摘要：复杂场景目标识别是图像理解领域的重点和难点。boosting算法是机器学习中用于提高精度的算法,现已在简单目标识别中获得广泛应用。提出了一种针对复杂场景目标识别任务的统计学启发boosting算法,补充了现有识别任务中boosting方法所缺乏的理论分析依据。首先在统计学基础上,分析了boosting的稳定性能,以此快速确定弱分类器数目,解决了算法性能的不可预测性,缩短了算法设计时间。之后针对不同复杂程度的真实世界场景,设计稳定有效的boosting识别算法,实验结果表明算法对存在光照、视角、干扰、遮挡和类内多变的场景目标均有较高的识别精度,具有鲁棒性。

摘要：针对传统剩余泊位预测方法存在预测精度不高的问题,采用STM32作为双向地磁车辆检测传感器主控芯片,确定车辆通行的方向信息。控制器中使用ATMega1280嵌入式处理芯片,其具有EEPROM小容量数据存储功能。设计停车诱导子系统,采集、处理、传输和发布停车信息。采用boosting算法,构建泊位预测模型,并计算停车诱导距离。设计泊位预测流程,将T轮训练参数代入预测模型中,获取最终预测结果。由实验结果可知,该系统泊位使用率最高为91%,与实际数据一致,说明泊位预测结果较为精准。

摘要：提出一种通过计算机图像识别火灾的新方法。首先根据亮度定位可疑火灾区域,对该区域中像素点提取亮度变化率及火焰面积变化率等特征,并提出一种新的谱值特征,以消除规则闪动的光源带来的干扰。之后,采用Gentle boosting算法设计分类器,在训练的同时进行最优特征选择,实现了对特征空间的降维及分类。最后,实验给出了在多种环境下的识别结果及对细小火苗的定位结果,表明了方法在识别精度与计算时间上的优势。

摘要：在导弹设计与研发的初期阶段,需要寻求高效且低成本的导弹气动力特性的分析方法。然而,气动性能分析过程中往往存在试验成本高、周期长、局限性大等问题。因此,本文采用基于提升(boosting)的机器学习集成算法进行导弹气动特性预测,通过输入导弹的气动外形参数、马赫数和迎角,对于导弹气动力系数实现快速预测。结果表明,boosting能够对导弹气动力系数进行精准高效预测。为进一步提升预测精度,与传统的机器学习参数调整方法相比,采用贝叶斯优化方法对梯度提升(Gradient boosting)算法超参数进行优化,调优后的Gradient boosting方法预测的导弹气动力系数与实际值吻合度得到提升,并将贝叶斯优化的Gradient boosting方法与XGBoost、LightGBM、Adaboost方法进行了对比,贝叶斯优化的Gradient boosting方法预测精度优于其他boosting方法,证明了优化方法的可行性与有效性。

摘要：为了探索高效且能大区域应用的基岩填图方式,本文整合水系沉积物地球化学数据和局部空间Moran’s I指数、高程、坡度、坡向变率、高磁、断层、矿点、水系等多元地学数据作为附加特征,采用浅层机器学习决策树及其Bagging和boosting集成算法,以及深度学习的图卷积网络,分别训练了不同的基岩判别模型。结果表明,相比浅层机器学习的决策树及其集成算法,深度学习的图卷积神经网络基岩判别模型仅使用20%带标签数据就获得了最高的78.31%判别精度。应用基于图卷积网络的基岩类型判别模型对察汗乌苏河地区第四系覆盖物下伏基岩填图,预测结果与其周边基岩类型协调一致,该模型可用来探究更全面的区域基岩分布情况。

摘要：近年来,大部分卷积神经网络都是通过人为设计更复杂的网络结构,并添加额外的计算量和参数量来提升任务的性能。然而更复杂的网络具有以下不足:传统的卷积层依赖于重复固定的学习模式并且子滤波器之间相互独立,无法精准地提取详细的区分信息;网络层数加深时会出现大量的冗余特征。提出了一种能够嵌入深度神经网络的多尺度差分互补卷积单元。该单元通过在单个分组卷积中构造分层的差分互补连接,分层级增强了内部分组的输入特征,使得卷积层中每组滤波器的学习区域各有侧重,同时显著改善了每个卷积层的多尺度表述能力,从而实现网络性能的提升。实验结果表明,基于差分互补卷积的网络结构在不引入额外的参数时具有更高的识别精度。

摘要：随着计算机科学、数学和气象科学的发展,数值天气预报得到了广泛的应用。应用AdaBoost算法提升boosting算法的性能,提高多模式集合预报的准确率;将集合预报结果应用于基于水库流域、电网、高速公路、旅游景点等GIS底图的专业预报产品制作中,设计并建立一套精细化专业气象集合预报系统。该系统安全可靠、性能稳定、功能开放、技术先进,能满足专业气象预报人员对各单模式和集合预报结果的查询、修正、质量检验和专业气象预报产品快速制作的需求。

摘要：从机器学习的角度系统研究网络流量检测,将boosting算法引入到网络异常流量的检测当中,设计两种不同的弱学习方法:估计多变量高斯分布和估计超球体区域。实验结果表明,基于boosting的检测算法性能要优于一类支持向量机,同时也表明作为一种提升弱学习算法性能的一般性策略,boosting在非监督情况下是非常有效的。

摘要：为了对垂直于图像平面[-90°,90°]和图像平面内360°范围的人脸姿态进行快速准确的检测分类,提出一种精确分类的视角无关人脸检测方法和可重构硬件体系结构.设计了由多个检测节点组成的树形检测器框架,并将多个姿态区间的分类问题采用向量式共享输出空间的方式统一起来,提出一种两段式boosting方法对检测节点进行训练;挖掘了检测过程的时间空间并行性,进而设计了一种高度并行的可重构硬件体系结构模板,通过对体系结构模板进行动态配置,实现了硬件代价、检测精度和速度的平衡.实验结果表明,与已有方法相比,文中方法具有较高的精度与速度;对于160×120～800×600分辨率范围内的图像,该方法在FPGA上的硬件实现与在PC上的软件实现的执行时间加速比为14.68～20.86.

摘要：研究提出一种基于Gabor小波的火灾烟气模型,以提高基于视频图像的火灾烟气检测的准确性。本文采用混合高斯模型与色度方差相结合的方法定位火灾烟气目标区域,并基于Gabor小波对烟气纹理及边缘特征进行描述,从而提出烟气变化能量模型与方向角分布模型来分析纹理变化的动态性质。最后采用Gentle boosting设计分类器对模型特征进行分类与匹配,并实现在训练的同时进行最优特征选择。与传统方法相比,基于本文方法的火灾烟气检测在降低漏报率与误报率方面拥有更好的性能。