提升算法
提升算法的相关文献在2002年到2022年内共计185篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、电工技术
等领域,其中期刊论文128篇、会议论文12篇、专利文献120148篇;相关期刊100种,包括枣庄学院学报、西安交通大学学报、光学精密工程等;
相关会议12种,包括第十二届全国青年通信学术会议、中国高等学校电力系统及其自动化专业第二十三届学术年会、全国第十届信号与信息处理、第四届DSP应用技术联合学术会议等;提升算法的相关文献由490位作者贡献,包括周浩、胡炳谦、韩俊等。
提升算法—发文量
专利文献>
论文:120148篇
占比:99.88%
总计:120288篇
提升算法
-研究学者
- 周浩
- 胡炳谦
- 韩俊
- 顾一峰
- 胡卫明
- 乐全明
- 吴成柯
- 张为
- 王学伟
- 王浩
- 罗武胜
- 肖学敏
- 谢全民
- 郁惟镛
- 郭杰
- 何怡刚
- 冯林
- 刘杨晓月
- 刘桥
- 刘献民
- 刘鹏
- 吴承翰
- 吴振宇
- 周岚
- 周鑫
- 夏小琳
- 孙劲光
- 孙金凤
- 安毅
- 崔星
- 康志伟
- 张保会
- 张兆东
- 张兆宁
- 张盼
- 张笑钦
- 曹瑞峰
- 李云松
- 李勇
- 李宏亮
- 李尔平
- 杜列波
- 杨骥
- 杨鲁平
- 柴春领
- 狄婷
- 王华
- 王宇泽
- 王忠民
- 王柯俨
-
-
-
-
摘要:
人工智能技术的广泛应用使得越来越多的决策被部分或完全自动化,由算法主导或辅助进行。荷兰许多市政当局利用算法辅助进行决策,如通过算法分析是否存在福利诈骗或儿童失学等潜在社会问题的风险。但如何判断算法决策是否科学?荷兰有学者将透明度、可解释性、公平性和问责制列为评价算法决策的4个维度。但研究证明,几乎无人通过科学、有序、规范的归档来研究如何验证算法决策的准确性。
-
-
李克文;
丁胜夺;
段鸿杰
-
-
摘要:
针对SAMME算法对于不平衡数据集的分类效果不理想,对不同数据集的适应能力弱的缺陷,将其和极限学习机(ELM)结合并进行有针对性的改进,根据样本分布对训练样本的初始化权值进行重新分配,对训练过程中样本的权值和弱分类器的权值更新策略进行改进,给予弱分类器一个与其对少数类样本识别能力成正比的奖励项,增强了所得分类器对难分类样本的敏感性,使最终集成分类器性能有了显著提升.经过该集成算法与组成该算法的子算法的对比实验,论文方法取得了更优的G-mean以及F1值,验证了论文算法的有效性.其次,论文算法和其他分类算法的对比实验结果表明论文算法在大多数数据集上同样可以取得更高的G-mean以及F1值,实现更优的分类效果.
-
-
李金香;
王福胜
-
-
摘要:
梯度提升机(GBM)是一种重要且被广泛应用的监督学习算法,它结合弱学习器迭代生成一个强大的预测模型,提高单一弱学习器的性能.随机梯度提升机(RGBM)通过随机选取弱学习器的子集以减少计算成本,但只可在损失函数可微时训练数据.文章基于邻近点算法提出一种新算法——随机邻近提升机,该算法既适用于可微损失函数,也适用于不可微损失函数,与随机梯度提升机相比更具普适性.在真实数据集上的数值实验表明新算法有效且具有明显的优势.
-
-
谷云东;
刘浩
-
-
摘要:
为解决常规特征选择方法无法有效度量特征间的非线性相关的局限性,提出基于最优特征组合改进极限梯度提升(extreme gradient boosting,XGBoost)的负荷预测方法.该方法首先计算历史负荷与待预测负荷之间的互信息值(MI),取互信息最大的K个历史负荷特征形成MI滤集;进而从MI滤集取特征归因(SHAP)值最大的前L个特征形成SHAP滤集.通过粒子群优化寻找最优K、L值,建立基于最优特征组合改进极限梯度提升的预测模型(optimal feature combination improved XGBoost,OFCI-XGBoost).结果表明所提方法的预测误差为1.11%,低于相同策略改进的支持向量机、决策树、岭回归模型,验证了该预测模型的有效性.
-
-
张玲;
顾楚华;
傅华成;
宋宗根;
吴江;
张英俊
-
-
摘要:
早期诊断和治疗是降低乳腺癌发病率和死亡率的有效途径。使用乳腺X线摄影技术进行乳腺癌的早期筛查是一种常用方法,借助于计算机辅助的乳腺癌的图像分割在很大程度上可以帮助临床医生进行诊断和治疗。基于传统分水岭算法的过分割和漏分割问题,本文提出了一种改进的分水岭算法进行乳房肿块的分割方法,以提升算法分割的准确性和实用性,从而有效地对肿块进行分割。
-
-
陶媛媛
-
-
摘要:
目标跟踪是计算机视觉领域的作用是举足轻重的,它在生活的各个领域中都有极其重要的研究价值。然而,大多数目标跟踪算法由于其只使用离线训练的方法,一定程度上存在着局限性。故本文将提出一种基于Siam RPN与自适应模板更新的目标跟踪方法,以Siam RPN算法为基础进行目标的特征提取,通过利用目标物体在初始模板、累积模板及预测模板的信息以及Update Net,并采用了相应的残差策略,从而得到需要的更新模板,以此来提升算法的鲁棒性。
-
-
-
雷植程;
童丽霞;
吴俊江;
杨杰
-
-
摘要:
如何设计一款“听得清、解决好、监察快、运营易”的智能客服产品是极有挑战的,不同企业的智能客服产品离该目标还存在或大或小的距离。通常,我们会标注海量数据来训练机器模型,以提升算法的准确性、建设高度自助化的工具,减少用户与智能客服的交互轮数。
-
-
-
-
-
张艳丽
- 《第十二届全国青年通信学术会议》
| 2007年
-
摘要:
提升算法是构造第二代小波的了运算速度。本文将基于提升算法的第二代小波变换引入ECG信号的肌电干扰噪声抑制处理中,实验结果表明:ECG信号中的肌电干扰被有效去除,重建后的ECG信号的信噪比显著提高,达到较好的滤波效果。
-
-
马天斌;
陈向东
- 《2006年全国工业控制计算机年会》
| 2006年
-
摘要:
小波变换已被广泛应用于各种工业控制系统的信号处理部分.对基于提升算法的整数5/3小波变换算法进行了研究,并提出一种优化VLSI结构,该结构内嵌边界数据处理部分,利用有限状态机技术控制各个模块的运行.体现了提升算法的优势,较大的提高了硬件效率和运算速度.
-
-
刘红;
中国科学院;
空军航空大学;
翟林培;
高鹰;
修吉宏;
赵秀影;
中国科学院;
空军航空大学;
孙凤英
- 《第五届全国精密工程学术研讨会》
| 2005年
-
摘要:
利用第二代小波变换--提升小波变换,为第一代小波变换提供了一种新的更快速的实现方法,使得其构造不再依赖于Fourier变换构造,可以实现所有的第一代小波变换,提升方案把此变换过程分为分裂、预测和更新3个阶段.基于提升算法的小波变换是新一代静止图像压缩标准--JPEG2000的核心算法之一.在研究小波提升方案的基础上,分析了它在JPEG2000应用,最后将小波提升和Mallat算法进行分析比较,试验证明:提升方案的小波变换算法计算时间比Mallat算法减半。
-
-
-
黄思齐;
杨鲁平;
刘桥
- 《中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会》
| 2004年
-
摘要:
改进一种"内嵌延拓提升小波变换"(Combining the data-extension procedure into the lifting-based DWT core)快速算法,提出一种基于该提升算法的5/3小波变换硬件系统结构,它无需额外的边界延拓过程.由于将其边界延拓过程内嵌于小波变换模块中,使该结构具有减少内存使用量,降低功耗,提高硬件利用率和运算速度的特点.这种结构经系统验证适用于JPEG2000的5/3小波无损变换,当然也可用于其它各种实时图像压缩处理硬件系统.
-
-
张红梅;
桂林电子科技大学;
高海华;
王行愚
- 《2007年中国智能自动化会议》
| 2007年
-
摘要:
AdaBoost通过对错分样本增加权重来调整在后续单分类器序列中这些样本的重要度,使得错分样本能被正确分类,从而提升学习精度。但如果样本点。存在噪声或错误,会导致最终的分类器集成缺乏稳定性,泛化能力下降.针对这个问题,提出了一种权值阈值设定的方法来限制噪声样本的权值上限,并用入侵检测数据对算法改进前后进行了评估.实验结果表明,噪声样本抑制的AdaBoost算法具有很强的稳定性和泛化能力。
-
-
张红梅;
桂林电子科技大学;
高海华;
王行愚
- 《2007年中国智能自动化会议》
| 2007年
-
摘要:
AdaBoost通过对错分样本增加权重来调整在后续单分类器序列中这些样本的重要度,使得错分样本能被正确分类,从而提升学习精度。但如果样本点。存在噪声或错误,会导致最终的分类器集成缺乏稳定性,泛化能力下降.针对这个问题,提出了一种权值阈值设定的方法来限制噪声样本的权值上限,并用入侵检测数据对算法改进前后进行了评估.实验结果表明,噪声样本抑制的AdaBoost算法具有很强的稳定性和泛化能力。
-
-
张红梅;
桂林电子科技大学;
高海华;
王行愚
- 《2007年中国智能自动化会议》
| 2007年
-
摘要:
AdaBoost通过对错分样本增加权重来调整在后续单分类器序列中这些样本的重要度,使得错分样本能被正确分类,从而提升学习精度。但如果样本点。存在噪声或错误,会导致最终的分类器集成缺乏稳定性,泛化能力下降.针对这个问题,提出了一种权值阈值设定的方法来限制噪声样本的权值上限,并用入侵检测数据对算法改进前后进行了评估.实验结果表明,噪声样本抑制的AdaBoost算法具有很强的稳定性和泛化能力。
-
-
张红梅;
桂林电子科技大学;
高海华;
王行愚
- 《2007年中国智能自动化会议》
| 2007年
-
摘要:
AdaBoost通过对错分样本增加权重来调整在后续单分类器序列中这些样本的重要度,使得错分样本能被正确分类,从而提升学习精度。但如果样本点。存在噪声或错误,会导致最终的分类器集成缺乏稳定性,泛化能力下降.针对这个问题,提出了一种权值阈值设定的方法来限制噪声样本的权值上限,并用入侵检测数据对算法改进前后进行了评估.实验结果表明,噪声样本抑制的AdaBoost算法具有很强的稳定性和泛化能力。