基于极限学习机的三维图形重构虚拟仿真实验研究

针对极限学习机容易导致过拟合、泛化能力小等局限性,采用移动加权极限学习机和正则极限学习机优化算法,平衡原始极限学习机存在的结构风险和经验风险,提高极限学习机的泛化能力;并用该算法对墨西哥帽子函数进行三维重构虚拟仿真实验。实验表明,这两种算法能够有效的降低重构误差,提高算法的泛化能力。该仿真实验可用于神经网络及Matlab虚拟仿真实验教学,对提高学生自主学习能力,编程与调试能力起到积极作用。     

手写体数字字符识别算法仿真比较研究

采用BP神经网络、原始极限学习机、正则极限学习机和傅里叶变换优化极限学习机算法分别进行手写体数字字符识别仿真实验,通过MINIST数据库中的10 000个手写体数字样本训练神经网络数据传输过程中的参数,用训练所得神经网络参数进行手写体数字识别仿真测试。比较4种算法的仿真效果,BP网络识别效果最好、训练速度最慢,原始极限学习机训练速度最快,正则极限学习机和傅里叶变换极限学习机优化算法识别正确率高于原始极限学习机,但增加了算法的时间复杂度。将该手写体数字字符识别仿真实验用于学生实验教学,可加强学生对神经网络相关知识的学习和理解,提高学生编程和工程应用能力。     

利用YUV颜色空间和纹理特性消除车辆阴影

车辆视频检测中的阴影消除通常可利用图像的颜色特性或纹理特性来进行.如果只用其中一种方法,效果不是很理想.提出了同时利用YUV颜色空间的Y、U、V三个分量和图像纹理特性进行阴影消除的方法.首先利用YUV颜色空间中的YUV分量用亮度比及颜色不变性的方法消除运动区域中的阴影;然后再利用图像的纹理特性对图像进行阴影消除;最后对两种方法的检测结果进行融合,达到了更好的消除效果.     

基于判别信息极限学习机的高光谱遥感图像分类

极限学习机（ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用,然而在高光谱遥感图像分类中,极限学习机算法不能较好地利用数据蕴含的判别信息,限制了ELM的分类性能。为此,提出一种基于判别信息极限学习机（IELM）,IELM继承了极限学习机的优势,并在一定程度上解决了极限学习机在有限高光谱遥感图像数据样本中学习不充分的问题。高光谱遥感图像分类实验结果表明,该算法具有较好的分类效果。     

一种自适应的基于混合高斯模型的运动目标检测算法

为提高运动目标检测的可靠性,提出了一种自适应的基于混合高斯模型的运动目标检测算法．该算法利用混合高斯分布对每个背景像素建模,高斯分布的个数不是固定不变的,而是随着像素值的混乱程度自适应变化．差分图像的像素按大小被分为2部分,然后对这2部分分别进行自适应阈值化分割,得到前景图像．利用基于形态学重构的阴影消除方法来改善前景图像分割的性能．不同实际场景的实验结果表明该算法能够快速准确地建立背景模型,且具有更强的鲁棒性．     

基于正则极限学习机的驾驶员疲劳状态分类方法

为避免接触式疲劳检测方法给驾驶员带来干扰,解决单一信号源对于反映疲劳程度可靠性低的问题,实现对疲劳状态高精度、高速度的检测,提出一种基于正则极限学习机的驾驶员疲劳状态分类方法。该方法通过多普勒雷达模块采集驾驶员生理信号,包括呼吸信号和心跳信号,作为神经网络输入数据。通过多源信息结合的方式提高疲劳状态检测可靠性。设计正则极限学习机（RELM）模型对数据集进行训练。实验结果显示,基于RELM算法模型检测驾驶员疲劳状态的准确率达92%。RELM算法可实现对训练数据的快速计算和学习,同时通过特征变换消除个体差异,实现对驾驶员疲劳状态较高的检测率。     

基于AdaBoost算法的在线连续极限学习机集成算法

针对不均衡数据处理问题,提出一种AdaBoost与在线连续极限学习机的集成算法。用在线连续极限学习机(OSELM)作为基分类器,根据AdaBoost集成各个基分类器,用AdaBoost集成分类器的权值,得出最终结果。实验结果表明,该方法具有较高的准确率。     

基于HSV颜色空间的侧方车辆检测

传统的车辆检测方法无法检测未完全进入摄像机视野的车辆,并且不具备对车辆大小的识别能力。在不同区域分别搜索车辆尾部阴影和侧边阴影并检测车高可以解决这些问题。在HSV颜色空间中通过Otsu算法获得阴影分割门限,利用车道线检测划分不同的搜索区域,设计了三邻域定向搜索车侧阴影算法,利用梯度分布直方图实现对车辆大小的识别。实验结果表明,算法对车侧阴影有较高的检测概率,对车辆的大小识别具有较高的正确率。     

基于边缘特征的运动车辆阴影消除方法

针对道路交通车辆检测问题,提出了一种利用边缘特征与垂直投影结合的运动车辆阴影消除方法。先用混合高斯背景模型提取出背景,利用背景差检测出运动车辆区域,再用区域填充去掉目标区域的噪声,最后利用边缘特征与垂直投影结合,消除阴影。     

流形正则化框架下的极限学习机预测锂电池SOC方法

为提高锂电池荷电状态建模预测的精度及泛化能力,提出一种流行正则化框架下的极限学习机建模预测方法。首先,为了解决极限学习机建立预测模型存在过拟合泛化能力弱的问题,以流形假设为依据,在数据输入空间构建图拉普拉斯算子,在其框架内求解极限学习机隐层和输出层之间的权重,达到正则优化目的。其次,针对正则化参数难以选择的问题,提出将差分进化算法融入基于流形正则化框架的极限学习机中以优化其正则化参数。最后,利用采集到的锂电池数据进行了实验验证。结果表明:该方法建立的预测模型预测锂电池SOC精度高,泛化能力强,为锂电池SOC的预测建模提供一种新方法。     

基于ELM的单相有源电力滤波器的内模控制

为了克服单相有源电力滤波器的非线性特性,在基于数据的基础上,由极限学习机建立有源滤波器非线性系统的内模和逆模,实现基于极限学习机的内模控制.根据内模控制系统稳态误差,评估内模控制系统的性能,并将极限学习机的内模控制系统与神经网络、核岭回归、支持向量机等方法进行比较分析.试验仿真表明,基于极限学习机的内模控制系统具有系统稳态误差小、鲁棒性强等特点.     

基于极限学习机算法的学困生预测研究

高校学困生预测方法的研究正越来越受到研究者的关注,但目前还没有一种成熟有效的学困生预测方法。针对该问题,文章提出了一种大数据环境下基于极限学习机的学困生预测方法,并以中国海洋大学2011级学生的学籍信息、心理测试得分、第一学期考试成绩为输入变量,以学生的学困情况为输出变量,进行了极限学习机的训练;同时,以2012级学生数据作为测试集输入极限学习机进行测试。测试结果表明,约有46%的学困生被准确预测,7%的非学困生被误判,此预测结果验证了文章所采用方法的有效性。     

基于最大局部变化的安全带检测算法

传统的边缘检测算法的效果很大程度上取决于阈值的选取,针对这个问题,提出了基于局部最大变化和二维OTSU的边缘检测方法,该方法利用图像局部区域的所有像素灰度值与中心像素灰度值的最大差值来描述图像边缘分布信息,从而得到图像边缘分布信息图,然后利用二维OTSU方法对该边缘分布信息图进行二值化处理得到边缘二值图。利用该边缘二值图,结合车辆的一些先验信息,提出车窗定位算法,并进一步确定驾驶员区域,最后通过在驾驶员区域内检测是否存在满足安全带先验特征的直线来判断驾驶员是否佩戴安全带。实验结果表明,该方法能够准确定位车窗边缘和驾驶员区域,可以应用于安全带的检测,具有一定的实用价值。     

基于倒频谱和局部灰度梯度算子的阴影检测方法

为解决传统智能交通系统中由于阴影检测算法的精确性导致错误提取交通参数的问题,提出一种基于倒频谱和局部灰度梯度算子的阴影检测方法.首先判断阴影的存在性,接着利用Lab颜色空间L通道的倒频谱分析方法确定候选阴影区域块,最后利用局部灰度梯度算子的纹理特性获得精确的阴影区域.实验表明,该方法阴影检测的有效率在85.3%以上,且能很好地满足实时场景要求,为后续交通参数的提取工作奠定了良好的基础.     

一种新型异构集成极端学习机模型及其软测量应用（英文）

为了在日益复杂的工业建模数据基础上建立一个准确、稳定的软测量模型,提出了一种有效的异构集成极端学习机(HEELM)软测量模型.采用4种不同激活函数的极端学习机和核极端学习机模型用以丰富集成模型的多样性.极限学习机的隐含层节点数通过试错法确定,并以交叉验证为准则来获得最优的核极限学习机模型参数.为了获得集成模型的最佳输出,采用最小二乘回归方法对所有单个模型的输出进行集成.通过2组复杂的工业过程数据集验证了HEELM模型具有很好的预测精度.与单独ELM模型、bagging ELM集成模型、 BP和SVM模型相比,HEELM模型的预测精度提高了4.5%～8.7%,且HEELM模型具有更好的稳定性.     

基于双目立体视觉的障碍物检测方法

提出了一种基于双目视觉的V视差图障碍物检测算法。根据生成的视差图进一步生成V-视差图,提取V-视差图中的直线信息,通过这些直线信息可以锁定障碍物存在的大致区域,进而检测障碍物。该算法对于光照、阴影等干扰不敏感,可以检测具有面特征的障碍物,适用于复杂背景下的障碍物检测。     

汽车玻璃黑边区域划痕的视觉检测技术

针对汽车玻璃黑边区域划痕的自动检测需求,以汽车角窗玻璃为对象,进行划痕视觉检测方法的研究。首先采用灰度值拉伸来凸显划痕,通过维纳滤波降噪和Laplacian算子的锐化加强划痕细节,然后利用区域生长分割法进行玻璃黑边区域分割,采用形态学方法实现灰尘等干扰信息的去除以及断裂划痕的连接,最后用8领域连通区域标记法进行划痕的识别和标记。测试结果表明,该算法适用于不同型号的汽车玻璃黑边区域划痕的检测,检测的准确率达到99%,划痕标记的准确率达到97%,检测速度快,符合在线检测的要求。     

适用于数据分类的极限学习机优化算法

针对极限学习机参数优化问题,提出量子遗传算法优化极限学习机的方法（QGA-ELM）。在该方法中,对ELM的输入权值和隐含层阈值采用量子比特编码,并将其映射为QGA的染色体,QGA的适应度函数为对应ELM的分类精度;通过QGA的量子旋转门优化出输入权值与隐含层阈值,以此训练出分类精度更高的ELM,从而改善ELM的泛化性能。通过ELM和QGA-ELM对数据集的仿真结果对比表明,QGA-ELM有效地提升了ELM网络的分类精度。     

基于颜色标准化模型和HOG特征的交通标志检测

提出一种基于颜色标准化和方向梯度直方图(HOG)特征的交通标志检测算法。首先将24位真彩图位图转化为只含8种颜色的位图,再提取感兴趣颜色分量,通过面积过滤处理获得候选感兴趣区域;然后用HOG描述子得到候选区域的特征值,除去噪音区域,将特征值输入支持向量机(SVM)进行形状分类,最终得到检测结果。该方法通过颜色标准化避免颜色空间转换,节省了计算时间;由于HOG描述子对强光、阴影、倾斜、遮挡的抑制作用,从而有效地减少了错检、漏检。实验结果表明,该算法对交通标志的检测具有较好的鲁棒性。     

一种基于遗传算法的极限学习机改进算法研究

针对传统极限学习机（ELM）缺乏有效的训练方法、应用时预测精度不理想这一弱点,提出了一种基于遗传算法（GA）训练极限学习机（GA-ELM）的方法。在该方法中,ELM的输入权值和隐藏层节点阈值映射为GA的染色体向量,GA的适应度函数对应ELM的训练误差;通过GA的遗传操作训练ELM,选出使ELM网络误差最小的输入权值和阈值,从而改善ELM的泛化性能。通过与ELM、I-ELM、OS-ELM、B-ELM4种方法的仿真结果对比,表明遗传算法有效地改善了ELM网络的预测精度和泛化能力。