-
题名基于SVM一对一多分类算法的二次细分法研究
被引量：19
- 1
-
-
作者
陈中杰
蒋刚
蔡勇
-
机构
西南科技大学计算机科学与技术学院
西南科技大学制造科学与工程学院
-
出处
《传感器与微系统》
CSCD
北大核心
2013年第4期44-47,共4页
-
基金
国家自然科学基金资助项目(11176027)
-
文摘
在研究了支持向量机(SVM)多分类算法的基础之上,针对一对一多分类算法出现不可分区域问题,提出了基于SVM一对一多分类算法的二次细分方法,并将该方法应用于弹簧应力小样本数据的多分类仿真实验。通过与原始方法的仿真结果进行对比,改进方法在多花费了极短时间的前提下,显著提高了分类正确率。针对改进方法可能存在的问题,又通过10次仿真实验验证了该方法的可行性,同时也为SVM在小样本分类领域提供了新的思路。
-
关键词
svm多分类算法
一对一多分类算法
不可分区域
二次细分法
小样本分类领域
-
Keywords
multi-classification algorithm of svm
one-versus-one multi-classification algorithm
inseparable area
secondary subdivision method
classification field of small samples
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名一种级联两阶段分类的行人检测方法
被引量：3
- 2
-
-
作者
刘燕德
曾体伟
陈洞滨
周鑫
-
机构
华东交通大学机电工程学院
-
出处
《电子测量技术》
2018年第19期1-6,共6页
-
基金
江西省教育厅科学技术研究(GJJ160499)
江西省科技支撑计划(20141BBE50025)项目资助
-
文摘
行人头肩部位检测是计算机视觉领域的难点,针对传统行人头肩检测过程中误检率高的问题,提出两阶段HOG特征结合ORB特征的头肩检测算法。首先在特征提取阶段,基于AdaBoost级联分类算法训练HOG特征生成第1阶段头肩检测器,检测出行人头肩部位的＂候选区域＂;接着,使用SVM分类算法训练ORB特征生成第2阶段头肩检测器,对＂候选区域＂进行第2次检测。测试结果表明,相比与传统HOG特征准确率提升10%,两阶段检测算法头肩检测准确率达到了85.60%,有效提高了视频中行人头肩检测的准确性。
-
关键词
ADABOOST
HOG特征
svm分类算法
ORB特征
-
Keywords
AdaBoost
HOG feature
svm classification algorithm
ORB feature
-
分类号
TN911
[电子电信—通信与信息系统]
-
-
题名考虑多状态特征的非侵入式负荷识别方法
被引量：1
- 3
-
-
作者
王磊
马佳琪
韩肖清
薛邵锴
杨蕊麟
白桦
-
机构
电力系统运行与控制山西省重点实验室(太原理工大学)
国网山西省电力公司太原供电公司
-
出处
《电网技术》
EI
CSCD
北大核心
2024年第11期4720-4728,I0075,共10页
-
基金
山西省基础研究计划青年科学研究项目(202203021212288)
山西省科技重大专项(20181102028)。
-
文摘
针对传统负荷识别存在无法准确区分含有多种运行状态的负荷识别问题,该文提出一种考虑负荷多状态特征的非侵入式负荷识别方法(non-intrusive load monitoring,NILM)。首先,利用VGG16卷积神经网络(visual geometry group 16neural network,VGG16)对负荷的U-I轨迹进行初步分类。然后,采用最大相关最小冗余特征选择(max-relevance and min-redundancy,mRMR)算法,从未成功分类的负荷的各个工作状态中筛选出最优特征组合作为输入,通过支持向量机(support vector machines,SVM)算法进行二阶段识别,达到快速精细化识别多状态易混淆电器的分类效果。最后,利用Plaid数据集,对分别考虑单个状态和多个状态特征的识别效果进行对比分析。结果表明,文中所提方法可以有效区分易混淆的多状态电器,提高了识别准确性。
-
关键词
非侵入式负荷识别
多状态电器
U-I轨迹特征
VGG16神经网络
svm分类算法
-
Keywords
non-intrusive load monitoring
multi-state appliances
U-I trajectory features
VGG16 neural network
svm classification algorithm
-
分类号
TM721
[电气工程—电力系统及自动化]
-
