基于极限学习机快速分类的人体跌倒检测方法

为了准确快速检测人体跌倒状态,提出基于惯性测量单元(inertial measurement unit,IMU)测量和处理数据的极限学习机(extreme learning machine,ELM)快速分类判别方法。分析了人体运动行为特征,构建了腿部运动参数提取模型;通过IMU采集人体腿部运动特征数据,并进行姿态解算;采用ELM方法对人体运动特征的加速度、角速度和姿态进行分类,判断人体是否处于跌倒状态;根据机器学习评价指标对ELM参数进行优化,得到最佳参数。进行了人体运动状态测量实验,结果表明,ELM方法能够对IMU测量和处理数据进行准确快速地分类。当隐含层结点为1 000时,ELM检测方法跌倒检测的准确率为96. 45%,灵敏度为97. 32%,特异性为89. 32%。因此,采用ELM快速检测方法,可有效地对人体运动特征数据进行分类,实现对人体跌倒行为的准确检测。     

一种基于AdaBoost的极限学习机分类方法

极限学习机是一种新型的单隐层前馈神经网络,在训练网络的过程中随机给定输入层权值和隐藏层偏差,所以训练速度非常快,但却导致了输出不稳定.提出了一种基于AdaBoost的极限学习机,把极限学习机作为AdaBoost的基本分类器,通过改变输入数据的权重,使得极限学习机的分类性能得到提升.实验结果表明了该方法与极限学习机和传统的神经网络相比,能够提高极限学习机的学习性能,并且使极限学习机输出更加稳定.     

基于抽样方法的不确定极限学习机

实际应用中的大量数据具有不确定属性,而传统的挖掘算法无法直接应用在不确定数据集上.针对不确定数据的分类问题,提出一种基于抽样方法的不确定极限学习机.该算法通过抽样的方法,对不确定数据集中样本的抽样实例进行学习和分类,得到该不确定样本的所属类别的概率,从而实现了传统极限学习机分类算法对不确定数据的分类,并极大降低了不确定对象实例的枚举代价.实验结果表明,该算法在不确定数据的分类问题中具有较好的有效性和高效性.     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题.为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度.利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模.在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率.这种高性能的建模方式弥补了极限学习机的不足.     

基于快速留一交叉验证的核极限学习机在线建模

提出了一种基于快速留一交叉验证(FLOO-CV)的在线核极限学习机(OKELM),以逐次增加新样本与删除旧样本的方式进行在线训练;设计了一种无需人为设定、能够根据系统过程特性自适应改变的FLOO-CV预测误差阈值,根据误差阈值仅引入预报误差较大的样本对模型进行更新,以提高模型的稀疏性和泛化能力;利用Hermitian矩阵求逆引理实现了对网络输出权值的递推求解,减小了在线存储空间和计算时间.经混沌时间序列预测和连续搅拌釜式反应器的过程辨识结果表明,相比于离线核极限学习机、无稀疏策略的在线核极限学习机和在线序贯极限学习机,OKELM具有更快的计算速度和更高的学习精度.     

基于惯性传感器与模拟传感器的据枪数据捕捉系统设计

为了实现对作训人员射击训练数据的实时捕捉,提高作训人员射击训练效果,设计实现了一种基于惯性传感器与模拟传感器的据枪数据捕捉系统。对数据捕捉系统的原理、组成以及数据处理进行了研究,采用四元数的方法实现了对姿态数据的融合与解算。通过系统下位机将捕捉到的动作数据进行采集并通过无线通信将数据传输至上位机进行实时显示。实验表明,该系统能够实时捕捉当前作训人员的据枪射击数据,数据准确、直观,使用价值高,取得了良好效果,大幅度提升了训练效率。     

基于加权极限学习机的肿瘤基因表达谱数据分类

基因表达谱数据一般来源于临床试验,而在临床试验中,试验样本的类分布情况是不确定的,这就使得表达谱数据往往具有比较明显的不平衡性.采用加权极限学习机来对不平衡基因表达谱数据进行分类,为了减少因为不平衡数据引起的分类误差,一个临时的权重被分配给每一个样本以增强少样本类的影响,同时减少多样本类的影响,进而提高肿瘤分类的准确率.实验结果表明,所提方法能够提高少样本类的识别率,从而提高分类器的总体性能.     

基于在线连续极限学习机的图像分类改进算法

结合LBP算子提取图像的局部纹理特征,在分类阶段根据优化解进行矩阵逆的区别计算并加入正则因子,最后结合在线学习方法,提出准确在线连续极限学习机的图像分类改进算法.实验结果表明,改进算法在图像分类方面比传统的极限学习机有更快的学习速度,更好的泛化性能.     

基于极限学习机的谐波电流检测方法

谐波电流检测的实时性和准确度直接影响有源电力滤波器的谐波补偿效果.针对基于传统神经网络谐波检测方法的不足,提出了一种基于极限学习机的谐波电流检测新方法.首先详细给出了极限学习机的训练样本的组成和训练方法,然后构造检测模型实现对谐波电流幅值和相位的检测.仿真结果表明,该谐波电流检测方法的检测精度普遍达到10-6,在有白噪声影响的情况下检测精度达到10-4,与基于传统神经网络的谐波检测方法相比具有更高的检测精度和更强的泛化能力,更加适用于谐波源固定的场合.     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

基于极限学习机的胰岛素评价模型

为了正确评价胰岛素在人体血糖调节中的重要作用,提出搭建一种基于极限学习机(extreme learning machine,ELM)方法的胰岛素评价预测模型.提出的胰岛β细胞功能评价方法,选取了人体空腹时的血糖浓度、空腹胰岛素浓度、糖耐量实验后的血糖浓度和胰岛素浓度等14个生理数据作为输入参数,对早期胰岛素分泌指数、胰...     

基于特征选择ELM的乳腺肿块检测算法

乳腺肿块检测是防治乳腺癌的有效途径,基于乳腺X射线图像特征模型的极限学习机(ELM)分类算法已被应用于计算机辅助检测乳腺肿块中.针对由于特征间的依赖性导致的ELM学习效率和检测准确度低的问题,提出了基于特征选择ELM的乳腺肿块检测算法.利用影响值选择、序列前向选择和遗传选择等方法进行特征选择,进而利用该结果提高ELM的性能.通过490例来自辽宁省肿瘤医院的乳腺X射线图像的实验表明,基于特征选择ELM的乳腺肿块检测算法能有效提升乳腺肿块检测的效果,其中以遗传选择对ELM性能提升最明显.     

少量已知历史数据下的电能质量复合扰动识别方法

针对训练电能质量复合扰动分类模型遇到少量已知历史数据和海量未标注的采样数据共存的现象,提出了一种基于混合流形正则化图拉普拉斯-海森半监督极限学习机(Laplacian Hessian semi-supervised-extreme learning machine,LHSS-ELM)的复合扰动识别方法.所提方法通过La...     

基于极限学习机(ELM)的视线落点估计方法

基于极限学习机(ELM)所具有的训练速度快、适合多分类的特点,提出一种新的单摄像机视线追踪系统视线落点估计方法.在初始标定阶段,将多视线参数作为ELM输入,将视线在屏幕上的落点区域作为输出,将非线性多项式作为激活函数,通过初始标定获取ELM训练数据,建立视线特征参数和视线屏幕落点之间的映射模型.实验结果表明,通过对不同角度分布的视线落点进行估计和改变隐层单元数量进行训练,基于ELM的视线落点估计方法无论视线落点精度还是稳定性均优于传统的非线性多项式拟合方法.     

基于框线检测的票据图像分类方法

针对表格型票据,提出了一种基于框线检测的多类别票据图像分类方法.准确提取票据图像的框线特征,根据票据框线的拓扑结构建立起模板库;通过基于框线相关性的相似度模型,与标准模板库中模板的框线特征进行匹配,进而确定票据的分组类别.实际的票据分类实验证实了该方法的有效性和鲁棒性,为票据自动处理打下了坚实的基础.     

工艺规划系统中动态模式分类的研究

提出了工艺规划系统中动态模式分类（pattern classification）的概念，介绍了模式分类判定树和动态模式分类的基本原理，并对动态模式分类的聚类质量标准进行了研究。动态模式分类是基于实例归纳（case based reasoning,CBR)的自动分类过程，具有自学习和自完善的功能。     

基于SVM和CRF的双层模型中文机构名识别

提出了一种基于支持向量机(SVM)和条件随机场(CRF)的双层模型进行中文机构名识别的方法.第一层模型采用CRF识别简单机构名,并将识别结果传至第二层辅助下一步的识别;第二层采用基于驱动的方法,将SVM和CRF结合进行复杂机构名的识别;最后将两层的识别结果合并,并通过一个后续处理对置信度较低的识别结果进行修正.大规模真实语料的开放测试表明,精确率达到94.83%,召回率达到95.02%,证明了该方法的有效性.     

基于WT-BTC特征和SVM组合分类的场景文本检测算法

针对自然场景文本检测在复杂背景下虚警高的问题,提出利用小波变换(wavelet transform,WT)和方块编码算法(block truncation coding,BTC)相结合的方式(WT-BTC)表征文本纹理,并结合支持向量机(support vector machine,SVM)完成对候选文本区域的分类确认。算法首先利用边缘检测和启发式规则快速确定候选文本区域;然后对候选文本区域进行小波分解和BTC编码,提取水平、垂直、对角方向的WT-BTC纹理特征;使用三个SVM分类器分别对不同方向纹理特征学习训练,组合SVM模型实现候选文本区域的二次检测,确认文本区域。实验结果表明算法提高了文本区域检测鲁棒性,在复杂背景条件下对场景文本有较好的检测效果。     

基于短时傅里叶变换及其谱峭度的电能质量混合扰动分类

为了降低电能质量复合扰动(CPQDs)数据的标注成本,利用混合策略的主动学习方法与拉普拉斯极限学习机来识别电力配电网络中的CPQDs。提出将不同的主动学习采样策略进行混合,选择最富含信息和最具有代表性的CPQDs数据进行标记。在主动学习过程中利用对数函数自适应调整不同策略权重。为了提高分类器的性能,在监督学习和无监督学习的框架下将拉普拉斯流形正则化并嵌入到极限学习机中。将所提出的架构与主流的主动学习算法在代码合成以及硬件生成的数据集上进行了比较,结果显示所提出的方法拥有更好的性能。