检索结果-南通市图书馆

基于MLP-bagging集成分类模型的在线学习行为分析

在线全文

学校读者我要写书评

暂无评论

云南大学学报(自然科学版) 2024年

作者：普运伟姜萤田春瑾余永鹏昆明理工大学信息工程与自动化学院昆明理工大学计算中心

针对教育者难以对学习者多样化的在线学习行为进行监测和研判等问题，提出一种带嵌入层的MLP-bagging集成分类模型对学习者的在线学习行为进行分析与判别.考虑到学习者的在线学习行为以及个体特性，从学习准备行为、知识获取行为、交互... 详细信息

针对教育者难以对学习者多样化的在线学习行为进行监测和研判等问题，提出一种带嵌入层的MLP-bagging集成分类模型对学习者的在线学习行为进行分析与判别.考虑到学习者的在线学习行为以及个体特性，从学习准备行为、知识获取行为、交互学习行为、学习巩固行为和辅助特征5个方面构建在线学习行为模型，并采用MLP-bagging集成分类模型对学习者进行分类判别.实验结果表明，所构建的学习模型可对在线学习者的学习行为进行符合实际的建模，加入辅助特征有利于对各类学习者的在线学习行为进行深入的分析与指导，并且在分类模型中加入嵌入层可以有效克服标签编码带来的数据冗余和误差缺陷，从而获得更好的分类效果.与其他分类模型相比，融合多个MLP分类器的bagging集成模型可以减少单个MLP分类器的方差，其分类准确率达到98.72%，具有较好的实际应用价值.

关键词：在线学习行为学习者分类嵌入层 MLP神经网络 bagging集成学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

带学习过程的随机K最近邻算法

吉林大学学报（工学版） 2024年第1期54卷 209-220页

作者：付忠良陈晓清任伟姚宇中国科学院大学成都计算机应用研究所成都610299

针对传统K最近邻(KNN)算法没有学习过程,进行分类预测时需要遍历全部学习样本、时效性差且对k值敏感的缺点,本文提出了两种带学习过程的随机KNN算法(RKNN),包括对样本Bootstrap抽样的SRKNN算法和对样本特征Bootstrap抽样的ARKNN算法,均... 详细信息

针对传统K最近邻(KNN)算法没有学习过程,进行分类预测时需要遍历全部学习样本、时效性差且对k值敏感的缺点,本文提出了两种带学习过程的随机KNN算法(RKNN),包括对样本Bootstrap抽样的SRKNN算法和对样本特征Bootstrap抽样的ARKNN算法,均属于bagging集成学习,学习多个简单KNN后投票输出结果。算法对样本的特征进行组合得到组合特征,简单KNN基于组合特征得到。重点研究了如何选取特征的最优组合系数,得到了取得最好分类精度时的特征最优组合系数选取规则和公式。RKNN算法在构造简单KNN时引入学习,分类时不再遍历全部学习样本而只需要用二分查找法即可,其分类时间复杂度比传统KNN算法分类时间复杂度低一个数量级。RKNN算法的分类精度比传统KNN算法的分类精度有大幅提升,解决了使用KNN算法难以选取k值的问题。理论分析和实验结果均验证了本文RKNN算法的有效性。

关键词：机器学习 KNN算法随机KNN bagging集成学习 AdaBoost

维普期刊数据库博看期刊

小样本数据下基于K-Means聚类和集成学习的混凝投药预测

在线全文

学校读者我要写书评

暂无评论

环境工程学报 2024年第1期18卷 181-188页

作者：王世杰李一鸣植殷武仁超王涛程紫微郑磊肖峰华北电力大学水利与水电工程学院北京102206 北京环球中科水务科技股份有限公司北京100085 宁夏长城水务有限责任公司银川750004

为了解决混凝投药预测过程中的小样本问题,提出基于K-Means聚类和集成学习的PAC投加量预测方法。首先,根据原水浊度和水温2个特征采用K-Means聚类将水质分为3类,利用分层抽样从3类水质数据中抽取训练集和测试集;其次,基于bagging集成学... 详细信息

为了解决混凝投药预测过程中的小样本问题,提出基于K-Means聚类和集成学习的PAC投加量预测方法。首先,根据原水浊度和水温2个特征采用K-Means聚类将水质分为3类,利用分层抽样从3类水质数据中抽取训练集和测试集;其次,基于bagging集成学习算法,构建由支持向量机、随机森林、Adaboost、GBDT、Catboost、XGBoost和LightGBM共7种学习器组成的PAC投加量集成预测模型(KM-bagging);最后,以银川市某给水厂2021—2022年的运行数据为例进行验证。结果表明,KM-bagging模型对小样本的PAC投加量具有较高预测精度,R^(2)超过0.8,MAPE小于5%。采用6个月和9个月的日监测数据预测PAC投加量,适合数据监测时间短、精度要求不高的情况,预测结果可为原水水质发生突变时的PAC投加量调整提供参考。采用1年的日监测数据预测PAC投加量,预测精度能够满足工程应用的要求,可为水厂实际PAC投加提供辅助指导。研究结果对小样本数据下的混凝药剂投加建模与预测具有参考价值。

关键词：混凝投药量预测小样本数据 bagging集成学习 K-Means聚类

利用早期测定数据预测猪达100 kg体重日龄的集成学习模型研究

在线全文

学校读者我要写书评

暂无评论

中国畜牧杂志 2024年第5期60卷 94-100页

作者：朱良宇杨喜堤朱康平刘彬程文强李平华甘麦邻沈林園朱砺四川农业大学猪禽种业全国重点实验室四川成都611130 四川农业大学畜禽遗传资源发掘与创新利用四川省重点实验室四川成都611130 四川德康农牧食品集团股份有限公司农业农村部西南生猪育种与扩繁重点实验室四川成都610200 全国畜牧总站北京100125 南充职业技术学院四川南充637100

本试验旨在利用早期测定数据预测猪达100 kg体重的日龄。猪达100 kg体重日龄是评估猪生长速度和发育程度的重要指标,近年来,猪养殖企业期望构建一个通过早期测定数据对达100 kg日龄体重进行预测的模型,这种预测可以帮助企业评估幼年阶... 详细信息

本试验旨在利用早期测定数据预测猪达100 kg体重的日龄。猪达100 kg体重日龄是评估猪生长速度和发育程度的重要指标,近年来,猪养殖企业期望构建一个通过早期测定数据对达100 kg日龄体重进行预测的模型,这种预测可以帮助企业评估幼年阶段动物的生长潜力,并做出相应的管理和决策。本研究针对20~60kg的猪只,采集其体重、日龄、品种、性别等早期测定特征,建立机器学习模型,通过模型选留、集成学习最终构建猪达100 kg体重日龄的早期预测模型,预测准确度达90.01%。本研究可以帮助研究人员更加准确地评估猪生长速度和发育程度,为饲养管理提供指导。

关键词：早期预测机器学习 bagging集成学习

维普期刊数据库博看期刊

基于bagging集成学习的蛋白质折叠识别

在线全文

学校读者我要写书评

暂无评论

青岛科技大学学报（自然科学版） 2021年第6期42卷 101-110页

作者：杨欣华顾海明青岛科技大学数理学院山东青岛266061

提出了一种新的蛋白质折叠识别方法-BAG-fold模型。首先,通过伪位置特异性得分矩阵(pseudo position specific score matrix,PsePSSM)方法,二级结构(secondary structure,SS)方法,分组重量编码(encoding based on grouped weight,EBGW)方法和去趋势互相关分析(detrended cross-correlation analysis,DCCA)方法,共4种方法提取蛋白质序列的特征信息,并由4种特征信息得到混合特征空间。其次,采用局部Fisher判别分析(linear Fisher discriminant analysis,LFDA)减少冗余信息以选取最优特征子集。最后,将最优特征子集输入到bagging集成分类器中进行蛋白质折叠识别。使用10折交叉验证在DD数据集和RDD数据集的精度分别达到了96.8%和98.8%。实验结果表明,提出的BAG-fold方法明显优于其它预测方法。

关键词：蛋白质折叠多信息融合去趋势互相关分析法局部Fisher判别分析 bagging集成学习

Bootstrap样本大数据模型和分布式集成学习方法

在线全文

学校读者我要写书评

暂无评论

大数据 2024年第3期10卷 93-108页

作者：罗凯靖张育铭何玉林黄哲学深圳大学计算机与软件学院大数据技术与应用研究所广东深圳518060 人工智能与数字经济广东省实验室(深圳) 广东深圳518107

传统Bootstrap抽样和bagging集成学习通常以串行方式实现,计算效率低,且存在样本不可重用、扩展性差等问题,不适合高效的大规模bagging集成学习。从大数据分布式计算的思维入手,提出新的Bootstrap样本划分(BSP)大数据模型和分布式集成... 详细信息

传统Bootstrap抽样和bagging集成学习通常以串行方式实现,计算效率低,且存在样本不可重用、扩展性差等问题,不适合高效的大规模bagging集成学习。从大数据分布式计算的思维入手,提出新的Bootstrap样本划分(BSP)大数据模型和分布式集成学习方法。BSP数据模型通过分布式生成算法将训练数据表达成分布式Bootstrap样本集的集合,存储成HDFS分布式数据文件,为后续的分布式集成学习提供数据支持。分布式集成学习方法从BSP数据模型中随机选取多个BSP数据块,读入集群各个节点的虚拟机,用串行算法对选取的数据块并行计算统计量或训练建模,再将所有的计算子结果回传至主节点中,生成最终的集成学习结果,此过程中可加入对子结果的质量选择以进一步提高预测效果。BSP数据模型的生成和分布式集成学习采用非Map-Reduce计算范式进行,每个数据块的计算独立完成,减少了计算节点间的数据通信开销。提出的算法在Spark开源系统中以新的算子方式实现,供Spark应用程序调用。实验表明,新方法可以高效地生成训练数据的BSP数据模型,提高数据样本的可重用性,在基于有监督机器学习算法构建的大规模bagging集成学习实验中,计算效率能提高50%以上,同时预测精度进一步提高约2%。

关键词： Bootstrap抽样 bagging集成学习分布式集成学习 Spark

基于BS_bagging-cLightGBM模型的电动汽车故障预测方法

在线全文

学校读者我要写书评

暂无评论

广西师范大学学报（自然科学版） 2023年第3期41卷 9-19页

作者：田晟张津铭李成伟李嘉华南理工大学土木与交通学院广东广州510641

针对因电动汽车故障数据样本类别不平衡引起的机器模型分类性能欠佳、故障查全率低的问题,本文提出一种以LightGBM为基学习器改进的bagging集成电动汽车故障预测模型:在bagging集成学习中使用Borderline_SMOTE方法对训练集重新采样,改... 详细信息

针对因电动汽车故障数据样本类别不平衡引起的机器模型分类性能欠佳、故障查全率低的问题,本文提出一种以LightGBM为基学习器改进的bagging集成电动汽车故障预测模型:在bagging集成学习中使用Borderline_SMOTE方法对训练集重新采样,改善训练子集的数据不平衡程度,避免小类样本信息缺失;将权重系数和正则化项嵌入LightGBM基学习器的损失函数中,提高训练中小类样本的错分类代价。实验结果表明,该模型可有效提高故障查全率、宏平均和AUC值,其中AUC值达到0.898 4,故障样本的查全率为0.808 3,在电动汽车不平衡数据集上的故障分类性能显著优于传统单一模型和其他对比算法。

关键词：故障诊断 LightGBM模型 bagging集成学习不平衡数据 Borderline_SMOTE

双层特征选择和CatBoost-bagging集成的短期风电功率预测

在线全文

学校读者我要写书评

暂无评论

重庆理工大学学报（自然科学） 2022年第7期36卷 303-309页

作者：康文豪徐天奇王阳光邓小亮李琰云南民族大学云南省高校电力信息物理融合系统重点实验室昆明650504 国网湖南省电力有限公司长沙410004

为了充分挖掘风电场数据和提高短期风电功率预测精度,提出了一种基于双层特征选择和装袋算法(bootstrap aggregating,bagging)集成分类梯度提升算法(categorical boosting,CatBoost)的短期风电功率预测方法。首先,对风电场原始特征数据... 详细信息

为了充分挖掘风电场数据和提高短期风电功率预测精度,提出了一种基于双层特征选择和装袋算法(bootstrap aggregating,bagging)集成分类梯度提升算法(categorical boosting,CatBoost)的短期风电功率预测方法。首先,对风电场原始特征数据应用模拟退火特征选择进行特征寻优,得到第一层特征集。然后,在其基础上,第二层特征选择通过距离相关系数和最大信息系数分析风电功率强相关的特征,从而形成最终特征集。最后,建立CatBoost-bagging集成模型进行风电功率短期预测,并使用新疆某风电场实测数据对算法有效性进行验证。结果表明,与传统单一机器学习模型及其bagging集成模型相比,CatBoost-bagging集成模型的预测精度和模型拟合效果更好。

关键词：短期风电功率预测双层特征选择 CatBoost算法 bagging集成学习

基于序列相似度判别与集成学习的窃电检测研究

在线全文

学校读者我要写书评

暂无评论

基于序列相似度判别与集成学习的窃电检测研究

作者：冉哲昆明理工大学

学位级别：硕士

电力行业的稳定运行保障着人民日常的安全用电,社会的进步和发展同时推动了电力行业的快速发展,通过对用户海量负荷数据进行分析和研究,从中及时发现异常用电行为,排除安全隐患,阻止窃电行为的发生,对于保障人民安全稳定用电,使得整个... 详细信息

电力行业的稳定运行保障着人民日常的安全用电,社会的进步和发展同时推动了电力行业的快速发展,通过对用户海量负荷数据进行分析和研究,从中及时发现异常用电行为,排除安全隐患,阻止窃电行为的发生,对于保障人民安全稳定用电,使得整个电力系统平稳良好运行,减少经济损失,保障生命安全具有非常重要的意义。本文从反映用户用电行为的真实负荷数据出发,以分析用户用电行为规律下窃电检测为主题,通过归纳总结各类窃电方式仿真窃电样本数据,并且对少数类窃电进行增强,便于模型更好地学习检测。通过数据预处理和仿真增强后进行聚类计算相似度对负荷数据中的窃电序列进行筛选识别,初步筛选窃电序列的同时提取相应特征,结合窃电判别特征经筛选后采用集成学习的思想对窃电样本集进行检测。本文主要研究内容和具体工作如下:(1)窃电样本仿真及增强。针对现实场景中窃电样本难以获取收集且样本数量较少的问题,通过分析不同窃电方式下的数据特点仿真窃电样本集,并且根据现实场景中正常与窃电正负样本极度不平衡的问题采用生成对抗网络(GAN)对窃电样本进行增强,以平衡样本数据集,对比其他数据采样方法验证了所用方法的有效性,为后续的相似度初筛和集成学习当中所用窃电样本集的构建打下基础。(2)负荷序列相似度判别。针对负荷序列相似度判别准确度的提升以及窃电特征提取问题,在窃电样本仿真及增强的基础上采用信息熵对负荷数据进行重构,突出隐患发生时刻特征,再利用改进PLR算法对负荷序列进行降维处理,提高对比效率的同时突出负荷尖峰变化特性,降维后的序列采用Canopy确定初始聚类中心和聚类数目的FCM聚类将其聚为4类,提取每一类聚类中心即负荷特征曲线与待测用户的负荷序列进行DTW距离计算,并将距离转化为相似度进行窃电序列筛选判别,对比不同阈值后以相似度阈值0.7实现窃电嫌疑序列有效筛选,提取相似度指标特征应用于后续窃电检测,对比其他数据处理方式验证了信息熵和改进PLR降维方法的有效性。(3)集成学习窃电检测。针对窃电检测分类器性能提升的问题,在负荷窃电序列筛选的基础上,选取并计算反映负荷序列变化特点的13个相关特征,采用RF对特征集进行筛选,与原始48点采样特征共同构成特征集,采用集成学习的方法对负荷数据集进行窃电检测,对集成模型中的基学习器进行选择性集成,采用改进集成投票策略的bagging异质集成学习对窃电样本数据集进行了检测识别,与其他单一类学习器以及集成类学习器进行对比,验证了所提模型的有效性。

关键词：窃电检测生成对抗网络聚类曲线相似度识别 bagging集成学习