术可以提高单一分类方法的准确性。     

基于特征选择的SVM选择性集成学习方法

本文提出了一种结合SVM的选择性集成学习方法。算法基于集成学习的基本框架,通过对输入的训练子集进行特征选择处理并对随后的基分类器进行泛化能力的排序和选择,形成了一个新的集成分类器,以提高性能。文中试验采用UCI数据集与传统的Bagging算法做对比,结果表明本文算法可以有效地改善分类效果。     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

基于MATLAB人脸检测实现方法在智能安防系统中的应用

文章通过研究人脸检测技术及实现方法,使用MATLAB软件作为人脸检测算法研究的实验平台,对比不同人脸检测算法的优劣。系统实现选用Adaboost人脸检测算法,积分图方法计算样本的矩形特征值,提取Haar-like特征经过训练迭代构建人脸模型的弱分类器,权值优化后训练强分类器。在小型智能安防系统中,通过实时进行人脸检测与系统后台数据库进行识别对比,保障区域环境安全可靠发挥重要作用。     

基于稀疏MK-LSSVM的高光谱图像不平衡分类

针对高光谱图像分类中没有考虑高光谱数据地物种类复杂、数据规模较大以及样本分布不规则而导致的少数类分类精度较低,分类器鲁棒性差的问题,提出一种基于稀疏多核最小二乘支持向量机(Multiple Kernel Least Squares Support Vector Machine,MK-LSSVM)的高光谱图像不平衡分类方法。该方法先用k均值聚类将多数类的训练样本分为k类,然后利用采样技术对每一群组中的样本进行处理与少数类样本均衡,最后建立最MK-LSSVM分类器。该方法对于MK-LSSVM不稀疏的问题,引入了压缩感知理论对其进行稀疏求解。实验表明本文提出的分类方法提高了少数地物的分类精度,同时减少了标准支持向量机训练样本时间消耗大的问题。     

基于改进的LogitBoost算法的垃圾网页检测研究

实现垃圾网页的有效检测可以有效提高搜索引擎检索质量,促使网页的设计向着面向用户的方向发展。由于垃圾网页是面向搜索引擎设计的,正常网页是面向用户设计的,因而两者在特征方面存在众多区别,通过机器学习方法可以根据垃圾网页与正常网页在特征方面的不同对垃圾网页进行有效识别。通过对常见单分类器和集成学习分类器处理垃圾网页数据集的对比实验,发现集成学习方法 logitboost较为突出,所得结果明显优于单一分类器和常用集成学习算法,所得结果也更接近真实值,并通过对logitboost所用的预处理方法和基分类器进行改进,发现用resample对垃圾网页进行预处理,以REPTree算法为基分类器的logitboost算法对垃圾网页数据集的分类有较高的精确度。     

浅谈多分类器动态集成技术

分类器集成技术已成为机器学习和数据挖掘等领域的一个研究热点。随着时代的进步和科学技术的不断发展,在应用领域中人们对分类技术有了更高的要求。分类器动态集成技术作为一种改进的有效技术以满足人们深层次的需求。本文首先介绍分类器集成的背景、框架和单分类器的集成方式,在此基础上引入多分类器动态集成技术的原理、方法,最后阐述分类器动态集成技术在应用中存在的一些不足之处。     

基于机器学习算法的空调系统运行数据噪声识别与清洗技术研究

当前空调系统运行数据预处理方面的研究相对较少。分析了空调系统运行数据质量问题,论述了空调系统运行数据噪声识别与清洗的重要性。阐明了机器学习中K-Means聚类算法的模型实现,分析了基于K-Means聚类算法对运行数据进行数据噪声识别的方法;在噪声数据识别的基础上,构建了空调系统运行数据的数据噪声清洗技术。利用实际的空调系统数据进行算法的具体应用,以空调系统的180组实际运行数据为样本,应用K-Means聚类算法进行数据判别,识别出180组数据中存在的噪声数据,并进行了噪声数据的数据清洗,对每一步的噪声数据处理进行详细的说明。研究结果表明,基于K-Means聚类算法,可以有效识别和清洗空调系统运行数据中的异常值和噪声值,为后续的数据挖掘工作奠定良好的数据基础。     

基于集成学习算法的土石混合体斜坡稳定性预测模型研究

由于土石混合体具有显著的非均质性,导致土石混合体斜坡的稳定性难以预测。为此,基于49个土石混合体斜坡实例样本,选择含石率、基覆面倾角、坡高和坡角4个数据特征作为输入参数,将斜坡稳定性系数作为预测对象,采用Boosting、Bagging、Stacking 3种集成学习算法将各个基学习器的预测结果合并后输入线性回归模型,构建了斜坡稳定性预测模型,并且对比分析了3种算法模型在优化前和优化后的预测结果。结果表明：在3种算法模型中,Boosting算法模型的预测精度相对最高;在通过果蝇优化算法优化后,3种算法模型的预测精度都得到显著提升,而Boosting算法模型仍具有最高的预测精度,FOA-Boosting的R2值接近1。     

Entropy-KNN算法在岩性识别中的应用研究

为解决辽西隧道三号斜井正洞至出口区间岩性结构复杂多变、岩体破碎,识别岩性困难问题,利用该研究区隧道超前地质预报数据,经过滤波,得到岩石力学参数,提出基于属性值信息熵的Entropy-KNN分类模型识别岩性,使分类精度由70.3%提高至78.5%。KNN分类算法适合于多分类、多重合分类问题,可应用于岩性识别中。传统KNN方法只考虑不同类别临近点样本个数,距离加权-KNN方法只考虑不同类别临近点样本个数平均距离,分类效果欠佳。Entropy-KNN分类将传统KNN、距离加权-KNN与属性值信息熵结合,区别对待不同特征和不同样本点,为基于岩石力学参数识别岩性提供一种新的思路。