海底声学底质分类的ELM-AdaBoost方法
基于自适应增强算法(AdaBoost)结合极限学习机(ELM),通过迭代、调整、优化ELM分类器之间的权值,从而构建了具有强鲁棒性、高精度的ELM-AdaBoost强分类器,增强了现有的ELM分类器的稳定性.以珠江口海区侧扫声呐图像为实验数据,对礁石、砂、泥3类典型底质进行分类识别,该方法的平均分类精度超过90%,优于单一ELM分类器的平均分类精度85.95%,也优于LVQ、BP等传统分类器,且在分类所耗时间上也远少于传统分类器.实验结果表明,本文构建的ELM-Ada-Boost方法可有效应用于海底声学底质分类,可满足实时底质分类的需求.
极限学习机;自适应增强算法;底质分类;声呐图像;特征提取
43
P714+.6(海洋调查与观测)
国家自然科学基金;国家自然科学基金;国家自然科学基金;浙江省自然科学基金;中央级公益性科研所基本科研业务费专项资金项目;中央级公益性科研所基本科研业务费专项资金项目;中央级公益性科研所基本科研业务费专项资金项目;卫星海洋环境动力学国家重点实验室自主项目;全球变化与海气相互作用专项
2022-01-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
144-151