-
题名基于特征重要性加权的随机森林点云分类研究
被引量：1
- 1
-
-
作者
吴冬
阎卫东
王井利
-
机构
沈阳建筑大学土木工程学院
-
出处
《电子测量技术》
北大核心
2023年第20期120-127,共8页
-
基金
辽宁省科技厅项目(2021JH2/10100005)资助
-
文摘
针对传统的随机森林模型构建时样本选取的随机性导致随机森林中包含了大量分类精度较低、分类性能相似的决策树分类器,进而影响整体随机森林模型分类精度与效率的问题,该文提出了一种基于特征重要性加权投票的随机森林算法。从决策树分类精度、不一致度量两方面剔除分类精度较低、分类性能相似的决策树,依据整体随机森林与单棵决策树特征重要性之间的相似性,计算每棵决策树的投票权重,提高了三维点云分类精度与分类效率。实验表明,改进后的随机森林分类算法照比传统的随机森林、支持向量机、决策树、神经网络、基于点特征分类方法分别提高了0.20%、15.159%、5.893%、6.316%、28.935%。在分类效率上,改进的随机森林照比传统的随机森林减少了约75%的时间。
-
关键词
点云分类
随机森林
不一致度量
特征重要性
加权投票
-
Keywords
point cloud classification
random forest
inconsistency measure
feature importance
weighted voting
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名相对边缘方向幅值模式耦合SIFT的人脸识别算法
被引量：2
- 2
-
-
作者
赖玲
郑笔耕
谭云兰
-
机构
荆楚理工学院计算机工程学院
荆楚理工学院电子信息工程学院
井冈山大学电子与信息工程学院
-
出处
《计算机工程与设计》
北大核心
2021年第3期859-866,共8页
-
基金
国家自然科学基金项目(61462046)
流域生态与地理环境监测国家测绘地理信息局重点实验室招标基金项目(WE2016015)
+2 种基金
湖北省教育厅产学研合作基金项目(201801329007)
湖北省教育厅科学研究基金项目(B2015240)
2019年荆门市引导性科研基金项目(2019YDKY078)。
-
文摘
人脸识别易受到光照变化、遮挡等影响,降低了识别准确率,为此提出一种基于相对边缘方向幅值模式(relative patterns of oriented edge magnitudes,RPOEM)与尺度不变特征变换(scale-invariant feature transform,SIFT)的人脸识别算法。检测脸部的关键点,利用k-均值对这些特征点进行聚类;为消除光照变化的干扰,计算图像的相对梯度幅值,对其进行离散化分解与Gaussian滤波处理;采用局部二值模式编码生成RPOEM特征;引入加权因子,对RPOEM与SIFT特征进行加权组合;通过定义非一致度量来完成对人脸识别的共形预测。实验结果表明,与已有的人脸识别技术对比,所提算法具有更高的识别准确率,对多种复杂背景具有更强的鲁棒性。
-
关键词
人脸识别
相对边缘方向幅值模式
尺度不变特征变换
K-均值
不一致度量
共形预测
-
Keywords
face recognition
relative patterns of oriented edge magnitudes
scale invariant feature transform
k-means
non-conformity measure
conformal prediction
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名多尺度分类挖掘算法
- 3
-
-
作者
张璐璐
赵书良
田真真
陈润资
-
机构
河北师范大学计算机与网络空间安全学院
河北师范大学河北省供应链大数据分析与数据安全工程研究中心
河北师范大学河北省网络与信息安全重点实验室
河北师范大学数学科学学院
-
出处
《计算机应用研究》
CSCD
北大核心
2021年第2期414-420,共7页
-
基金
国家社科基金重大项目(13&ZD091,18ZDA200)。
-
文摘
多尺度分类挖掘多局限于空间数据,且对一般数据尺度特性进行分类的研究较少。针对上述问题,进行普适的多尺度分类方法研究,以扩大多尺度适用范围。从空间数据估计角度出发,结合层次理论和尺度特性,基于概率密度估计离散化方法,针对数据的多尺度特性进行分类挖掘。以非局部均值和三次卷积插值为理论基础,利用Q统计和不一致度量进行操作,提出多尺度分类尺度上推算法和多尺度分类尺度下推算法。采用UCI数据集和H省人口真实数据集进行实验,并与CFW、MSCSUA和MSCSDA等算法进行对比,结果表明,该算法可行有效。与其他算法相比,尺度上推算法正确率平均提高4.5%,F-score提高4.8%,NMI提高12.3%,尺度下推算法各个相应指标分别平均提高5.3%,6.6%和11.8%。
-
关键词
多尺度
不一致度量
尺度转换
多尺度分类挖掘
Q统计
-
Keywords
multi-scale
disagreement measure
scale conversion
multi-scale classification mining
Q statistics
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
