摘要：提出一种联合弱分类器集成学习算法。借鉴Adaboost方法采用弱分类器构建强分类器的思想,联合多个弱分类器构建特征分类的得分函数,生成一个集成分类器。在分类器训练时,采用ROC曲线围成的AUC面积值构建目标函数,加入虚警率上下限约束条件,采用列生成算法学习弱分类器,采用割平面法学习弱分类器的系数。在PASCAL VOC-2007数据集上进行目标检测实验,实验结果表明,与常用的支持向量机、Adaboost、随机森林和卷积神经网络分类方法相比,该方法的假正率指标低,真正率指标高。

摘要：针对现有算法对心理健康状态评估准确度低,难以有效替代传统人工处理方式,导致心理危机预警不及时等问题,文中设计了一种基于改进ANN的心理危机预警算法模型。该模型在全面收集可能影响学生心理状态信息的基础上,通过筛选与特征提取分析得到了ES-ANN网络所需的数据集合,再引入BP算法与ReLU激活函数获得相关预警模型。该模型可在被测者心理存在异常问题时及时发出预警信息。实验结果表明,该算法对心理危机预警的准确率及查准率能够分别达到92.1%和81.6%,且均优于其他对比算法。

摘要：针对高光谱数据多特征组合问题,提出了一种在多核学习框架下利用多核Boosting实现特征组合最优和异质互补的高光谱影像分类算法。此算法充分利用了高光谱遥感数据的光谱特征和空间特征,在大量的影像属性和分类器中实现最优分类,以充分利用遥感数据的互补信息。多核Boosting算法是对常用的多特征组合方法的拓展,与传统的多核学习方法不同,该方法是在多核学习的基础上将高光谱图像的光谱域和空间域信息投影到不同核空间中形成核矩阵,然后将核矩阵转化成弱支持向量机分类器组,最后利用Boosting算法对不同给定特征的弱分类器进行学习得到不同权重的强分类器,从而将特征与分类器结合。最终分类精度可以提高5%~6%,实现多特征优势组合。

摘要：设计一个机器学习分类算法,实现对果蝇求偶行为的自动识别。在对图片规范化的基础上,提取图像局部二元模式统计特征与沃尔什特征获得果蝇求偶图像纹理几何特征。通过基于特征选择的集成学习来构建一个强分类器,实现对果蝇求偶行为的检测;采用十折交叉验证的方法进行验证,检测结果优于传统的图像处理分割算法。基于特征选择快速选择性集成,效率高于传统集成方法,基于特征选择集成学习识别昆虫的复杂纹理是可行的。通过机器学习方法来识别果蝇行为谱可以实现大规模的行为筛查,这将有助于基因和神经回路控制行为的研究。

摘要：美国的Voila博士提出的基于Haar-like特征的人脸检测算法是一种具有巨大发展潜力的新算法,快速而准确。通过研究,认为这一算法还存在两个有待改进的地方:一是在检测率和误检率之间难以权衡,二是可检测人脸姿态受训练样本制约。对此提出了改进措施,设计了一个可以检测相对于垂直方向有±45°偏转的正面人脸的检测算法,与基于Haar-like特征的人脸检测算法相比,具有更好的鲁棒性和更低的误差率。

摘要：Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。

摘要：提出基于极端梯度提升树(eXtreme gradient boosting, XGBoost)算法的图像属性标注模型,以改善标注性能:提取图像局部二值模式(local binary patterns, LBP)、灰度纹理空间包络特征(Gist)、尺度不变特征变换(scale invariant feature transform, SIFT)、视觉几何组(visual geometry group, VGG)等特征,以准确刻画图像视觉内容;基于图像特征,采用XGBoost算法集成弱分类器为强分类器,完成图像属性标注;深入挖掘图像属性蕴含的深层语义,构建全新的、层次化的属性表示体系,以贴近人类客观认知;设计迁移学习策略并合理组合分类模型,进一步改善标注性能。试验表明:Gist特征能真实刻画图像视觉内容;执行基础迁移学习后,标注精准度比迁移学习前最优指标提升8.69%;执行混合型迁移学习后,合理组合分类模型,标注精准度比基础迁移学习的最优指标提升17.55%。模型有效地改善图像属性标注精度。

摘要：针对机器人动作理解,设计基于强分类器的BP网络机器人动作理解系统,阐述了BP网络模型和AdaBoost算法并说明了弱分类器与强分类器的训练步骤。使用了公开的MSRC-12 Gestrue数据集来验证系统的可靠性。为实现原始数据的降维并保证运动信息的完整,系统通过提取了关键帧中人的9段骨骼向量与中心骨骼向量间的夹角作为动作特征;利用BP网络弱分类器对训练样本的错分误差更新样本的权值;并将10轮训练得到的分类器融合为最后的决策函数,完成了对不同个体的6种动作的准确识别。