版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、在現(xiàn)代城市的各種常見災害中,火災對工礦企業(yè)、居民住宅、交通隧道等室內場所人員、物資安全危害極大。近年來,室內火災探測技術已從傳感器監(jiān)測發(fā)展到視頻監(jiān)測。盡管通過研究火焰的靜態(tài)與動態(tài)特征,基于視頻的監(jiān)測方法在準確性方面得到一定的改善,但由于存在眾多類火物的干擾,提高室內火災視頻監(jiān)測的準確性存在諸多挑戰(zhàn)。其中,火災視頻監(jiān)測本質上是一種在線貫序的不均衡數(shù)據(jù)分類問題,因此,僅僅研究火焰特征不足以有效提高識別精度。本文針對上述特點,在充分提取火焰特
2、征的基礎上,重點對后端所采用的模式識別算法進行改進,從而達到提高火焰在線檢測精度的目的。主要工作和貢獻如下:
首先,介紹了傳統(tǒng)的火災檢測視頻處理技術和圖像處理的基本理論,然后對極限學習機的基本原理、以及與BP神經網絡的不同之處進行了簡單的介紹。
其次,提出了一種極限學習機的模型選擇方法,該算法采用多目標優(yōu)化的極限學習機選擇方法對泛化誤差和輸出權重的模進行優(yōu)化;在此基礎上提出采用多目標優(yōu)化策略的不均衡極限學習機模型選擇
3、算法,該算法可有效避免不均衡數(shù)據(jù)下模型權重偏向于多類數(shù)據(jù)、抑制少類數(shù)據(jù)預測精度的問題。
最后,針對在線采集到的數(shù)據(jù)嚴重類別不均衡問題,提出了一種基于主曲線的在線貫序極限學習機分類算法,該算法采用在線貫序極限學習機進行分類,利用少類樣本合成過采用算法(SMOTE)生成符合樣本分布特點的虛擬樣本,根據(jù)點到主曲線的投影距離分別設定各類樣本的隸屬度,根據(jù)隸屬度消減多類樣本,剔除不合理的虛擬樣本,以解決在線過程中的類別不均衡問題。該算法
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 面向在線不均衡數(shù)據(jù)分類的極限學習機算法研究.pdf
- 基于深度學習的極限學習機算法研究.pdf
- 基于集成學習的極限學習機的算法研究.pdf
- 面向不平衡分布數(shù)據(jù)的主動極限學習機算法研究.pdf
- 灰色極限學習機預測算法研究.pdf
- 基于極限學習機的多示例算法研究.pdf
- 基于極限學習機的目標識別算法研究.pdf
- 基于極限學習機的選擇性集成學習算法研究.pdf
- 煙花算法優(yōu)化極限學習機的研究及應用.pdf
- 基于序列數(shù)據(jù)獲取的改進極限學習機算法研究.pdf
- 極限學習機隱含層節(jié)點選擇算法研究.pdf
- 極限學習機的研究與應用.pdf
- 基于監(jiān)督聚類的極限學習機的增量學習算法研究.pdf
- 基于集成極限學習機的神經元分類算法研究.pdf
- 支持隱私保護的極限學習機研究.pdf
- 基于極限學習機的不確定數(shù)據(jù)分類算法.pdf
- 基于進化極限學習機的特征加權近鄰分類算法.pdf
- 不平衡數(shù)據(jù)分類和極限學習機算法研究.pdf
- 基于正則極限學習機的冠字號碼識別算法研究.pdf
- 基于極限學習機的圖像標注研究.pdf
評論
0/150
提交評論