改进的AdaBoost算法与SVM的组合分类器

提出了一种改进的AdaBoost算法与支持向量机组合的分类方法,用来处理多类别分类。采用规则抽样来解决支持向量机分类中正负样本的不平衡性,改进AdaBoost算法,使其在初始化时考虑样本分布稀疏的重要性,有利于稀有类样本的正确划分。实验结果表明,此方法与标准支持向量机分类器相比,泛化性能有一定程度的提高。     

基于Adaboost的选择性样本权重更新算法

提出一种选择性样本权重更新算法 ,把 FNR和 FPR引入样本权重更新过程 ,将分类效果反馈给分类器,实现对分类器结构的有效控制 ,在样本权重更新时合理选择更新方法 ,使得分类器的 FNR或 FPR达到理想状态。实验表明 ,该算法能有效改善整个分类器的 FNR和 FPR。     

一种改进的基于权重系数的证据合成方法

针对D-S证据理论在多传感器目标识别系统中对证据高度冲突时会产生有悖于常理的结果的问题进行了研究,对现有的方法基础上给出了一种改进的融合算法。该算法通过引入证据可信度门阈值提高了证据合成的可靠性和合理性,可得到更为理想的合成结果。最后通过算例比较表明:该改进算法的有效性。     

基于噪声自检测的分段非线性组合Adaboost改进算法

针对传统Adaboost算法对有噪声样本敏感的问题以及线性相加基分类器的不合理性,提出一种噪声自检测的分段非线性组合Adaboost算法(NDK Adaboost)。NDK Adaboost利用传统Adaboost算法的训练误差率随迭代次数呈指数下降的特点直接构造检测噪声模型来识别噪声,并且在预测阶段将预测样本映射到训练样本的相对位置,根据其邻近的样本分布决定基分类器的权重,从而使算法在不同的样本分布中具有较高的分类准确率。实验结果表明,与传统Adaboost算法以及Adaboost相关的改进算法相比,该算法具有较高的分类准确率。     

基于改进的粗糙集与AHP法的组合权重确定方法

为了更好地发挥主观赋权法与客观赋权法这两类评价方法的优势,但又要避免这两类评价方法各自的缺陷,达到两者优势互补、扬长避短的目的,利用层次分析法(AHP)来计算出主观权重,经过改进的粗糙集(RS)法来计算出客观权重,然后通过建立最优模型给出一种可以综合专家经验与客观数据的组合权重计算方法,进而可以确定出主观权重与客观权重相结合的最优组合权重.最后通过对一个实例的应用,表明了该方法是科学、有效的,可以使决策的准确性得到提高,具备实用性与推广价值.     

基于AdaBoost的组合分类器在遥感影像分类中的应用

运用组合分类器的经典算法AdaBoost将多个弱分类器-神经网络分类器组合输出,并引入混合判别多分类器综合规则,有效提高疑难类别的分类精度,进而提高分类的总精度.最后以天津地区ASTER影像为例,介绍了基于AdaBoost的组合分类算法,并在此基础上实现了天津地区的土地利用分类.分类结果表明,组合分类器能有效提高单个分类器的分类精度,分类总精度由81.13%提高到93.32%.实验表明基于AdaBoost的组合分类是遥感图像分类的一种新的有效方法.     

基于改进变权重组合预测模型的产品销售预测

通过分析汽车产品销售时序的特性引入组合预测理论,提出了一种改进的变权重组合预测模型并给出了变权重系数的求取方法。然后针对小样本、多维、多峰、非线性的销售时序特点,采用了基于支持向量机的三种单项预测方法。再通过实例分析显示基于改进变权重组合预测模型的预测精度高于单项预测模型和普通变权重组合预测模型。最后进行了汽车销售时序预测表明基于改进变权重组合预测模型的产品销售预测方法是有效和可行的。     

利用PCA和AdaBoost建立基于贝叶斯的组合分类器

提出了一种使用基于贝叶斯的基分类器建立组合分类器的新方法PCABoost.本方法在创建训练样本时,随机地将特征集划分成K个子集,使用PCA得到每个子集的主成分,形成新的特征空间,并将全部的训练数据映射到新的特征空间作为新的训练集.通过不同的变换生成不同的特征空间,从而产生若干个有差异的训练集.在每一个新的训练集上利用AdaBoost建立一组基于贝叶斯的逐渐提升的分类器(即一个分类器组),这样就建立了若干个有差异的分类器组,然后在每个分类器组内部通过加权投票产生一个预测,再把每个组的预测通过投票来产生组合分类器的分类结果,最终建立一个具有两层组合的组合分类器.从UCI标准数据集中随机选取30个数据集进行实验.结果表明,本算法不仅能够显著提高基于贝叶斯的分类器的分类性能,而且与Rotation Forest和AdaBoost等组合方法相比,在大部分数据集上都具有更高的分类准确率.     

AdaBoost的多样性分析及改进

针对AdaBoost算法下弱分类器间的多样性如何度量问题以及AdaBoost的过适应问题,在分析并研究了4种多样性度量与AdaBoost算法的分类精度关系的基础上,提出一种基于双误度量改进的AdaBoost方法。首先,选择Q统计、相关系数、不一致度量、双误度量在UCI数据集上进行实验。然后,利用皮尔逊相关系数定量计算多样性与测试误差的相关性,发现在迭代后期阶段,它们都趋于一个稳定的值;其中双误度量在不同数据集上的变化模式固定,它在前期阶段不断增加,在迭代后期基本上不变,趋于稳定。最后,利用双误度量改进AdaBoost的弱分类器的选择策略。实验结果表明,与其他常用集成方法相比,改进后的AdaBoost算法的测试误差平均降低1.5个百分点,最高可降低4.8个百分点。因此,该算法可以进一步提高分类性能。     

基于样本权重的出租车聚集区识别算法

聚类技术可以用于对具有动态、随机和异步并发特性的出租车对象进行分类。但是,现有的聚类技术认为每个出租车样本对聚类的贡献相同,没有考虑到不同样本的不同影响,这在一定程度上影响了聚类的精度。提出了一种基于样本权重的出租车聚集区识别算法--SFTA_IB算法,算法引入了样本权重来充分反映不同样本的贡献度。在此基础上,将出租车视为原变量X,出租车坐标数据视为相关变量Y,目标是寻求压缩变量T,在T中最大化保留相关变量的信息。实验表明,SFTA_IB算法可以准确识别目标样本周边的出租车聚集区,针对性地指导目标出租车个体的巡游线路,提高乘客搜寻效率。     

基于改进修正权重的证据组合方法

针对证据组合过程中修正权重的确定问题,提出了一种综合考虑证据间关联关系和自身不确定度的改进修正权重确定方法,实现了对待组合证据的有效修正。基于对证据信息随机性和不具体性的阐述,得到了证据综合不确定度的度量方法。结合基于改进冲突度的相似性权重和基于综合不确定度的可靠性权重,确定了改进的修正权重。应用Dempster组合规则对修正后的加权平均证据进行有效组合。算例分析结果表明,所提方法能够充分利用证据信息,解决证据冲突,组合结果更为客观、准确,可信度更高。     

基于样本抽样和权重调整的SWA-Adaboost算法

根据分类算法是依据样本区分度进行分类的原理,提出增加样本属性以提高样本区分度的方法,在样本预处理阶段对所有样本增加一个属性值dmin以加强样本之间的区分度。针对原始Adaboost算法在抽样阶段由于抽样不均而导致对某些类训练不足的问题,采用均衡抽样方法,保证在抽样阶段所抽取的不同类样本的数量比例不变。针对原始算法样本权重增长过快的问题,给出新的权重调整策略,引入样本错分计数量count(n),有效地抑制样本权重增长速度。给出一种改进的Adaboost算法,即SWA-Adaboost算法,并采用美国加州大学机器学习UCI数据库中6种数据集的数据对改进算法与原始算法进行实验对比,结果证明,改进算法SWA-Adaboost在泛化性能上优于Adaboost算法,泛化误差平均降低9.54%。     

基于AdaBoost 的入侵检测技术探索与分析

阐明了入侵检测系统的监测过程,提出在入侵检测的分析方法中通过AdaBoost框架的循环迭代,在每次迭代中,由该算法产生一个带权值的分类器,迭代结束产生多个分类器,最后将这些分类器进行加权联合,得到一个具有较高识别率的分类器,进而克服采用单一分类算法产生的识别率难以满足系统要求的缺陷,从而达到系统对攻击识别率提高,误警率降低的目的,以KDD99作为实验样本数据源,仿真实验表明该方法检测预警准确率高。     

基于投票信息熵的AdaBoost改进算法

针对AdaBoost算法不能有效提升NB(Naive Bayesian)的分类性能,提出一种改进的样本权重维护策略.权重的调整不仅依据样本是否分错,还需考虑前几轮的多个基分类器对它的投票分歧.基分类器的信任度不但与错误率有关,还与基分类器间的差异性有关.这样可以提高基分类器的正确性,增加基分类器的差异性.实验结果表明,改进的BoostVE-NB算法能有效地提升NB文本分类性能.     

基于支持向量机的AdaBoost人脸检测方法

人脸的检测与识别技术因其巨大的应用价值及市场潜力,引起各方面的关注,已经成为计算机视觉领域的研究热点.介绍了一种基于支持向量机(SVM)的AdaBoost人脸检测方法.与原有的AdaBoost算法相比,AdaBoostSVM算法通过设置核参数σ的最小值,并自适应地调整σ值来解决AdaBoost算法分类器训练中的过学习问题.该方法降低了复杂性,增强了推广性.实验结果证明,对于人脸模型具有较好的检测效果,并且比单纯运用AdaBooet算法具有更高的正确检测率.     

样本大小对非平衡数据分类的影响

探讨了影响稀有类分类的各个因素,针对影响稀有类中的一个因素--样本大小对稀有类的影响进行了研究.     

一种基于MOEA/D的组合权重方法

为了准确地求解组合权重的组合系数,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)思想引入评估领域,提出一种基于MOEA/D的组合权重方法.通常,利用加权和法将组合权重模型转化为单目标模型时,模型加权系数难以准确确定.对此,引入MOEA/D算法的分解思想,将组合权重模型转化为多个单目标子模型.MOEA/D算法仅适用于无约束优化问题,而较为常用的惩罚函数法难以表达进化初期无可行解的情况,因而提出改进自适应惩罚函数(improved adaptive penalty function,IAPF),将组合权重模型转化为无约束优化模型.应用所提出方法与其他方法进行仿真实验,实验结果表明,所提出算法具有有效性.     

特征响应权重自适应的IoU网络跟踪算法改进

基于IoU网络提出一种IT-AWCR(IoU network tracking with adaptive weighted characteristic responses)目标跟踪算法.首先,根据目标运动速度设计目标搜索区域确定策略,通过理论分析使用ResNet50的block 3、block 4卷积块的输出分别作为目标的浅层和深层特征表示;然后,以目标定位准确度和滤波模型抗干扰能力为评价指标,通过优化算法自适应计算目标深、浅特征响应加权权重,从加权融合响应中获取目标粗略位置和边界框,经扰动操作获取多个候选边界框输入IoU调制-预测网络预测IoU值,取最大IoU对应边界框为最终预测目标边界框;最后,根据训练样本的相关学习权重和样本间相似度更新生成样本集,基于样本集采用稀疏优化策略实现滤波模型更新. OTB2015和VOT2018数据集上的实验结果验证了所提出算法的有效性.     

一种改进AdaBoost算法的车牌检测方法

针对传统AdaBoost算法的不足,分析了分类器训练耗时和训练过程中容易出现样本权重扭曲的问题,并提出了解决这一问题的有效方法。新方法主要对特征值和排序结果进行缓存以及对样本权重的更新规则进行适当调整。实验结果表明,使用该方法训练级联车牌检测器能较好地解决传统AdaBoost算法中所出现的权重扭曲及训练时间长的问题,在提高检测率的同时训练时间缩短了50%左右。     

基于软标签和样本权重优化的Anchor Free目标检测算法

与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能。针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率。为证明所提方法的有效性,分别在经典的Pascal VOC数据集和MS COCO数据集上使用FCOS目标检测器进行对比实验,最终将检测器在Pascal VOC数据集上的mAP提升至82.16%(提升约1.31%),在MS COCO数据集上的AP_50-95提升至35.8%(提升约1.3%)。