计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2009年
3期
215-219
,共5页
周涛%张艳宁%袁和金%陆惠玲%李秀秀
週濤%張豔寧%袁和金%陸惠玲%李秀秀
주도%장염저%원화금%륙혜령%리수수
聚类分析%Hu矩%集成神经网络%序列图像%多目标识别
聚類分析%Hu矩%集成神經網絡%序列圖像%多目標識彆
취류분석%Hu구%집성신경망락%서렬도상%다목표식별
针对现有的集成神经网络的训练子集选择时没有考虑样本空间的分布情况,使得构造的训练子集具有很大的随机性和主观性,集成的差异性不能有效保证的缺点,提出了一种新的基于Hu七阶矩、RPCL聚类分析和集成神经网络的序列图像多目标识别算法.该方法首先在训练视频中连续提取序列图像中的目标--人、人群、汽车,利用Hu七阶矩提取轮廓信息.为了防止Hu七阶矩对小目标和非刚体目标的描述能力弱的缺点,再提取图像的面积信息.其次对所提取的8维数据采用基于对手惩罚策略的竞争学习算法(RPCL)进行聚类分析,得到待分样本的分布.再次采用提出的单个神经网络生成算法得到单个神经网络.最后采用相对多数方法对神经网络进行集成.采用基于boosting,bagging方法的集成神经网络和该算法进行比较,结果表明该方法的分类精度要高于传统方法,是一种有效的目标识别算法.
針對現有的集成神經網絡的訓練子集選擇時沒有攷慮樣本空間的分佈情況,使得構造的訓練子集具有很大的隨機性和主觀性,集成的差異性不能有效保證的缺點,提齣瞭一種新的基于Hu七階矩、RPCL聚類分析和集成神經網絡的序列圖像多目標識彆算法.該方法首先在訓練視頻中連續提取序列圖像中的目標--人、人群、汽車,利用Hu七階矩提取輪廓信息.為瞭防止Hu七階矩對小目標和非剛體目標的描述能力弱的缺點,再提取圖像的麵積信息.其次對所提取的8維數據採用基于對手懲罰策略的競爭學習算法(RPCL)進行聚類分析,得到待分樣本的分佈.再次採用提齣的單箇神經網絡生成算法得到單箇神經網絡.最後採用相對多數方法對神經網絡進行集成.採用基于boosting,bagging方法的集成神經網絡和該算法進行比較,結果錶明該方法的分類精度要高于傳統方法,是一種有效的目標識彆算法.
침대현유적집성신경망락적훈련자집선택시몰유고필양본공간적분포정황,사득구조적훈련자집구유흔대적수궤성화주관성,집성적차이성불능유효보증적결점,제출료일충신적기우Hu칠계구、RPCL취류분석화집성신경망락적서렬도상다목표식별산법.해방법수선재훈련시빈중련속제취서렬도상중적목표--인、인군、기차,이용Hu칠계구제취륜곽신식.위료방지Hu칠계구대소목표화비강체목표적묘술능력약적결점,재제취도상적면적신식.기차대소제취적8유수거채용기우대수징벌책략적경쟁학습산법(RPCL)진행취류분석,득도대분양본적분포.재차채용제출적단개신경망락생성산법득도단개신경망락.최후채용상대다수방법대신경망락진행집성.채용기우boosting,bagging방법적집성신경망락화해산법진행비교,결과표명해방법적분류정도요고우전통방법,시일충유효적목표식별산법.