7个研究背景和意义示例,教你写计算机AdaBoost算法论文

今天分享的是关于AdaBoost算法的7篇计算机毕业论文范文, 如果你的论文涉及到AdaBoost算法等主题,本文能够帮助到你

基于机器学习的刑事案件辅助决策研究

这是一篇关于辅助决策,CART算法,RandomForest算法,AdaBoost算法,决策系统的论文, 主要内容为大数据时代的到来,对案件的侦查、审理和定性提出了更大的挑战,利用现有的机器学习方法,对新发生的刑事案件结果进行准确合理的预测,减少误判案件的发生显得越来越重要。文章以刑事案件中如何确定侵犯公民人身权利的两种犯罪类型(故意杀人罪和过失致人死亡罪)为例,选取美国数据样本作为实验数据,建立了犯罪类型是谋杀(Murder)还是误杀(Manslaughter)的预测模型及决策系统,能够为我国刑事案件辅助决策领域提供可借鉴的理论基础和系统实现。本文所作的主要工作有以下三点:(1)完成了638454条样本数据的预处理,得到14467条训练集数据和4823条测试集数据。结合犯罪记录数据的实际情况,分析决策模型对数据的客观要求,采取了相应的策略对数据进行处理。首先剔除不合时宜的数据实现数据的清洗;再根据实际情况采取众数或均值填充或分组填充缺失值;采用标签编码实现特征转换;对数据进行重采样;采用Featexp模块实现数据的降维以及最终的数据拆分工作。(2)完成了决策模型的设计与创建,预测准确率达到96.10%。文章分别采用CART算法,RandomForest算法,AdaBoost算法创建决策模型,实现了刑事案件辅助决策的目标,各模型的准确率分别达到了89.07%、90.77%、96.06%;得出了各个特征对目标的影响状况,便于以后对特征有偏向性的分析与应用;最后,基于优劣解距离法改进Stacking策略并集成以上三种算法,再一次将预测的准确率提升至96.10%。(3)完成了刑事案件辅助决策系统的设计与实现。基于RandomForest决策算法,采用B/S系统架构,利用Java+SpringBoot+BootStrap+MySQL+IDEA技术,实现了具有犯罪记录管理、犯罪类型决策和权限日志管理功能的辅助决策系统。最后,根据实验结果以及决策系统的测试使用,可为我国刑事案件辅助决策相关领域的研究提供参考建议,并对此次研究过程中存在的不足进行了总结,需要在今后的刑事案件辅助决策研究中作进一步的改进。

基于机器学习的稻田害虫识别系统研究

这是一篇关于害虫识别,机器学习,haar-like特征矩阵,AdaBoost算法,微服务架构的论文, 主要内容为虫害的爆发往往导致农作物产量的降低甚至停滞,因此害虫的识别与防治工作,一直都是我国农业基础工作的重中之重,对害虫的快速识别,能够有效的防治虫害爆发,减少粮食损失,具有十分重要是实际意义。目前传统的害虫识别工作主要是由经验丰富的专业人士进行人工识别,再进行预防指导工作,然而害虫的爆发范围一般较大,且传播速度较快,传统的害虫识别方法效率低下,无法很好的完成预防工作。近些年人工智能技术迎来了发展的高峰期,机器学习作为人工智能领域的重要实现方法之一,也得到了广泛的应用与研究。越来越多的学者对机器学习在农作物病虫害识别领域进行了深入研究,期望能够及时的给农民提供指导,降低害虫造成的经济损失,为精准农业和农作物害虫的远程诊断和预防提供理论基础。本文对稻田害虫图片使用Haar-like特征描述算子提取害虫的特征,将提取到的特征构建弱分类器,并通过Ada Boost算法将构建得到的弱分类器集合得到强分类器,最后通过级联的方式得到一个Ada Boost级联分类器来识别害虫的系统。本论文的研究内容主要基于以下几个方面:(1)针对在害虫图片当中,害虫体积较小,所占区域较少的特点,本文设计了一套将图像滤波、图像二值化、边缘检测等多种图像处理方法与图像分割相结合的流程,最后成功从稻田害虫图像中分割出了包含稻田害虫的前景区域,去除了大部分背景区域,从而提高了识别效率。(2)对Haar-like特征描述算子进行了理论研究,使用Haar-like特征矩阵提取害虫图片中的矩形特征,然后对Ada Boost算法进行了理论研究,以提取到的矩形特征为基础,训练Ada Boost弱分类器,再将构建得到的弱分类器集合得到强分类器,并将强分类器通过级联的方式得到一个Ada Boost级联分类器。最后对级联分类器的结构进行了分析研究,并对级联分类器的结构进行了改进。在试验环节,共设置了四组不同试验条件的试验分组,对五种稻田害虫进行识别试验,结果显示,本文基于图像分割的改进级联分类器的平均正确识别率为95%,平均误识别率为7.94%,为所有分组实验中的最佳试验结果。(3)选择以目前行业中的主流的微服务架构作为系统架构,并以Spring Boot与Spring Cloud作为开发框架,设计并完成了稻田害虫识别系统。该系统不仅能够提供稻田害虫识别功能,还包括稻田害虫介绍、害虫危害文章、害虫防治等其他功能。

面向车联网的车载故障诊断系统的设计与实现

这是一篇关于车联网,车载诊断,CAN总线,AdaBoost算法的论文, 主要内容为随着国内汽车总量的快速增长,人们越来越关注路况信息和车的保养,汽车用户更需要一种智能、安全、舒适的驾驶环境。如今汽车电子进入了快速发展时期,车联网的兴起成为解决这类问题的关键,而通过车载诊断接口输出汽车内部数据的设备,无疑成为车联网智能终端的首选。本课题针对如今大多数车载终端价格昂贵、功能不全等问题,提供解决方案,实现面向车联网的车载诊断系统。具体研究内容如下:(1)由系统需求设计了终端模块的关键电路。从性能、成本等方面对主芯片选型,选定以STM32作为主芯片。根据车载终端的低功耗需求设计了启动检测电路,使终端模块具有待机模式下的中断唤醒功能。设计了3G模块电路以实现终端模块与服务器通信,并对CAN接口电路和电源电路等关键电路进行了设计。(2)对车载终端和服务器端进行了软件设计和实现。车载终端程序利用汽车的CAN总线和K线技术,完成车身数据的采集,主芯片对3G模块集成的GPS进行读取,实现GPS数据的采集,并且使用3G模块将采集到的实时数据传送给服务器。系统结合C/S结构和B/S结构的实现J2EE框架嵌入socket连接,实现了服务器对终端数据的监听。服务器将数据存入数据库,并通过WEB页面进行展示。(3)对车身数据进行驾驶行为分析。采用AdaBoost算法分析采集到的车身数据,通过对不同样本数的训练集分类,给出了计算结果,并得到了驾驶行为的分类模型。

面向车联网的车载故障诊断系统的设计与实现

商品图片中的文字检测与识别系统设计

这是一篇关于CNN,文本定位与文本识别,AdaBoost算法,CAMSHIFT算法的论文, 主要内容为随着国家推行“互联网+”政策,不少产业都开始互联网化,电商化。线上购物已经成了人们生活中必不可少的一部分。很明显,线上购物的优点是简单,便捷,买家足不出户就可以购买到心仪的商品,然而,其缺点也很显而易见,那就是买家无法直接接触到商品并对商品作出直观判断。为了解决这一问题,各大电商推出商品图片来展示商品信息,消费者通过图片不仅可以了解到商品的外观,更能通过图片上面添加的文字获取到商品的规格参数。商品图片虽然给消费者带来了便利,但同时也给电商网站的管理者带来了技术上的挑战。具体问题有两点:第一,有很多店铺违反规范规定,发布违规商品图片。最常见的问题是,商品信息图片中的内容和商品规格参数中的内容不一致。第二,采用图片的方式来规避对敏感或违禁词的检测。为了解决以上问题,并且方便监管部门对违反规定的商品图片信息进行有效监管,本文着力于设计一款基于CNN的电子商务商品图片中文字检测与识别系统。首先,本文对电子商务网站商品图片进行采集,将采集数据分为训练样本和检测样本。先对训练样本进行人工分析,然后对所有样本进行灰度化预处理。接下来,由于商品图片背景的复杂性,本文选择了一种健壮性较强,适用范围广的文本定位算法,该算法由AdaBoost和CAMSHIFT算法相结合完成。最后进行最重要的文本识别。在这一部分,本文从识别方法上提出了两种改进CNN文本识别方法,并对实验结果做了识别率的评估。最后的章节中,本文设计并实现了商品图片识别系统并从时间和空间上对系统做出性能评价。