Go To English Version 超过100万源码资源,1000万源码文件免费下载
  • 论文研究-一种基于AdaBoost-SVM的流量分类方法.pdf 针对传统分类方法的缺陷, 提出了一种基于AdaBoost-SVM的流量方法。该方法利用K-L变换从大量冗余流量特征中遴选出少量本征特征, 有效降低了算法的处理复杂度; 应用AdaBoost机制将一次分类过程等分成若干层基于支持向量机的弱分类器, 使得分类方法简单、易于实现; 通过分层组合和迭代权重的方法聚焦在困难分类的数据样本上, 提高了分类器的准确性能。理论分析和实验结果表明:在降低计算复杂度的同时, AdaBoost-SVM算法的准确性能够达到95%。
  • 论文研究-基于多肤色空间及AdaBoost算法的人脸检测方法.pdf 针对复杂背景和可变光照下的彩色图像人脸检测问题, 提出一种基于多肤色空间下的肤色分割及AdaBoost算法的人脸检测方法。首先利用均值滤波、拉普拉斯算子等方法对图像进行增强处理; 然后结合YCbCr、YCgCr、YCgCb三种颜色空间下的多肤色空间对图像进行肤色分割, 定位出候选的人脸区域; 最后对AdaBoost算法的检测过程进行研究验证, 检测出人脸并指示。数据显示, 该方法在时间、检测率、漏检 ...
  • 论文研究-基于AdaBoost算法的智能轮椅机械臂抓取控制研究.pdf 提出了基于AdaBoost目标检测算法的机械臂抓取控制,当通过AdaBoost算法检测到目标物体,通过串口发送数据给单片机;单片机分析处理数据生成控制指令控制机械臂运动,实现了机械臂的动态抓取。
  • 论文研究-一种基于顺序QR分解和AdaBoost分类器的盲水印算法.pdf 提出了一种基于顺序QR分解和AdaBoost分类器的智能水印算法。对顺序QR分解并提取R矩阵的对角线元素来构造样本特征向量并嵌入水印。在水印提取过程中,利用AdaBoost分类器对待检测的样本向量进行分类。实验结果表明,提出的方法不仅能够抵抗诸如噪声、滤波和压缩的类噪声攻击,也可以抵抗类似裁剪和旋转的几何失真。
  • 论文研究-基于MTS-AdaBoost的不平衡数据分类研究.pdf ... 分类问题已经成为数据挖掘的瓶颈问题之一。马田系统(MTS)是一种多元模式识别方法,将其与AdaBoost集成算法相结合,形成MTS-AdaBoost算法。该算法以MTS为基分类器,根据上一个基分类器的预测结果,自行调整下一个基分类器中样本被抽中的 ... 的平衡度。最后,利用该算法对2010—2015年间上市公司的财务危机预警进行实证研究,结果表明,MTS-AdaBoost算法在系统降维和分类效果上都优于传统MTS,也优于其他常用的单一分类器。
  • 论文研究-一种改进AdaBoost算法的车牌检测方法.pdf 针对传统AdaBoost算法的不足,分析了分类器训练耗时和训练过程中容易出现样本权重扭曲的问题,并提出了解决这一问题的有效方法。新方法主要对特征值和排序结果进行缓存以及对样本权重的更新规则进行适当调整。实验结果表明,使用该方法训练级联车牌检测器能较好地解决传统AdaBoost算法中所出现的权重扭曲及训练时间长的问题,在提高检测率的同时训练时间缩短了50%左右。
  • 论文研究-基于AdaBoost的类不平衡学习算法.pdf ... 对少数类的边界样本进行自适应采样,提高了数据集的平衡度和有效性;同时将AB-SMOTE算法与数据清理技术融合,形成基于AdaBoost的集成算法ABTAdaBoost。ABTAdaBoost算法主要包括三个阶段:对训练数据集采用AB-SMOTE算法,降低数据集的类不平衡度;使用Tomek links数据清理技术清除数据集中的噪声和抽样方法产生的重叠样例,有效提高数据的可用性;使用AdaBoost集成算法生成一个基于N个弱分类器的集成分类器。实验分别以J48决策树和朴素贝叶斯作为基分类器,在12个 ...
  • 论文研究-基于动态权重的AdaBoost算法研究.pdf 针对AdaBoost算法只能静态分配基分类器权重,不能自适应地对每个测试样本动态调整权重的问题,提出了一种基于动态权重的AdaBoost算法。算法通过对训练样本集合进行聚类,并分析每个基分类器和每个类簇的适应性,进而为每个基分类器在不同类簇上设置不同权重,最终根据测试样本与类簇之间的相似性来计算基分类器在测试样本上的权重。在UCI数据集上的实验结果表明,提出的算法有效利用了测试样本之间的差异性,得到了比AdaBoost算法更好的效果。
  • 论文研究-基于AdaBoost的公交客流量统计算法.pdf 为解决复杂场景目标识别中伪目标的干扰问题,采用基于AdaBoost分类的方法分析疑似目标的三维轨迹,结合真实目标共有的特征信息,进一步分类真实目标与伪目标。首先,根据深度相机获取的深度图像提取疑似目标的人头区域,利用Kalman滤波跟踪得到二维轨迹;其次,通过摄像机标定将目标的二维轨迹转换为空间中的三维轨迹;最后,利用AdaBoost训练正负样本得到强分类器,进一步分类真实目标与伪目标。实验结果表明,该方法能够有效地提高目标识别的精度,对复杂场景下的目标识别具有良好的适应性。
  • 论文研究-支持向量机与AdaBoost的结合算法研究.pdf 将支持向量机与AdaBoost算法相结合,称其为Boost-SVM。从提升泛化性能和预测精度等方面对支持向量机的学习算法进行了研究与比较。Boost-SVM实验结果表明,该算法提高了支持向量机的预测精度并优化了学习机的性能。