为解决高铁建设大型装备作业时因为视觉盲区大而产生的人员安全问题,以高铁建设装备运行的典型场所,各工况下不同作业人员典型姿态图像为样本,采用Haar-like特征与Adaboost算法结合的训练方法,构建人员图像识别分类器,为提高分类器的准确性,在训练方法加入正样本自更新的方法以作改进。利用OpenCV分类器训练框架和Python语言,构建了高铁建设装备作业区域内人员的防入侵在线检测系统。试验和现场的运行验证了正样本自更新方法的可行性及系统的可靠性。

差压法气密性检测易受外部因素与预设参数影响。针对问题基于集成学习建立气密性检测系统,包含传感器终端数据采集系统、人机交互界面,并用最小二乘法对传感器进行线性拟合,利用Gentle Adaboost算法寻找每轮迭代中最佳弱分类器并更新下一轮样本权重,通过集成数轮迭代中最佳弱分类器组成强分类器,对被测物的气密性能进行判断。实验结果表明:所提系统在气密性检测中的准确度、精确度与召回率皆优于传统方法与单一分类模型,准确度达到99.8%,能有效克服外部因素对检测结果的影响,提高了差压法气密性检测的准确性与稳定性。

由于车间安全距离不足容易导致追尾事故的发生,前方车辆的检测能为建立完整的汽车防撞预警系统提供必要的辅助信息。本文提出了一种采用Adaboost算法训练得到的级联分类器实时检测前方车辆的方法。通过选取扩展的类Haar特征,采用Adaboost算法训练得到一个识别车辆的级联分类器,最后将训练得到的分类器应用到实车车辆检测系统中。试验结果表明,基于此算法的车辆检测方法具有检测率高、速度快,能够达到实时检测的要求。关键词：离车主动安全;Adaboost算法;级联分类器;车辆检测

为了解决液压泵早期故障诊断难的问题,提出了一种基于渐近式权值小波降噪和Adaboost算法的液压泵故障诊断方法。针对早期故障特征难以有效提取的问题,根据最优化理论,通过对传统小波分析方法得到的信号进行渐近式权值的选择,得到了信噪比较好的降噪信号,并从中选取了最优特征集。同时,针对神经网络过学习和欠学习的现象,采用Adaboost算法对最优特征进行训练,实现了对不同故障类型的识别。实验结果表明,渐近式权值小波降噪能有效地去除噪声,提高信噪比,较为有效地提取最优故障特征;与BP神经网络相比,Adaboost算法具有更高的故障识别精度。

对轴向柱塞泵故障特征信息的研究有助于辅助完成轴向柱塞泵故障类型的鉴别和分类。从轴向柱塞泵的所有故障中，选出两种典型故障：缸体与配流盘磨损、柱塞滑履松动。从轴向柱塞泵原始振动信号中提取这两种故障特征的数据，经过小波包变换、数学变换以及遗传算法和偏最小二乘回归相结合（GA—PLS）特征选择后，确定最优的故障特征集。为了解决训练时间较长及权重调整过适应等问题，提出一种基于均匀分布权重和指数损失函数的改进型AdaBoost算法。分别使用AdaBoostM1，改进型AdaBoost构建分类模型比较其分类效果。结果表明：改进型AdaBoost使用仅含有少量的特征组成的最优特征集，可以得到较好的分类结果。

主要研究了AdaBoost算法在液压系统故障诊断中的应用。为了解决＂一对一＂算法和＂一对余＂算法的分类速度随着训练样本数或类别数的增多而变慢的问题提出了基于决策树的AdaBoost算法。利用CART算法构造决策树建立AdaBoost分类器并根据样本数据的分布情况使得在决策树中每一个节点的最可分类别尽可能分开。将该算法应用于某型装甲车辆液压系统故障诊断结果表明：该算法的性能优于其他两个算法具有更高的通用性。