AdaBoost分类器
AdaBoost分类器的相关文献在2007年到2022年内共计93篇,主要集中在自动化技术、计算机技术、公路运输、无线电电子学、电信技术
等领域,其中期刊论文65篇、会议论文3篇、专利文献2939607篇;相关期刊51种,包括宿州学院学报、长春理工大学学报(自然科学版)、光学精密工程等;
相关会议3种,包括SCEG2014研讨会(2014年“计算机科学与技术及教育技术“学术研讨会)、第十三届全国信号处理学术年会、首届数据分析与知识发现学术研讨会等;AdaBoost分类器的相关文献由250位作者贡献,包括文学志、方巍、郑钰辉等。
AdaBoost分类器—发文量
专利文献>
论文:2939607篇
占比:100.00%
总计:2939675篇
AdaBoost分类器
-研究学者
- 文学志
- 方巍
- 郑钰辉
- 宋俊芳
- 张茂军
- 王炜
- P·K·斯瓦米
- S·加干纳坦
- 于晓静
- 于朋朋
- 余建
- 关云冲
- 刘咏梅
- 叶庆卫
- 宋焕生
- 巩建强
- 张伟
- 张梦娇
- 徐庆伟
- 徐玮
- 曹万鹏
- 曹成功
- 曹银杰
- 朱和贵
- 李智慧
- 李超
- 李锦环
- 杨炜
- 熊志辉
- 熊璋
- 王桂林
- 王燕
- 王玉楠
- 田凤彬
- 赖世铭
- 赵鑫
- 邱翔
- 郎丰法
- 郭信谊
- 郭振铎
- 闻佳
- 陆志华
- 雷为民
- 韩萍
- 马玉志
- 高晨旭
- 魏京天
- 魏朗
- FENG Jun
- Han Dong
-
-
李辉熠;
乔波
-
-
摘要:
目的 设计基于多角度像特征的果蔬识别方案.方法 采用多角度特征的果蔬识别算法,在水平、垂直、多角度旋转等Haar-like特征的基础上与AdaBoost自学习算法充分结合.通过离线训练,获得识别西红柿的AdaBoost分类器,在此基础上以平均像素值为核心创造颜色特征分类器,使Haar-like与AdaBoost分类器有机结合,实现对果蔬类型的自动识别.结果 以西红柿为例进行识别时,准确性超过95%,且该方法对干扰因素具有较强的抗性,完成一帧图像的识别只需85 ms.结论 该方法能够迅速的完成识别任务,达到了实时性方面的要求.
-
-
王瑾;
王瑞荣;
李晓红
-
-
摘要:
针对目前采摘机器人工作环境复杂、效率低下等问题,在采摘机器人体系结构的基础上,提出了一种将AdaBoost分类器和颜色特征分类器相结合用于番茄采摘机器人的目标识别方法.通过试验分析该方法的性能,并与改进前的性能进行比较.试验结果表明,该方法的平均番茄识别时间为78.955 ms,识别准确率达到97%以上,性能优良,达到番茄采摘机器人对目标识别的要求.为实现采摘机器人智能化提供了一定的参考和借鉴.
-
-
张梦娇;
叶庆卫;
陆志华
-
-
摘要:
本文引入模糊推理的思路,提出了一种新的模糊弱分类器,为增强AdaBoost强分类器的噪声抵抗能力提供有效手段.把每个特征分布分解成多个模糊规则的叠加,模糊规则对应的隶属度函数采用高斯函数.样本具体的特征值经过模糊化后得到的隶属度函数与模糊规则进行适配,设定适配度阈值来判定样本的类别.在训练流程中,通过枚举搜索寻找最佳的模糊规则构成最佳模糊弱分类器,按AdaBoost算法组合到强分类器中.经UCI数据库、MIT-CBCL人脸数据库等仿真试验测试表明,由模糊弱分类器构成的改进Adaboost强分类器具有更好的噪声抵抗能力,且弱分类器个数更少.
-
-
-
-
张梦娇;
叶庆卫;
陆志华;
周宇
-
-
摘要:
针对双阈值型AdaBoost分类器存在搜索弱分类器过程复杂和训练耗时长的问题,结合遗传算法的思想,提出了一种基于遗传寻优的双阈值型AdaBoost分类器.该方法通过对特征和两个阈值的编码来寻找弱分类器,利用遗传算法的全局寻优性,能够快速寻找到最佳弱分类器,减少训练时间.另外,在此基础上提出设置两阈值之间最小间距的方法,增强其抗干扰能力,具有更好的鲁棒性.为验证实验效果,对MIT-CBCL人脸库提取局部二值模式(Local Binary Pattern,LBP)特征进行验证.实验结果显示,改进后的双阈值型AdaBoost分类器比经典AdaBoost分类器在训练时间上提升了5倍,比双阈值型AdaBoost分类器提升了18倍,具有更快的收敛速度.与此同时,因为增加了两阈值之间的最小间距,改进后的算法具有更强的抗噪性能.
-
-
-
孙长翔;
邱翔;
罗希;
黄前华;
曹成功
-
-
摘要:
高压输电线路中防震锤锈蚀会危害输电线路的安全运行.基于图像处理技术提出了一种基于聚合通道特征的防震锤检测和锈蚀缺陷识别的算法.该算法首先引入聚合通道特征(Aggregate Channel Features,ACF)分别提取无人机拍摄的输电线路图像中的颜色、梯度幅值和梯度方向直方图,构建多尺度ACF金字塔;利用滑窗法和Adaboost分类器检测图像中的防震锤,并使用非极大抑制操作得到最佳防震锤的位置;再结合Graph Cuts算法实现防震锤图像的分割;最后采用RGB颜色模型识别防震锤锈蚀缺陷.实验结果表明:该算法对防震锤位置的检测和锈蚀识别的精度较高.
-
-
王泽云;
陈耀忠;
柳仁地;
盛党红;
张闰楚
-
-
摘要:
针对能够通过人眼球运动控制其运动的眼控机械臂,提出了一种基于图像梯度的眼动追踪算法.首先通过60 Hz摄像头捕捉连续帧图像并采用n帧一次比较的方式代替逐帧比较方式.然后对捕捉到的图像进行灰度化处理以消除噪声点.接着利用Haar特征和Adaboost分类器将人脸区域提取出来.再根据三庭五眼的原则进行眼球区域粗略萃取,并进行部分区域单独放大灰度化处理.最后利用图像梯度,对目标函数设定阈值进行二值化,完成精确的眼球中心定位.实验表明,该方法的准确度和定位速度完全适用于眼控机械臂.
-
-
胡念;
张四平;
王梅
-
-
摘要:
传统的人脸检测算法日渐成熟,但由于人脸五官的复杂性和外物的遮挡,使得人脸识别的准确率大大降低.在此背景下,笔者提出以Haar-Like T特征为基础的人脸检测算法,运用Adaboost分类器进行特征选择.实验结果表明:相比于传统的Haar-Like人脸检测算法,本文所提算法的检测率更高,误检个数更少,显著提升了人脸检测的效率.
-
-
Jia Shanshan;
贾杉杉;
Liu Chang;
刘畅;
Sun Lianying;
孙连英;
Liu Xiaoan;
刘小安;
Peng Tao;
彭涛
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9%、80.1%、91.2%. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.
-
-
Jia Shanshan;
贾杉杉;
Liu Chang;
刘畅;
Sun Lianying;
孙连英;
Liu Xiaoan;
刘小安;
Peng Tao;
彭涛
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9%、80.1%、91.2%. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.
-
-
Jia Shanshan;
贾杉杉;
Liu Chang;
刘畅;
Sun Lianying;
孙连英;
Liu Xiaoan;
刘小安;
Peng Tao;
彭涛
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9%、80.1%、91.2%. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.
-
-
Jia Shanshan;
贾杉杉;
Liu Chang;
刘畅;
Sun Lianying;
孙连英;
Liu Xiaoan;
刘小安;
Peng Tao;
彭涛
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9%、80.1%、91.2%. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.
-
-
Jia Shanshan;
贾杉杉;
Liu Chang;
刘畅;
Sun Lianying;
孙连英;
Liu Xiaoan;
刘小安;
Peng Tao;
彭涛
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9%、80.1%、91.2%. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.
-
-
Jia Shanshan;
贾杉杉;
Liu Chang;
刘畅;
Sun Lianying;
孙连英;
Liu Xiaoan;
刘小安;
Peng Tao;
彭涛
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9%、80.1%、91.2%. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.
-
-
-
-