基于AdaBoost改善虹膜分类性能

针对虹膜图像分辨率不同引起虹膜分类难的问题,提出了通过AdaBoost训练虹膜分类器的方法,利用训练集数据调整分类器参数使类内相似度达到最大,将虹膜分类器从弱分类器逐步提升为强分类器,最终为每类虹膜建立一个具有强分类能力的特征模板.仿真结果表明,在已有的特征提取算法和分类算法的基础上,利用训练数据通过自适应增强算法能进一步改善分类器分类性能,提高虹膜分类正确率,增大虹膜分类阈值的选择范围.     

基于SMOTEBoost的非均衡数据集SVM分类器

在对实际问题进行数据挖掘时面临的多数是非均衡数据集,即各种类型的数据分布并不均匀,且关注的类型常是少数类.运用含有少量少数类型事例的数据集训练后的模型进行预测时,通常对多数类的预测精度很高,而少数类的预测精确性却很差.提出了一种集成方法SMOTEBoostSVM,通过SMOTE技术人工生成增加少数类样本量,以具有较强分类性能和泛化性能的SVM作为弱分类器,并以AdaBoost算法构建集成分类器.实验结果表明,SMOTEBoostSVM集成分类器比单纯运用SMOTE技术、AdaBoost算法以及SVM等的分类器,在非均衡数据集的分类预测中具有更好的效果.     

基于AdaBoost的神经元形态分类的研究

根据神经元形态的几何特征,使用AdaBoost算法对其进行分类,采用决策树、贝叶斯和关联规则分类模型作为基分类器。算法首先采用直接面向纽舍分类器分类精度提升的集成学刁算法选取基分类器,其次利用分类过程中生成样本的孱升权值来调整前K次（K〉1）被错误分类样本的权重,并提留双重阎值法对样本的最终投票表决结果进行判定。对20个测试样本进行分类,得出高可信度分类数为18个。     

基于BFM算法的空间有形目标识别方法

为了对具有复杂边缘的目标进行更准确的检测识别,提出了一种基于边界片段模板(boundary frag-ment model)训练模式的目标识别方法.方法首先提取目标的边界片段组成弱分类器,然后使用AdaBoost算法将它们提升训练成为强分类器,并用其进行检测和识别目标.仿真实验表明,该方法对有形目标,特别是对具有复杂边缘的空间有形目标有较好的识别效果.     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

肺结节的自适应检测算法

提出一种自适应的肺结节检测算法.基于肺结节的CT图像表现,提取了七个图像特征.对于每个特征,采用支持向量机(SVM)进行单特征分类,将其分类的准确率作为权值应用到改进的Mahalanobis距离公式中.根据改进的Mahalanobis距离公式构造非线性分类器,然后对感兴趣区域(ROI)进行分类,分类器中使用自适应的算法自动调节网值.实验结果表明,该算法对于肺结节的检测具有较高的敏感性和准确性.     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。     

基于多尺度判别模型的复杂背景学习

智能监控系统中的一个关键问题是在图像序列中准确检测前景目标,但在复杂背景中,这仍然比较困难.将前景检测作为标记问题来处理,提出一种基于多尺度的判别模型,用来学习复杂背景.首先,通过基于像素的方法得到静态背景和运动目标;然后利用一组高斯滤波器组作用于不同的图像空间得到一系列的响应,在图像序列中估计这些响应的概率密度作为特征池,运用AdaBoost算法在特征池中挑选弱分类器组成强分类器,通过分类器获得运动目标中每个像素属于真实前景的置信度;最后,结合前景和背景的时空一致性,利用图分割求解马尔可夫随机场,获得准确的前景.实验结果表明提出的方法能很好地适应各种复杂背景.     

基于卷积神经网络的低空风切变类型识别

针对激光雷达低空风切变信号图像的类型识别问题,提出了一种基于深度卷积神经网络(deep convolutional neural network,DCNN)的多层特征提取及自适应融合算法。该方法可以有效解决网络逐层训练过程中信息丢失的问题。首先,采用DCNN提取低空风切变信号图像的各层网络特征,并将各特征进行L2范数标准化实现同趋化。其次,将其以多通道图像形式输入单层CNN进行自适应融合,将融合特征送入支持向量机进行分类识别。结果表明,采用所提算法进行低空风切变图像类型识别的平均识别率为98.1%,与其他4种算法相比均有提升。所提算法能更有效地实现低空风切变信号图像类型识别。     

集成学习的多分类器动态融合方法研究

AdaBoost集成学习方法中,分类器一经学习成功,其投票权值就已确定,同一分类器对所有待测样本均有相同的投票权值。对于难于分类样本,具有良好分类性能的少数分类器权值却较低。提出适用于集成学习方法的权重自适应调整多分类器集成算法。根据多分类器行为信息,产生待测样本局部分类精度的有效判定区域,基于有效判定区域选择不同的分类器组合,并调整其相应权重,利用样本集上的统计信息来动态指导分类集成判决。实验结果表明,该算法提高了集成分类性能。     

POLSAR多视复图像的特征提取和分类方法

Pauli分解和Krogager分解通常用于对极化合成孔径雷达(POLSAR)单视复图像中的相干复散射矩阵进行分解.基于Pauli分解和Krogager分解提出一种改进的极化特征分解方法,用于POLSAR多视复图像极化特征提取.首先利用Pauli分解分离出多视复图像数据的对称部分和非对称部分,然后利用Krogager分解提取出对称部分的极化特征,最后利用AdaBoost算法对所提取的极化特征进行分类.使用SIR-C的数据验证了方法的有效性.     

Large scale classification with local diversity AdaBoost SVM algorithm

Local diversity AdaBoost support vector machine (LDAB-SVM) is proposed for large scale dataset classification problems. The training dataset is split into several blocks firstly, and some models based on these dataset blocks are built. In order to obtain a better performance, AdaBoost is used in each model building. In the boosting iteration step, the component learners which have higher diversity and accuracy are collected via the kernel parameters adjusting. Then the local models via voting method are integrated. The experimental study shows that LDAB-SVM can deal with large scale dataset efficiently without reducing the performance of the classifier.     

Robust gray-image face detector based on local statistical features

An efficient training framework for gray-image face detection was presented. Our system includes two stages.In the first stage, the pattern rejection theory is used for features selection. The local Haar-like wavelet features used as rejection features to reject those patterns are not faces obviously. In the second stage, the Kullback-Leibler divergence in information theory is applied to choose more effective features further and to construct hierarchical classifier. The probability functions of two classes are estimated by joint-histograms. Final decisions are made according to the likelihood ratios between two classes. The experimental results show that our system is the same robust and efficient as the best reported methods, while the training efficiency is higher than others.     

基于熵特征和支持向量机的调制识别方法

通信信号调制识别在非合作通信领域是一项重要的研究课题。针对当前算法计算量大,能识别的调制类型少的特点,提出了一种基于熵特征和支持向量机（support vector machine, SVM）的调制识别新方法。该算法通过提取接收信号的多维熵特征,作为调制识别的特征参数,并利用基于二叉树的SVM作为分类器,对接收信号进行调制识别。除了信号的信噪比,该算法不需要信号带宽和载频等其他先验知识。理论分析与计算机仿真结果表明,该方法具有很高的识别率,计算量小,具有很好的应用价值。     

基于多分类器融合的SAR图像自动目标识别方法

给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR ATR)方法。先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

基于Adaboost的作战目标属性判定方法

传统作战目标属性判定主要采用指挥员现场判断的定性方法, 具有一定的主观性, 并且由于缺乏较为成熟固定的算法而难以纳入指挥平台中。针对此问题, 结合作战目标属性判定关键影响因素分析, 提出一种基于自适应提升(adaptive boosting, Adaboost)的作战目标属性判定方法。首先, 针对目标有效面积、目标配置区域面积等关键因素, 采用单层决策树算法构建弱分类器。然后, 利用Adaboost对弱分类器进行加权组合, 形成作战目标属性判定的强分类模型。最后, 进行了示例分析, 并与决策树、支持向量机和人工神经网络3种属性判定方法进行对比仿真实验, 证明了所提方法的正确性和优越性。     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。