發(fā)布時(shí)間：2018-08-19 10:59

【摘要】：不同的裂縫類型關(guān)系到不同養(yǎng)護(hù)策略。SVM在解決小樣本、非線性、高維度問(wèn)題時(shí)具有較大優(yōu)勢(shì),通過(guò)采用不同的SVM分類方法和核函數(shù)對(duì)常用的數(shù)據(jù)集中的樣本進(jìn)行分類結(jié)果對(duì)比,選取了RBF核函數(shù)和One-against-All的分類方法。但分類結(jié)果仍然滿足不了路面養(yǎng)護(hù)要求。由于Adaboost選擇不同的樣本進(jìn)行訓(xùn)練,改變了訓(xùn)練樣本的數(shù)據(jù)分布。每次迭代都會(huì)計(jì)算得到一個(gè)分類效果最佳的弱分類器及其所在總體分類器中的權(quán)重。隨著迭代次數(shù)的增加,最終由弱分類器迭代生成的強(qiáng)分類器的分類誤差最小。提出了SVM-Adaboost分類器動(dòng)態(tài)的對(duì)SVM參數(shù)進(jìn)行優(yōu)化。試驗(yàn)結(jié)果表明,應(yīng)用基于SVM-Adaboost的裂縫分類算法對(duì)指定樣本進(jìn)行測(cè)試,橫向裂縫準(zhǔn)確率87.48%,縱向裂縫準(zhǔn)確率95.37%,網(wǎng)狀裂縫準(zhǔn)確率94.9%,塊狀裂縫準(zhǔn)確率89.7%。該方法可以提高組合分類器整體的分類精度。
[Abstract]:Different fracture types are related to different maintenance strategies. SVM has great advantages in solving small sample, nonlinear and high dimensional problems. Different SVM classification methods and kernel functions are used to compare the classification results of samples in common data sets. RBF kernel function and One-against-All classification method are selected. However, the classification results still can not meet the requirements of pavement maintenance. Because Adaboost selects different samples for training, the data distribution of training samples is changed. In each iteration, a weak classifier with the best classification effect and its weight in the overall classifier are obtained. With the number of iterations increasing, the classification error of the strong classifier generated by the weak classifier is minimum. The SVM-Adaboost classifier is proposed to dynamically optimize the SVM parameters. The test results show that the accuracy rate of transverse crack is 87.48, longitudinal crack is 95.377.37, net crack is 94.9, block crack is 89.7. This method can improve the whole classification accuracy of the combined classifier.
【作者單位】： 交通運(yùn)輸部科學(xué)研究院;交通運(yùn)輸部公路科學(xué)研究院;
【基金】：交通運(yùn)輸部建設(shè)科技項(xiàng)目(2014318J21060)
【分類號(hào)】：TP391.41;U418.66

【相似文獻(xiàn)】

相關(guān)期刊論文 前6條

1 林志陽(yáng);康耀紅;雷景生;;基于Adaboost的車標(biāo)定位方法[J];計(jì)算機(jī)工程;2008年11期

2 ;本期導(dǎo)語(yǔ)[J];交通信息與安全;2014年02期

3 楊凌曦;徐建閩;;AdaBoost人臉檢測(cè)算法在駕駛員疲勞檢測(cè)系統(tǒng)中的實(shí)現(xiàn)[J];交通與計(jì)算機(jī);2008年04期

4 劉天鍵;邱立達(dá);張寧;;改進(jìn)型AdaBoost算法在車輛檢測(cè)中的應(yīng)用[J];閩江學(xué)院學(xué)報(bào);2014年02期

5 魏武;張亞楠;武林林;;基于遺傳算法的改進(jìn)AdaBoost算法在汽車識(shí)別中的應(yīng)用[J];公路交通科技;2010年02期

6 張良春;夏利民;;基于Adaboost方法的高速公路事件檢測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2007年28期

相關(guān)碩士學(xué)位論文 前9條

1 張旭東;基于Adaboost和主動(dòng)性狀模型相結(jié)合的駕駛員疲勞檢測(cè)算法研究[D];河北工業(yè)大學(xué);2015年

2 李賡;基于Adaboost的安全帶檢測(cè)方法[D];合肥工業(yè)大學(xué);2015年

3 董曉曉;基于多塊LBP及AdaBoost算法的公交車客流量統(tǒng)計(jì)方法研究[D];西安電子科技大學(xué);2016年

4 張謙;基于改進(jìn)Adaboost算法的視頻車輛輪廓檢測(cè)算法研究[D];中原工學(xué)院;2017年

5 熊池亮;基于Adaboost算法的駕駛員疲勞駕駛檢測(cè)[D];電子科技大學(xué);2013年

6 李國(guó)政;基于幀差法和AdaBoost的運(yùn)動(dòng)車輛視頻檢測(cè)[D];昆明理工大學(xué);2014年

7 羅玉才;基于改進(jìn)Adaboost算法的車牌定位研究[D];西安電子科技大學(xué);2014年

8 張樂(lè);基于AdaBoost集成PSO-RBF的高速公路交通事件檢測(cè)算法研究[D];西南交通大學(xué);2014年

9 高洋;智能交通中行人檢測(cè)算法的研究與實(shí)現(xiàn)[D];大連海事大學(xué);2014年

，

本文編號(hào)：2191463