[发明专利]一种基于改进AdaBoost算法的地基云图识别方法

摘要

本发明公开了一种基于改进AdaBoost算法的地基云图识别方法，使用聚类算法将云目标与背景分离，仅对云目标进行特征提取，计算特征值用于云的识别，从而提高了识别的准确率；使用AdaBoost集成算法将SVM学习算法训练出的多个单个分类器进行集成，在训练数据过程中对SVM算法中的参数进行合理的调整，使得训练出的分类器具有多样性，不仅提高了云图识别的准确率，而且使得泛化性能得到很大的改善。由于使用了集成算法，对单个分类器设计的要求并不高，这有效的降低了单个分类器设计难度；本发明结构简单，利用现有的图形采集设备和普通计算机即可进行实现，提高了实用性和适用性。

主权项

1.一种基于改进AdaBoost算法的地基云图识别方法，其特征在于，包含以下步骤：步骤1、使用成像设备采集云图图片，用于分类器训练以及目标识别；步骤2、对采集到的云图图片进行预处理；步骤3、利用聚类分析，将预处理后的云图图片前景与背景进行分离；步骤4、计算云图特征；步骤5、使用已知类别的云图特征数据样本，采用SVM学习算法训练分类器；并采用AdaBoost集成算法进行迭代，对训练出的分类器进行加权得到最终的分类器，具体如下：(501)给定已知类别的云图训练样本{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}和SVM学习算法h，其中x_i为第i个训练样本的输入，y_i为第i个云图样本的类别，y_i∈{-1,+1}，i∈n，n是训练样本的个数；(502)初始化第i个样本的权重D₁(i)＝1/n；(503)初始化SVM学习算法h的参数值，σ表示SVM学习算法参数值，σ_ini表示σ的初始化值，σ_min表示σ的最小阈值，σ_step表示σ每次迭代的步长；如果σ＞σ_min成立，则循环执行下述步骤：步骤a.调用SVM学习算法h训练出一个分类器h_m，并计算该分类器的错误率其中D_m(i)表示第m个分类器中的第i个样本的错误率权重，一共需要训练出M个，第m步训练出h_m分类器，其中，m表示当前循环中分类器的编号，取值为1,2,…,M，M是分类器的总数；步骤b.如果ε_m＞0.5，以σ_step为步长来减少σ的值，即σ＝σ-σ_step，并返回到上一步；步骤c.计算该分类器的权重步骤d.更新样本权重Dm+1(i)=DmZm*e-αmifhm(xi)=yieαmifhm(xi)≠yi,]]>其中，D_m指样本的权重，Z_m是归一化因子；(504)将训练好的M个分类器依权重联合得到最终的分类器模型：f(x)=sign(Σm=1Mαmhm(x)).]]>