车牌检测级联分类器快速训练算法

针对传统AdaBoost算法的不足,分析了训练过程中出现过训练及分类器退化的问题,并提出了解决这一问题的有效新方法.新方法主要对样本及时更新和样本权重的更新规则进行了调整.使用该方法训练级联车牌检测器,实验结果表明,新方法较好地解决了传统AdaBoost算法中所出现的过训练及退化问题,在保证检测率的同时降低了误检率,并且训练时间缩短了50%左右.     

基于改进AdaBoost算法的行人检测方法

基于传统AdaBoost算法的识别率和误报率同时低的原因。提出一种改进AdaBoost算法的行人检测方法,采用类Haar特征作为行人特征,引入误报率来更新样本权重,使得识别率降低得更慢,实现一个级联的行人检测分类器。相比于传统AdaBoost算法,改进算法不仅取得较优的识别率,并且可以降低分类器训练的层数。实验证明了改进算法的有效性。     

基于改进AD AdaBoost算法的人眼检测

针对AD AdaBoost算法在样本训练过程中的退化现象,提出了一种基于改进的AD AdaBoost算法的人眼检测方法,通过释放正确分类负样本的权值并进行归一化处理,缓冲分类困难的样本上权值的扩张.实验结果表明此方法在保持较好实时性的同时,能够提高检测的准确率.     

基于Haar与MB-LBP特征的车牌检测算法

针对传统AdaBoost算法中训练耗时及权值扭曲现象,提出了一种融合Haar和MB-LBP特征的车牌检测算法.首先,分别计算使得分类误差最小的Haar与MB-LBP特征,经比较2种特征的误差,选择最优的特征构成弱分类器,并利用AdaBoost算法将各弱分类器进行有效的级联;其次加入了权重阈值,调整了样本权值的更新规则,避免了训练过程中权值扭曲现象.该算法用于检测图像中的数字0～9,利用非最大抑制合并检测到的数字区域,通过车牌的灰度跳变特征过滤候选区域,更精确地定位车牌.实验表明,该方法有效地缩短了训练时间、减少了特征的个数、避免了训练中出现的权值扭曲现象、检测率较高且误检率较低.     

AdaBoost分类问题的理论推导

为解决AdaBoost算法在二分类问题及多分类问题上缺乏共同的理论基础,算法系列的系统性难以得到理论诠释这一问题,首先,从算法思想的层面对AdaBoost算法与最优贝叶斯推理的关系进行了探讨;然后对AdaBoost算法的训练流程及相关参量进行了定量分析;最后从基本不等式定理入手,重点推导了AdaBoost算法由二分类问...     

基于AdaBoost的弱分类器选择和整合算法

针对传统AdaBoost算法在人脸检测中训练耗时和误检率高的问题,提出一种改进的AdaBoost算法.新算法在基于PSO的AdaBoost算法基础上对弱分类器的选择和整合两个阶段进行改进.弱分类器选择阶段,在使用PSO迭代选择最佳弱分类器之前,剔除部分无用特征,缩小粒子搜索空间;弱分类器整合阶段,在采用基于核函数的非线性感知器算法优化调节弱分类器参数的过程中使用一种新的与正样本分类能力有关的弱分类器初始参数.采用基于MIT数据库的实验结果表明,本文算法比基于PSO的AdaBoost算法在检测性能上有明显提高.     

一种改进的Adaboost训练算法

针对传统的Adaboost训练算法在训练过程中可能出现训练退化和训练目标类权重分布过适应的问题, 提出一种改进的Adaboost训练算法. 改进算法通过调整加权误差分布限制目标类权重的扩张, 并且最终分类器输出形式以概率值输出代替传统的离散值输出, 提高了训练结果的检测率. 实验结果表明, 改进的Adaboost算法在Inria数据集上取得了较好效果.     

一种加入动态权重的AdaBoost算法

【目的】由于AdaBoost算法弱分类器对各待测样本其投票权重是固定不变的,这会导致使用该算法进行分类时准确性不高,于是针对该问题提出了一种结合静态权重与动态权重的学习算法AdaBoost＿DW。【方法】该算法保留了AdaBoost算法训练阶段产生的全部弱分类器,在预测阶段加入了能度量待测样本与各个弱分类器适应性的动态权重,通过双权重共同决定该弱分类器的投票权重。【结果】实验结果表明,AdaBoost＿DW算法的分类精度绝大多数情况下高于原AdaBoost算法。【结论】证明了动态权重的加入能够提高原AdaBoost算法在各数据集上的分类准确率。     

基于错分样本权重约束的AdaBoost算法改进

提出一种AdaBoost算法中错分样本权重约束的方法,该方法对AdaBoost算法中多次错分样本数据的权重进行约束,当其超过一个阈值时,就限制这些样本权重的增加,使其在下一轮迭代中的权重比例不至于过大,以提高强学习算法的泛化能力及精度.仿真实验表明该方法在分类问题和回归问题上都得到了较好的结果.     

回声状态网络的递推训练算法

针对回声状态网络(ESN)传统的训练方法无法解决高维矩阵不可逆时的训练,以及无法应用于需要在线训练的建模当中等问题,提出了两种新的递推训练算法。分别将含遗忘因子递推最小二乘算法（FFRLS）和无先导卡尔曼滤波算法（UKF）应用到回声状态网络输出神经元为线性函数和非线性函数的权值训练中,进而直接对网络的输出权值进行递推更新。与传统的训练方法相比,所提新方法不仅具有在线更新、精度高的优点,而且还可以解决传统训练方法中批量数据构成的向量矩阵不可逆及输出神经元为非线性函数且其反函数不可求的题。通过对连续搅拌釜式反应器（CSTR）浓度和温度的预测仿真,结果证明了所提新方法的有效性。     

基于AdaBoost的汉语方言辨识

为了在训练样本受限的情况下,提高汉语方言辨识的效果,提出了一种基于AdaBoost的汉语方言辨识新方法.该方法将GMM与语言模型组成的辨识系统看成一组弱分类器,然后对这组弱分类器所得的分类结果进行加权投票,最终决定汉语方言测试语音的所属类别.实验结果表明:增加GMM或弱分类器的个数,可以有效提高系统的辨识效果;测试语音越长,系统辨识效果越好;当训练样本有限的情况下,采用AdBoost方法比采用ANN方法具有更高的辨识率.     

基于AdaBoost算法的易拉罐检测方法

提出了基于Adaboost算法的易拉罐检测方法.易拉罐检测器的训练,是基于AdaBoost算法思想,分别使用Haar特征、LBP特征对易拉罐图像进行特征提取,并对两者训练检测器的过程差异及最终效果作出比较.实验证明,基于AdaBoost算法训练的易拉罐检测器,检测率高且速度快.     

基于特征多视图提升Naive Bayesian的Boosting改进算法

AdaBoost作为一种有效的集成学习方法,能够明显提高不稳定学习算法的分类正确率,但对稳定的Naive Bayesian分类算法的提升效果却不明显.为此,利用多种特征评估函数建立不同的特征视图,生成多个有差异的加权朴素贝叶斯(WNB)基分类器;尝试使用几种不同的方式将样本权重嵌入WNB基分类器的参数中,对WNB产生扰动,进一步增加基分类器的不稳定性.实验结果表明,对比AdaBoost所提算法,BoostMV-WNB能够明显提升WNB文本分类器的性能.     

拮抗药化合物活性的支持向量机研究

支持向量机（SVM）算法是一种适用于有限的已知样本训练建模,进而预报未知样本属性的模式识别新方法,应用该方法对拮抗药化合物的生物活性进行了预报,讨论了化合物结构参数、计算核函数及参数的选择和优化问题,建立了药物活性预测的数学模型．研究表明,支持向量机（SVM）算法在小样本情况下,可获得令人满意的结果．     

一种基于聚类和AdaBoost的自适应集成算法

为同时保证基分类器的准确性和差异性, 提出一种基于聚类和AdaBoost的自适应集成算法. 首先利用聚类算法将训练样本分成多个类簇; 然后分别在每个类簇上进行AdaBoost训练并得到一组分类器; 最后按加权投票策略进行分类器的集成. 每个分类器的权重是自适应的, 且为基于测试样本与每个类簇的相似性及分类器对此测试样本的分类置信度计算得到. 实验结果表明, 与AdaBoost,Bagging(bootstrap aggregating)和随机森林等代表性集成算法相比, 该算法可取得更高的分类精度.     

SAX结合Adaboost算法的时间序列分类问题

SAX是一种典型的符号化特征表示方法.该方法在时间序列特征表示中不仅可以有效地降维、降噪,而且具有简单、直观等特点.时间序列长度不一、特征表示过程中信息损失等问题的存在,使得常规的分类算法难以很好地完成分类任务.在对时间序列数据进行基于SAX符号化的BOP表示方法的基础上,提出了结合集成学习中AdaBoost算法进行分类的新方法,实验结果表明,该方法不仅能很好地处理SAX符号化表示中的信息损失问题,而且与已有方法相比,在分类准确度方面也有了显著的提高.     

基于BP神经网络的库存动态预测及其应用

利用库存的历史数据,建立了动态环境下一个基于BP神经网络的初始库存模型,采用提前结束训练法克服因样本量不足而产生的网络过适应问题,并通过网络的训练获得一个关系简单的库存模型.每次获得新样本数据后对模型进行重构,达到了动态建模和分析的目的,并用实例进行了说明,为库存系统的管理决策提供了理论依据.