检索结果-南通市图书馆

高光谱和集成学习的鸭梨黑斑病潜育期快速识别方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

光谱学与光谱分析 2023年第5期43卷 1541-1549页

作者：张凡王文秀张宇帆胡泽轩赵丹阳马倩云石海燕孙剑锋河北农业大学食品科技学院河北保定071000 河北农业大学园艺学院河北保定071000

鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小,肉眼难以观察,因此对其早期识别仍然是困难的。结合高光谱成像技术和Stacking集成学习算法,实现了鸭梨黑斑病的潜育期识别检测。首先,获取健康和不同腐败程度黑斑病鸭梨样品的原... 详细信息

鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小,肉眼难以观察,因此对其早期识别仍然是困难的。结合高光谱成像技术和Stacking集成学习算法,实现了鸭梨黑斑病的潜育期识别检测。首先,获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像,基于图像选取感兴趣区域(ROI),然后对提取的平均光谱数据进行一阶导数(FD)、二阶导数(SD)、标准正态变量变换(SNVT)及组合SNV-FD和SNV-SD预处理后,采用竞争性自适应权重取样法(CARS)提取特征波长的光谱信息。最后基于筛选出的特征信息分别建立最小二乘支持向量机(LS-SVM)、 K最邻近法(KNN)、随机森林(RF)和线性判别分析(LDA)分类模型。其中,预测效果最好的组合为SNV-FD-LSSVM,SNV-KNN和SNV-FD-RF,准确率分别达到94%, 88%和88%。四种算法建立的模型中,测试集准确率不低于85.00%的个数分别为5、 3、 2和0,因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。为提高模型准确率,以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架,并与单一分类器建模结果进行对比分析。结果表明,集成学习模型的总体识别正确率达到了98.68%,较单一分类器模型提高了4.64%,且对潜育期样品的识别率提高了11%。证实了高光谱成像结合集成学习方法识别潜育期黑斑病鸭梨样品可行;集成模型显著提高了单一模型的准确性;为鸭梨黑斑病早期检测和病害分级提供一种新的方法,同时为深入研究集成学习算法在光谱定性中的应用奠定了一定基础。

关键词：高光谱成像技术鸭梨黑斑病 Stacking集成模型潜育期基模型

在线全文

学校读者我要写书评

暂无评论

一种卷积神经网络集成的多样性度量方法

智能系统学报 2021年第6期16卷 1030-1038页

作者：汤礼颖贺利乐何林屈东东西安建筑科技大学机电工程学院陕西西安710055 西安建筑科技大学理学院陕西西安710055

分类器模型之间的多样性是分类器集成的一个重要性能指标。目前大多数多样性度量方法都是基于基分类器模型的0/1输出结果(即Oracle输出)进行计算,针对卷积神经网络的概率向量输出结果,仍需要将其转化为Oracle输出方式进行度量,这种方式... 详细信息

分类器模型之间的多样性是分类器集成的一个重要性能指标。目前大多数多样性度量方法都是基于基分类器模型的0/1输出结果(即Oracle输出)进行计算,针对卷积神经网络的概率向量输出结果,仍需要将其转化为Oracle输出方式进行度量,这种方式未能充分利用卷积神经网络输出的概率向量所包含的丰富信息。针对此问题,利用多分类卷积神经网络模型的输出特性,提出了一种基于卷积神经网络的概率向量输出方式的集成多样性度量方法,建立多个不同结构的卷积神经网络基模型并在CIFAR-10和CIFAR-100数据集上进行实验。实验结果表明,与双错度量、不一致性度量和Q统计多样性度量方法相比,所提出的方法能够更好地体现模型之间的多样性,为模型选择集成提供更好的指导。

关键词：卷积神经网络集成学习多样性度量机器学习分类器集成概率向量输出 Oracle输出基模型

递归特征消除与极端随机树在铣刀磨损监测中的研究

在线全文

学校读者我要写书评

暂无评论

机械科学与技术 2023年第6期42卷 821-828页

作者：刘献礼秦怡源岳彩旭魏旭东孙艳明郭斌哈尔滨理工大学先进制造智能化技术教育部重点实验室哈尔滨150080

针对金属铣削过程中刀具磨损监测问题,本文提出了一种基于递归特征消除和极端随机树相结合的刀具磨损监测模型。首先对力、振动和声发射信号的时域、频域特征进行提取,分别采用逻辑回归、分类与回归树、线性回归、线性判别分析作为递归... 详细信息

针对金属铣削过程中刀具磨损监测问题,本文提出了一种基于递归特征消除和极端随机树相结合的刀具磨损监测模型。首先对力、振动和声发射信号的时域、频域特征进行提取,分别采用逻辑回归、分类与回归树、线性回归、线性判别分析作为递归特征消除的基模型进行特征降维。再利用处理后的特征对K近邻、支持向量回归、极端随机树模型进行训练,得出多种监测模型。通过对比刀具磨损拟合曲线图和分析评估结果的标准差,可得出基模型为分类与回归树的递归特征消除,与极端随机树算法相结合模型拟合度达到99.74%,评估结果的标准差为4.04。结果表明该方法能够实现对铣刀磨损的有效监测,从而提高零件加工质量。

关键词：递归特征消除基模型特征降维极端随机树刀具磨损监测

在线全文

学校读者我要写书评

暂无评论

OOram与面向对象方法

计算机工程与应用 2001年第11期37卷 63-66页

作者：明仲深圳大学信息工程学院深圳518060

OOram（Object Oriented Role Analysis and Modeling）是挪威工业研究中心和奥斯陆大学提出的一种新一代面向对象软件工程方法，与众多其它面向对象方法相比较，其鲜明的特点是引入了角色模型的概念，将传统面向对象方法中的对象模型... 详细信息

OOram（Object Oriented Role Analysis and Modeling）是挪威工业研究中心和奥斯陆大学提出的一种新一代面向对象软件工程方法，与众多其它面向对象方法相比较，其鲜明的特点是引入了角色模型的概念，将传统面向对象方法中的对象模型和类模型统一为单一的角色模型。文章提出了理想的面向对象开发方法所应具备的特性，简要介绍了OOram方法，并与其他面向对象方法作了比较。

关键词：面向对象 OOram方法角色模型基模型派生模型软件工程软件开发

基于集成模型的超短期光伏发电功率预测方法研究

在线全文

学校读者我要写书评

暂无评论

基于集成模型的超短期光伏发电功率预测方法研究

作者：周宇江苏大学

学位级别：硕士

随着世界工业的发展,新能源的使用在促进节能减排、维持可持续发展方面扮演重要角色。光伏发电作为一种清洁、可再生的能源,被许多国家视作市场和产业发展的焦点。然而,在实际并网使用时,光伏发电的随机性和间歇性给电力系统的运行维护... 详细信息

随着世界工业的发展,新能源的使用在促进节能减排、维持可持续发展方面扮演重要角色。光伏发电作为一种清洁、可再生的能源,被许多国家视作市场和产业发展的焦点。然而,在实际并网使用时,光伏发电的随机性和间歇性给电力系统的运行维护带来巨大挑战。因此,光伏发电功率的精准预测具有重要现实意义。本文基于数据驱动建模技术,结合集成学习策略,对光伏功率超短期预测方法展开研究,主要内容如下:(1)对原始光伏数据进行预处理。首先,对于两种不同光伏电站数据,进行基于正态分布3σ准则的数据清洗和基于BP神经网络的去除值填充。其次,考虑光伏数据非平稳性,提出一种基于逐次变模态分解(SVMD)和主成分分析(PCA)的组合预处理方式。最后,针对光伏数据周期性特点,利用K-means算法对数据进行聚类处理。这些预处理操作为后续预测模型研究奠定了数据基础。(2)提出一种基于SVMD和PCA的光伏功率集成预测模型。在对数据集进行SVMD和PCA预处理基础上,选择四个原理不同的预测模型作为集成学习的基模型:BP-Adaboost、极限学习机、相关向量机和随机森林模型。然后,采用教与学优化算法(TLBO)和多元线性回归对各基模型的结果进行组合以获得最终预测结果。案例分析验证了所提模型的有效性和实用性。(3)实现基于K-means聚类与集成学习策略的光伏功率预测方法。首先,对于训练集实现基于K-means方法的聚类,对于测试集采用K-最邻近(KNN)算法实现数据归类。其次,在研究内容(2)所选基模型基础上,新增了支持向量机和人工神经网络以提高基模型多样性。然后,利用智能优化算法对相关基模型参数进行优化。仿真结果表明:聚类分析和集成学习策略均能有效提升光伏功率的预测精度。

关键词：光伏功率预测集成学习数据预处理基模型 K-means聚类

基于异质集成学习方法的城轨列车客流智能分析系统研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

铁路计算机应用 2023年第7期32卷 73-78页

作者：张强宫玉昕张馨蔡晓蕾郑军北京市轨道交通建设管理有限公司北京100068 中国铁道科学研究院集团有限公司电计算技术研究所北京100081 北京经纬信息技术有限公司北京100081

为解决当前城市轨道交通(简称:城轨)列车客流分析存在的检测精度不高和适用场景单一等问题,设计了一种基于异质集成学习方法的城轨列车智能客流分析系统。该系统基于云边协同架构,采用分组Voting方法,将YOLOv5s(You Only Look Once v5s)... 详细信息

为解决当前城市轨道交通(简称:城轨)列车客流分析存在的检测精度不高和适用场景单一等问题,设计了一种基于异质集成学习方法的城轨列车智能客流分析系统。该系统基于云边协同架构,采用分组Voting方法,将YOLOv5s(You Only Look Once v5s)、FCHD(Fully Convolutional Head Detector)、CSRNet(Network for Congested Scene Recognition)模型作为基模型进行集成,最终实现客流统计、拥挤度分析和辅助清客等功能。利用北京城轨某线路列车的监控图像数据进行实验,结果表明,与其他各基模型相比,该系统采用的模型检测效果更佳,有效提升了检测精度,丰富了可适用的检测场景。

关键词：智能客流分析视频监控异质集成学习基模型分组Voting方法

基于Stacking模型融合下的HPC抗压强度预测

在线全文

学校读者我要写书评

暂无评论

滁州学院学报 2024年第5期26卷 58-63页

作者：徐玲景楠石光郭治龙景向楠袁瑞合肥城市学院土木工程学院合肥238076 陕西省引汉济渭工程建设有限公司西安710000 国家能源集团国能宝日希勒能源有限公司内蒙古呼伦贝尔021000 中国科学院西北生态环境资源研究院北京100049 合肥城市学院经济与管理学院合肥238076 滁州学院土木与建筑工程学院安徽滁州239000

为了实现高性能混凝土(HPC)抗压强度快速、准确地预测,基于58组HPC配合比数据,选取9个可解释特征作为模型输入变量,采用Stacking集成学习模型对HPC抗压强度进行预测,并与其他4种单一模型进行对比。结果表明:相较于传统的基模型,Stackin... 详细信息

为了实现高性能混凝土(HPC)抗压强度快速、准确地预测,基于58组HPC配合比数据,选取9个可解释特征作为模型输入变量,采用Stacking集成学习模型对HPC抗压强度进行预测,并与其他4种单一模型进行对比。结果表明:相较于传统的基模型,Stacking集成学习模型的误差值最小,相关系数最大,对HPC抗压强度预测的MAPE、MAE、RMSE、R^(2)分别为11.40%、3.72、5.04、0.91,该模型对HPC抗压强度的预测具有更高的准确性。

关键词：高性能混凝土抗压强度基模型 Stacking