改进的快速行人检测方法

行人检测在视频监控以及智能车系统中有着广泛的应用前景,为了能够更有效地检测行人,将人脸检测中级联检测框架引入行人检测中,并对其进行改进,采用Gentle AdaBoost算法进行分类器训练,以提高训练效率,同时在训练前引入了特征预筛选,以减少训练时间和系统开销。实验表明,改进后的方法训练时间短,检测精度高,同时具有较快的检测速度。     

新的AdaBoost算法评价体系

工程实际中,往往通过对比两个AdaBoost算法在相同弱分类器数量条件下的错分率来比较算法性能,这样就忽略了在弱分类器数量增加时,错分率的波动会造成对比不准确的问题。为此,分别针对分类器性能的分类准确率、收敛速度和稳定性,提出了稳态错分率、调节规模、振荡度三个量化指标,构成了一个相对完备的评价体系。实验表明,该评价体系能更全面反映AdaBoost的分类效果。     

微博用户的个性分类分析

社交网络给每个社会中的人提供了自由表达个人情感、观点、兴趣、建议等言论的平台。用户在这些平台上发表的言论、所做的行为以及用户在平台上建立的社交圈子也给数据挖掘带来了新的数据和机会。提出了一种利用用户在微博上的公开数据信息实现对该用户的MBTI个性维度进行分类分析的方法。在该方法中,基于对用户微博数据的分析,提出了能够表征用户心理和行为的文本和非文本特征,然后采用三种机器学习的分类方法—提升决策树、支持向量机和贝叶斯逻辑递归来对微博用户的个性进行分类分析。实验结果表明,通过对微博数据的挖掘可以在不同MBTI个性维度上达到75%~90%的准确率。     

Trip Purposes of Automobile Users Inference Using Multi-day Traffic Monitoring Data

题目：基于多日交通监测数据推断汽车用户的出行目的

作者姓名：郑文,李文权,陈茜,郑炎,张晨皓

单位：东南大学交通学院,211189,中国南京

摘要：确定出行目的是探索出行规律的一个重要环节。本文以城市中的汽车用户为研究对象,结合无监督学习和有监督学习方法分析其出行特征,重点研究汽车用户出行目的的分类和预测。然而,以往关于出行目的的研究主要集中在问卷调查和GPS数据上,不能很好地反映汽车出行的特点。为了避免传统交通问卷调查中忽略的多日行为变异性和个体特征的不可观察异质性,我们采用了青岛市北区的道路卡口监测数据,并运用K-均值聚类方法来估计汽车用户的出行目的。然后,采用自适应提升（AdaBoost）和随机森林（RF）方法对出行目的进行分类和预测。最后,本研究的结果显示: (1）汽车用户的出行目的主要可以分为四类,分别是通勤出行、出租车出行、白天的弹性生活需求出行和晚间的娱乐休闲购物;（2）随机森林方法在出行目的预测中的表现明显优于AdaBoost,准确率更高;（3）超参数优化下随机森林的平均预测精度达到96.25%,证明了上述聚类结果的可行性和合理性。

关键词：出行目的;汽车用户;交通监控数据;K-means聚类; AdaBoost;随机森林

主要研究内容：

由于汽车出行结构的复杂性,使用GPS数据或问卷调查数据无法完全分析出其出行特征。本文选择覆盖面更广的道路卡口监测数据来分析汽车出行的空间和时间特征。本文以K-means聚类和机器学习为重点,旨在对汽车用户的出行目的进行分类和预测。我们的工作可以为探索城市汽车出行的特征提供依据,也可以为不同的出行目的提供合适的公共交通方式（如需求响应式公交、快速公交和公交快线）来替代汽车出行,这有助于优化城市道路交通结构,保证城市交通系统的可持续发展。其核心思想和重要研究内容主要包括以下三个部分。

1）在我们的研究中,应用了以往关于出行目的研究中没有使用过的道路卡口监测数据,并验证了监督和非监督学习方法的结合在分析具体出行问题上的有效性。这不仅可以从一个新的角度来分析出行目的,也为今后的出行行为研究提供了很好的参考。

2）基于青岛市的道路监测数据集,建立了六个指标来分析汽车用户出行的时空特征。然后,采用K-means聚类方法对数据集进行分析,根据SSE和CH_Score的收敛值,可以将研究区域内的汽车用户出行目的主要分为四类,分别为通勤出行、出租车出行、白天的弹性生活需求出行和晚间的娱乐休闲购物。这使得我们可以间接了解汽车用户的出行结构,从而帮助交通管理者针对不同目的实施不同的交通管理措施。

3）根据K-means聚类的结果,从多个方面分析了两种基于树的集合学习方法的预测精度。结果发现,在超参数优化条件下,随机森林更适合于处理该类出行目的预测问题。MAE、RMSE和R²的值都优于AdaBoost。此外,RF的平均预测精度可以达到96.25%,也高于AdaBoost。它为处理出行行为问题提供了参考。

     

无人值守变电站监控视频异常模式识别方法

为提高变电站视频监控的智能化水平,提出了一种识别无人值守变电站环境监控视频中异常模式的方法.对变电站环境监控中的运动目标进行分类(涉及到人、动物、普通火焰(红黄颜色火焰)、白色火焰、白炽灯),提取多种特征,基于混淆矩阵产生层次化分类器结构,以支持向量机(SVM)作为基本的两类分类器,对于分类精度不理想的SVM,通过Ad...     

AdaBoost-NN模型在浊漳河水质评价中的应用

为了克服传统BP网络的不足,将AdaBoost与神经网络结合,提出了基于AdaBoost-NN的水质评价模型.利用浊漳河水质监测数据比较AdaBoost-NN模型与传统ANN法和内梅罗综合指数法评价模型的差异,结果表明:AdaBoost-NN水质评价模型有效弥补了BP模型自身的缺陷,评价准确度更高,结果更加客观、合理.     

一种针对不平衡数据分类的集成学习算法

针对水声目标识别中常被忽略的数据不平衡问题,提出一种随机子空间AdaBoost算法(RSBoost)。通过随机子空间法在不同水声特征空间上提取子训练样本集,在各个子训练样本集上训练基分类器,将其中少类间隔均值最大的基分类器作为本轮选定的分类器,迭代形成最终集成分类器。在实测数据上进行试验,利用F-measure和G-mean两个准则对RSBoost算法和AdaBoost算法在不同特征集上的性能进行评价。试验结果表明:相对于AdaBoost算法, RSBoost算法在F-measure准则下的平均值由0.07提升到0.22,在G-mean准则下的平均值由0.18提升到0.25,说明在处理水声数据不平衡分类问题上, RSBoost算法优于AdaBoost算法。     

基于改进的AdaBoost和支持向量机的行人检测

针对AdaBoost算法在训练样本和特征较多时训练时间过长的问题,提出了一种改进的AdaBoot算法与支持向量机组合的分类器.对多重分类器的输出结果以非线性的方式组合,采用交替的方式轮流对不同的特征进行学习,将多重分类器处理完后的结果作为另一种输入样本,再以一个分类器做一次分类.实验表明该算法用于行人检测可行、性能稳定.     

一种用于不平衡数据的分类算法

为提高不平衡数据集中少数类的分类性能,本研究提出一种改进的AdaBoost算法(UnAdaBoost算法)来解决数据不平衡问题。该方法首先改进基分类器,使其在损失一定程度的多数类分类性能的情况下提高少数类的分类性能,而多数类分类性能的损失可通过后面的多个分类器集成弥补回来,这样既提高了少数类的分类性能又不会损失多数类的分类精度。本研究把改进的朴素贝叶斯方法作为基分类器,用改进投票权值的AdaBoost算法对基分类器进行融合。实验结果表明,与传统的Adaboost算法相比,该方法可以有效地提高不平衡数据的分类性能。     

基于头势的人机交互系统研究

近年来,肢体残疾人数增长迅速,为了改善他们的生活质量和生活自由度,从方便且易于残疾人使用的角度出发,提出了一种利用头势来控制轮椅的方法。首先根据肤色信息找到人脸区域,然后利用AdaBoost算法在人脸区域找到鼻子。再根据计算鼻子区域的质心在整个画面上的位置信息识别头部姿态,从而达到控制轮椅运动的目的。实验结果表明,该方法可以准确的识别头部姿态,平均识别率达到了89.55%,同时具有较快的检测速度,且操作便易。