AdaBoost算法

摘要： 背景:下肢外骨骼机器人用于恢复患者的基本行走能力,要实现人-机的高度协同和制定机器人控制策略,就要对包括步态在内的人体下肢运动意图进行识别.目的:提出一种新式分类器,利用人体表面肌电信号进行步态识别.方法:首先,采集人体5种步态模式的下肢表面肌电信号;其次,对采集的信号进行降噪和特征提取以获得5种步态模式的数据集,并将其两两结合形成10组数据集;再次,将每组数据集的训练集按照AdaBoost算法规则输入至概率神经网络进行训练;从次,将已训练概率神经网络集成获得10个强分类器;最后,将测试集样本输入到10个强分类器并采取投票机制判断其所述类别.结果 与结论:实验使用改进AdaBoost算法对5种步态模式进行识别,取得了90.2％的平均识别率;将其与仅使用一个概率神经网络进行对比,单独使用概率神经网络时的平均识别率为68.2％,低于改进AdaBoost分类器的平均识别率;将弱分类器更换为支持向量机、BP神经网络、决策树构建强分类器进行对比,当仅使用一个弱分类器时,支持向量机的平均识别率高于概率神经网络,然而将弱分类器使用改进AdaBoost算法集成以后,以概率神经网络为弱分类器时的识别率相较于以支持向量机为弱分类器时84.3％的识别率更高.

摘要： 为应对地铁盾构施工事故频发的问题,构建基于RUSBoost算法的地铁盾构施工安全预警模型,以空间单元为对象提取样本数据集训练模型,训练好的模型可以实时监控施工现场的安全状态,预警潜在的事故。结果表明:该安全预警模型具有良好的泛化能力,预测准确率较高,且运行时间短,具备一定的可推广性。

摘要： 随着现代人越来越喜欢用图像记录生活,每日上传至互联网的图像都呈爆炸式增长。公安部门可以利用海量的图像数据实现网络追凶,但现实中摄像头采集到的图像以及上传至网络的图像,并非都是统一状态的图像,而是包含各种状态的图像,例如不同表情、不同动作、不同角度、不同程度的角度偏斜,不同年龄,以及有背景干扰的图像,其中部分图像会因使用的设备不同,导致上传至网络的图像既有灰白图像又有彩色图像。这些多模态图像为人脸的准确识别增加了难度,要将实际中采集到的图像从如此复杂且规模庞大的数据集中匹配与识别出来,是一件十分困难的事。针对以上问题,提出将改进后的开源人脸识别库,即face_recognition库与Hadoop平台中的MapReduce进行结合,在确保识别准确率的前提下提升人脸检测速度,实现对大规模、多模态图像的有效识别。实验证明,本文的方法能够有效解决大规模多模态图像的识别问题,实时性高,实用性强。

摘要： 针对常规技术中的计量生产管理平台不完善、数据处理滞后等问题,提出一种新型的计量生产管理平台。构建包括数据层、访问层、计算层和应用层的分布式多层架构,实现数据的分层处理。设计包括计量客户服务层、计量业务处理层、计量工作质量监控层和计量调度层的计量生产调度数据管理平台,实现不同计量业务的管理,满足用户的多种需要。还融入了大数据处理算法,应用KNN算法实现不同类型数据的分类,通过构建AdaBoost算法模型,实现电能计量故障数据的诊断。试验表明,提出的方法数据处理能力强,工作效率高,误差低。

摘要： 针对单幅复杂环境图像阴影检测问题,提出一种基于多尺度超像素融合的自动阴影检测快速算法.首先利用深度图像计算各点的法向量及空间坐标,同时利用简单线性迭代聚类算法对彩色图像进行多个尺度的超像素分割;然后使用阴影置信度算法结合图像的色度、法线和空间位置信息分别估计各尺度下的超像素阴影置信度;最后采用Adaboost训练的分类器对各尺度下的超像素阴影置信度进行融合,得到最终的判决结果.实验结果表明,该算法的准确度明显高于原阴影置信度算法,运行时间约为原阴影置信度算法的10%,对于小块阴影、大面积阴影及边缘不清晰的软阴影检测表现较突出,适合对光线复杂环境下的图像进行前期预处理.

摘要： 21世纪以来,国内外对机器人技术的发展愈加重视。机器人技术被认为是对未来新兴产业发展具有重要意义的高技术之一。文中设计的智能六足机器人是一个以树莓派为控制中心,通过舵机控制六足机械腿移动的智能机器人。机器人上搭载USB摄像头,能够实时把画面传输至PC并进行图像处理。采用Web页面控制方法,开启FLASK服务器后,在任意联网设备上都可以通过IP访问网站,以此与机器人进行交互。此机器人除了能够通过六足移动和传输图像外,还搭载了人脸识别模块,可以作为一款室内智能电子宠物或者智能监管机器人,应用前景较为广阔。

摘要： 为了有效减少因疲劳驾驶而导致的交通事故,提出一种基于Adaboost和局部二进制特征(local binary patterns,LBP)算法的疲劳驾驶预警算法。算法采用Canny边缘检测算法对图像帧进行轮廓检测,并消除原图像噪点,根据亮度条件分别处理图像帧。在日间环境状态下,根据Adaboost算法识别出眼部和嘴部位置及开合状态。夜间环境状态下,采用相邻帧间差分算法确定眼部的矩形特征,采用LBP算法来处理嘴部的开合状态。同时,为了评估眼部状态信息和嘴部状态信息对驾驶员是否处于疲劳驾驶状态的比重,文章还进行了实验比对。实验结果表明:当嘴部状态信息权重β为0.44时,系统判别精度最高,最高精度可达93.4%。

摘要： 硬盘故障所致的数据丢失和损坏给企业和用户带来重大损失,硬盘故障预测也因此引起了学术界和企业界的高度重视,涌现了不少基于机器学习的故障预测方法,但由于存在机器学习算法模型的样本数据差异、性能指标不一致等原因,无法合理评估预测方法的优劣。鉴于此,建立了基于机器学习的硬盘故障检测评估平台,在统一的实验平台中对随机森林、逻辑回归、多层感知神经网络、决策树、朴素贝叶斯、极端梯度提升树、梯度提升决策树和AdaBoost算法模型进行故障预测性能比较,主要针对相同样本集和同一性能度量进行预测对比研究,还对同一预测模型在不同大小样本集上的预测效果进行了对比。实验结果表明:随机森林模型和梯度提升决策树模型不仅预测精度很高而且对不同规模的样本集具有很强的泛化性。

摘要： Adaboost算法作为机器学习算法的一种,它能够通过集成提升算法精度。讨论了Adaboost算法的结构及其特点以及对永磁同步电机匝间短路故障数据的处理以及建模,实现永磁同步电机匝间短路故障诊断预测功能。实验结果显示:利用Adaboost算法对永磁同步电机进行监测,在永磁同步电机发生匝间短路故障前对可能发生匝间短路故障的隐患进行预测,可以在永磁同步电机应用的各个场合进行应用,减少因匝间短路故障给工业生产带来的影响。

摘要： 为解决高铁建设大型装备作业时因为视觉盲区大而产生的人员安全问题,以高铁建设装备运行的典型场所,各工况下不同作业人员典型姿态图像为样本,采用Haar-like特征与Adaboost算法结合的训练方法,构建人员图像识别分类器,为提高分类器的准确性,在训练方法加入正样本自更新的方法以作改进。利用OpenCV分类器训练框架和Python语言,构建了高铁建设装备作业区域内人员的防入侵在线检测系统。试验和现场的运行验证了正样本自更新方法的可行性及系统的可靠性。

摘要： 本文提出一种应对夜间城市繁忙道路的车辆检测算法.目前夜间车辆检测研究主要集中在利用尾灯对称性和训练车辆分类器等方面.夜间城市道路中车辆密集、灯光繁杂,利用对称性不能精准识别车辆.而车灯周围发出的强烈光线对于分类器训练也造成很大干扰.本文提出采用自适应的感兴趣区域和二值化样本训练的Haar特征分类器,解决夜间车辆检测的诸多问题.采用固定阈值图像二值化,用以强化车灯的轮廓信息.并在该图像上通过几何规则匹配成对车灯,自适应地确定感兴趣区域,去除环境灯光干扰;依据AdaBoost算法训练二值化的Haar特征,重要的车灯特征被关注,极大缩短分类器训练时耗和检测时间.实验表明,本文算法检测召回率能够达到90.4％,具有很强鲁棒性.

摘要： 本文提出一种应对夜间城市繁忙道路的车辆检测算法.目前夜间车辆检测研究主要集中在利用尾灯对称性和训练车辆分类器等方面.夜间城市道路中车辆密集、灯光繁杂,利用对称性不能精准识别车辆.而车灯周围发出的强烈光线对于分类器训练也造成很大干扰.本文提出采用自适应的感兴趣区域和二值化样本训练的Haar特征分类器,解决夜间车辆检测的诸多问题.采用固定阈值图像二值化,用以强化车灯的轮廓信息.并在该图像上通过几何规则匹配成对车灯,自适应地确定感兴趣区域,去除环境灯光干扰;依据AdaBoost算法训练二值化的Haar特征,重要的车灯特征被关注,极大缩短分类器训练时耗和检测时间.实验表明,本文算法检测召回率能够达到90.4％,具有很强鲁棒性.

摘要： 本文提出一种应对夜间城市繁忙道路的车辆检测算法.目前夜间车辆检测研究主要集中在利用尾灯对称性和训练车辆分类器等方面.夜间城市道路中车辆密集、灯光繁杂,利用对称性不能精准识别车辆.而车灯周围发出的强烈光线对于分类器训练也造成很大干扰.本文提出采用自适应的感兴趣区域和二值化样本训练的Haar特征分类器,解决夜间车辆检测的诸多问题.采用固定阈值图像二值化,用以强化车灯的轮廓信息.并在该图像上通过几何规则匹配成对车灯,自适应地确定感兴趣区域,去除环境灯光干扰;依据AdaBoost算法训练二值化的Haar特征,重要的车灯特征被关注,极大缩短分类器训练时耗和检测时间.实验表明,本文算法检测召回率能够达到90.4％,具有很强鲁棒性.

摘要： 本文提出一种应对夜间城市繁忙道路的车辆检测算法.目前夜间车辆检测研究主要集中在利用尾灯对称性和训练车辆分类器等方面.夜间城市道路中车辆密集、灯光繁杂,利用对称性不能精准识别车辆.而车灯周围发出的强烈光线对于分类器训练也造成很大干扰.本文提出采用自适应的感兴趣区域和二值化样本训练的Haar特征分类器,解决夜间车辆检测的诸多问题.采用固定阈值图像二值化,用以强化车灯的轮廓信息.并在该图像上通过几何规则匹配成对车灯,自适应地确定感兴趣区域,去除环境灯光干扰;依据AdaBoost算法训练二值化的Haar特征,重要的车灯特征被关注,极大缩短分类器训练时耗和检测时间.实验表明,本文算法检测召回率能够达到90.4％,具有很强鲁棒性.

摘要： 本文提出一种应对夜间城市繁忙道路的车辆检测算法.目前夜间车辆检测研究主要集中在利用尾灯对称性和训练车辆分类器等方面.夜间城市道路中车辆密集、灯光繁杂,利用对称性不能精准识别车辆.而车灯周围发出的强烈光线对于分类器训练也造成很大干扰.本文提出采用自适应的感兴趣区域和二值化样本训练的Haar特征分类器,解决夜间车辆检测的诸多问题.采用固定阈值图像二值化,用以强化车灯的轮廓信息.并在该图像上通过几何规则匹配成对车灯,自适应地确定感兴趣区域,去除环境灯光干扰;依据AdaBoost算法训练二值化的Haar特征,重要的车灯特征被关注,极大缩短分类器训练时耗和检测时间.实验表明,本文算法检测召回率能够达到90.4％,具有很强鲁棒性.

摘要： 提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.

摘要： 提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.

摘要： 提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.

摘要： 提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.

摘要： 在对多类别样本数据集进行分类时,传统BP-AdaBoost算法通常采用“一对一”和“一对多”的方法,而随着训练样本数以及训练样本种类的增加,采用这两方法使得BP-AdaBoost训练的时间开销急剧增加,因此在实际应用中十分受限,尤其不适用于对大规模数据进行分类.针对该问题,本文提出多分类BP-AdaBoost分类算法,实现模型信息的有效利用与融合增强.实验结果表明,在相同测试情况下,该算法有效降低BP-AdaBoost训练过程中的时间开销.

摘要： 本发明涉及一种基于Adaboost算法的多失效模式下密封结构可靠性评估方法，采用Adaboost算法对小样本的密封圈失效相关数据进行分类迭代训练，直至集合分类器的分类误差达到精度要求，然后采用重要抽样法来计算密封结构相关参数波动情况下的失效概率，进而评估多失效模式下密封结构的可靠性。本发明解决了复杂结构多失效模式下可靠性评估耗时久，计算过程复杂的难题，对多失效模式下的复杂结构可靠性评估和设计优化问题具有重要的指导意义和实践价值。

摘要： 本发明公开了一种基于Adaboost算法的交通流特性分析与预测方法。本发明提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索，以解决神经网络易陷入局部最优的问题；并用Adaboost算法对优化过的神经网络集成，以解决神经网络对新样本集的泛化性能差问题，再此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布，使每个预测器最大程度提高网络预测精度。本发明可提高交通流预测精度对不同的交通流状态具有较好的适应性。

摘要： 本发明公开了基于Haar‑Adaboost算法和直方图对比的出租车检测方法，首先采集车窗区域的正负样本，提取正负样本的Haar特征；然后，基于Adaboost算法的级联分类器训练对正负样本进行处理，将待测图像和视频与基于Adaboost算法的级联分类器训练后的样本输入至加载级联分类器中，显示出租车检测结果，检测到的区域定位车顶灯区域，车顶灯区域颜色空间转换，最后进行直方图对比。考虑到实际环境中极易发生出租车相互遮挡的情况，因此选取出租车不易被遮挡的车窗区域为Haar特征提取区域。考虑到非现场执法过程中需要对复杂环境下的出租车实现实时检测，选取经典算法中实时性和鲁棒性好的Haar‑Adaboost算法训练出租车的车窗特定区域。通过该方法对出租车进行二次检测，减小出租车误检率。

摘要： 本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法，包括以下步骤：步骤1：样本采集：采集正样本和负样本；步骤2：样本标注：分别将正、负样本使用不同的数字进行标注；步骤3：特征选择：Haar特征包含多种模式，根据纹理的不同特征选择相应的特征模式；步骤4：AdaBoost级联分类器搭建和参数设置：AdaBoost算法是将多个弱分类器组合成强分类器的方法，需要指定每一层弱分类器的识别率、误识率以及弱分类器的个数；步骤5：利用样本训练得到正、负二分类的分类器；步骤6：纹理图像的质量估计。本发明方法将纹理图像分割为有交叠的图像子块，利用机器学习方法分类各图像子块，最后通过组合图像子块的分类结果得到质量估计。

摘要： 本发明公开了一种基于AdaBoost算法的边坡可靠度判断方法，本方法中，先根据小样本量的影响因素实际数据，通过均匀试验生成大样本量的数据集用于训练，得到影响因素和稳定性结果的映射关系，然后再通过蒙特卡罗模拟生成的大量随机变量数据带入该映射关系的模型中，求解出实效概率和可靠度指标。本发明能够更加可靠有效地分析判断边坡稳定程度大小，获得其失效概率，为边坡工程决策提供依据，更好地保证边坡工程的安全性。

摘要： 本发明涉及一种基于遗传算法（GA）和AdaBoost算法优化的BP神经网络功率短期预测方法。通过采集到的历史输出功率以及温度、湿度、太阳辐射强度等主要的影响因子作为输入变量，通过遗传算法的全局优化对BP神经网络的初始权值和阈值进行改进，同时AdaBoost强预测器通过对弱预测器的预测序列赋予不同的权重综合不同序列的精度优势，实现了AdaBoost强预测器的“优中选优”的目的。本发明的优点：GA‑AdaBoost‑BP模型兼顾了遗传算法以及AdaBoost算法二者的优点，有效提高了BP神经网络模型性能，具有预测精度高、泛化能力强的特点，此模型和方法能够很好的预测光伏输出功率。

摘要： 本发明公开了一种基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法。步骤一、采集帕金森病患者持续稳定的元音，并记录帕金森病患者是否有冻结步态症状；步骤二、对语音信号进行去噪预处理，并去除静音片段；步骤三、提取多种语音特征；步骤四、利用CART算法对原始特征进行特征选择，筛选出能够有效表征冻结步态症状信息的关键特征；步骤五、训练AdaBoost模型；步骤六、将待测语音的特征向量输入模型，得到帕金森病冻结步态症状的关键特征参数。本发明使用AdaBoost算法来进行帕金森病冻结步态症状的分析，利用集成学习提高模型精度，降低了帕金森病冻结步态症状早期分析的成本。

摘要： 本发明公开了一种基于肤色联合Adaboost算法的人脸检测方法，包括：对人脸图像进行预处理；建立新的颜色空间YCbCgCr；确定阈值模型以分割肤色和非肤色区域，得到初步的人脸检测候选图像；利用Adaboost算法训练弱分类器，将不同训练集中的弱分类器组合成强分类器，强分类器串联成级联分类器；利用训练好的级联分类器对选出的候选图像进行第二次检测，得到最终的检测结果。本发明算法流程明确，能够检测输入图像中的侧面或被遮挡的脸。

摘要： 本发明公开了一种基于relieff特征选择和BP_Adaboost算法的经济状况不佳家庭预测分类模型，包括如下步骤：对数据集进行预处理、对数据集进行划分、将训练集的数据代入到相应的算法中建立数学模型、把测试集中的数据通过建立好的数据模型进行分类预测、将数据模型预测的结果与真实标签相比较，根据模型评估方法及原则对各个模型进行评估；本发明为工作者提供一个可视化的展示平台，让工作者清晰的了解到各个村镇的经济状况不佳家庭的教育水平、务工情况、劳动力水平、健康状况、家庭住房情况等信息，通过及时走访调查来遏制情况的恶化，系统结合GIS展示出到地图上，并与图表信息联动，可以清晰的了解到整体局势，避免大规模经济状况不佳反复的情况发生。

摘要： 本发明涉及一种基于adaboost算法的平面编织面板蜂窝夹芯结构的失效面模拟方法，针对平纹编织面板蜂窝夹芯结构，基于ABAQUS有限元仿真软件建立的模型能准确预测结构的侧向承载力。利用adaboost算法，将构件的材料及尺寸等参数作为输入量，以侧向承载力为输出响应量，拟合平面编织面板蜂窝夹芯结构的失效面。本发明方法极大程度提高了计算效率。这对平面编织面板蜂窝夹芯结构可靠性研究有很大的工程意义，并且极大的缩短了科研时间。