集成學(xué)習(xí)
- 訪問(wèn)控制日志驅(qū)動(dòng)的ABAC策略自動(dòng)提取與優(yōu)化增強(qiáng)
。首先，構(gòu)建集成學(xué)習(xí)模型，將用戶行為和權(quán)限分配映射為策略邏輯樹(shù)，識(shí)別訪問(wèn)授權(quán)決策的關(guān)聯(lián)性及潛在規(guī)律，初步生成策略；其次，通過(guò)單屬性優(yōu)化和規(guī)則二元約簡(jiǎn)兩種方法深度優(yōu)化策略，簡(jiǎn)化策略結(jié)構(gòu)并壓縮策略規(guī)模；最后，提出基于誤差度量的規(guī)則沖突解決方法，以增強(qiáng)互斥、完備的ABAC策略，并進(jìn)一步基于多目標(biāo)優(yōu)化的策略性能平衡算法實(shí)現(xiàn)不同場(chǎng)景需求的最優(yōu)模型選擇。分別在平衡數(shù)據(jù)集和稀疏數(shù)據(jù)集上進(jìn)行測(cè)試和驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，該方法在平衡數(shù)據(jù)集上的準(zhǔn)確性最高可達(dá)96.69%，可將策
計(jì)算機(jī)應(yīng)用研究 2024年2期2024-03-05
- 基于自蒸餾與自集成的問(wèn)答模型
；知識(shí)蒸餾；集成學(xué)習(xí)；BERT中圖分類(lèi)號(hào)：TP391.1?? 文獻(xiàn)標(biāo)志碼：A?? 文章編號(hào)：1001-3695（2024）01-032-0212-05doi：10.19734/j.issn.1001-3695.2023.05.0281Question answering model based on self-distillation and self-ensembleAbstract：Knowledge distillation combined wit
計(jì)算機(jī)應(yīng)用研究 2024年1期2024-02-18
- 基于機(jī)器學(xué)習(xí)的兒童顱骨畸形分類(lèi)研究
：顱骨畸形;集成學(xué)習(xí);圖像處理;分類(lèi)預(yù)測(cè)0 引言（Introduction）顱骨畸形[1]并不僅僅是外觀問(wèn)題，更是影響兒童健康發(fā)育的重要因素。顱骨畸形會(huì)改變嬰幼兒面部形態(tài)，嚴(yán)重的畸形可能影響大腦發(fā)育，造成發(fā)育滯后的問(wèn)題。顱縫早閉[2]是導(dǎo)致顱骨變形的常見(jiàn)原因，全球每10 000名新生兒中就有3.1～6.4人患病。目前，我國(guó)對(duì)兒童顱骨畸形的診斷和治療未有統(tǒng)一標(biāo)準(zhǔn)，診斷方法包括手工測(cè)量和CT臨床檢測(cè)以及近期出現(xiàn)的光學(xué)三維建模技術(shù)，手工測(cè)量和臨床檢測(cè)存在速度慢、
軟件工程 2024年1期2024-01-29
- 基于集成學(xué)習(xí)的井漏智能預(yù)警模型及智能推理方法
慶慶. 基于集成學(xué)習(xí)的井漏智能預(yù)警模型及智能推理方法［J］. 石油鉆采工藝，2023，45（1）：47-54.摘要：水平井優(yōu)快鉆井技術(shù)加快了長(zhǎng)慶油田致密油氣大規(guī)模開(kāi)發(fā)速度，但由于部分區(qū)域地層孔隙和微裂縫發(fā)育，承壓能力低，極易發(fā)生井漏風(fēng)險(xiǎn)，嚴(yán)重制約了水平井提速提效。為進(jìn)一步降低井漏風(fēng)險(xiǎn)，提高漏失預(yù)警的時(shí)效性和準(zhǔn)確率，提出了一種因果關(guān)系約束下的井漏智能預(yù)警及漏失原因推理方法。基于漏失產(chǎn)生機(jī)理，分析了漏失風(fēng)險(xiǎn)的表征參數(shù)及其變化規(guī)律，將其作為輸入?yún)?shù)約束條件，利用
石油鉆采工藝 2023年1期2023-12-22
- Correlation between travel experiences and post-COVID outbound tourism intention: a case study from China
；新冠肺炎；集成學(xué)習(xí)https://doi.org/10.1631/jzus.A2300057https://doi.org/10.1631/jzus.A2300057Yinan DONG, https://orcid.org/0000-0002-6275-6175Apr. 28, 2023;June 17, 2023? Zhejiang University Press 2023Feb. 1, 2023;Mar. 19, 2023;
Journal of Zhejiang University-Science A(Applied Physics & Engineering) 2023年11期2023-11-18
- 基于集成學(xué)習(xí)數(shù)據(jù)挖掘的離合器換擋控制研究
艷摘要：通過(guò)集成學(xué)習(xí)算法全面學(xué)習(xí)雙離合器變速箱（dual clutch transmission，DCT）換擋數(shù)據(jù)，并建立模型預(yù)測(cè)換擋控制器，以補(bǔ)償轉(zhuǎn)矩保障真實(shí)轉(zhuǎn)速，可以實(shí)現(xiàn)對(duì)參考轉(zhuǎn)速的精準(zhǔn)追蹤，進(jìn)而實(shí)現(xiàn)DCT 換擋的智能控制。研究結(jié)果表明：在0.29 s 時(shí)DCT 出現(xiàn)降擋慣性相，穩(wěn)定跟隨目標(biāo)轉(zhuǎn)速，車(chē)輛沖擊度的最大值是7.2 m/s3，符合設(shè)計(jì)需求。隨著油門(mén)開(kāi)度的不斷增加，相較于其他控制策略，基于集成學(xué)習(xí)數(shù)據(jù)挖掘的模型預(yù)測(cè)換擋控制策略表現(xiàn)出很好的平順性，
電子產(chǎn)品世界 2023年9期2023-10-28
- 基于遷移模型集成的馬鈴薯葉片病害識(shí)別方法
遷移方式進(jìn)行集成學(xué)習(xí)以快速識(shí)別馬鈴薯葉片病害圖像的方法。首先，利用多種遷移方式（全部參數(shù)遷移、特征提取、微調(diào)及全新訓(xùn)練4種訓(xùn)練方法），通過(guò)調(diào)整超參數(shù)，使模型快速收斂達(dá)到全局最優(yōu)點(diǎn)。其次，使用混淆矩陣對(duì)多種遷移方式的訓(xùn)練模型結(jié)果進(jìn)行對(duì)比分析，微調(diào)模型識(shí)別準(zhǔn)確率達(dá)到95.45%。最后，利用集成學(xué)習(xí)將3種訓(xùn)練較優(yōu)的模型進(jìn)行集成并與微調(diào)模型進(jìn)行對(duì)比。通過(guò)試驗(yàn)建立了1個(gè)馬鈴薯葉片病害圖像數(shù)據(jù)集，結(jié)果表明，相比現(xiàn)有熱門(mén)神經(jīng)網(wǎng)絡(luò)模型，該數(shù)據(jù)集無(wú)論是識(shí)別準(zhǔn)確率還是識(shí)別效率
江蘇農(nóng)業(yè)科學(xué) 2023年15期2023-09-11
- 基于 BO-XGBoost與集成學(xué)習(xí)方法的供應(yīng)鏈金融信用評(píng)價(jià)研究
ost算法的集成學(xué)習(xí)模型 BO-XGBoost-Bagging（BXB）。首先，基于XGBoost特征重要度進(jìn)行特征篩選，建立供應(yīng)鏈金融信用評(píng)價(jià)指標(biāo)體系。其次，通過(guò)貝葉斯優(yōu)化獲得XGBoost的最優(yōu)超參數(shù)，并結(jié)合 Bagging 算法得到集成模型 BXB。最后，在中小企業(yè)數(shù)據(jù)集上進(jìn)行預(yù)測(cè)，通過(guò)實(shí)證研究驗(yàn)證信用評(píng)價(jià)模型的有效性。實(shí)證結(jié)果表明，BXB 模型相比其他模型具有更好的預(yù)測(cè)效果，能夠更加準(zhǔn)確、全面地對(duì)中小企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，更好地區(qū)分風(fēng)險(xiǎn)企業(yè)和正常
上海理工大學(xué)學(xué)報(bào) 2023年1期2023-06-30
- 用于不平衡節(jié)點(diǎn)分類(lèi)的集成圖神經(jīng)網(wǎng)絡(luò)模型
衡節(jié)點(diǎn)分類(lèi)；集成學(xué)習(xí)中圖分類(lèi)號(hào)：TP183? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：2096-4706（2023）03-0029-04Ensemble Graph Neural Network Model for Imbalanced Node ClassificationGUO Mengxin（Taiyuan Normal University， Jinzhong? 030619， China）Abstract： To solve the classifi
現(xiàn)代信息科技 2023年3期2023-06-22
- 上市公司股價(jià)崩盤(pán)預(yù)警模型研究
Cox模型與集成學(xué)習(xí)模型相結(jié)合，發(fā)現(xiàn)模型的預(yù)測(cè)性能顯著提升。研究發(fā)現(xiàn)了股價(jià)崩盤(pán)在時(shí)序上的變化規(guī)律及風(fēng)險(xiǎn)預(yù)期，為企業(yè)持續(xù)經(jīng)營(yíng)與風(fēng)險(xiǎn)防范提供參考借鑒，有助于促進(jìn)資本市場(chǎng)的平穩(wěn)運(yùn)行；風(fēng)險(xiǎn)預(yù)警模型的建立有助于利益相關(guān)者有效識(shí)別股價(jià)崩盤(pán)風(fēng)險(xiǎn)，在一定程度上保護(hù)股東和投資者的權(quán)益。關(guān)鍵詞：Cox模型；股價(jià)崩盤(pán)；集成學(xué)習(xí)；風(fēng)險(xiǎn)預(yù)警中圖分類(lèi)號(hào)：F832.5? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? 文章編號(hào)：1007-0753（2023）03-0070-09一、引言近年來(lái)
金融經(jīng)濟(jì) 2023年3期2023-05-30
- 基于機(jī)器學(xué)習(xí)模型的公司債券違約預(yù)警研究
acking集成學(xué)習(xí)方法融合XGBoost、GBDT、隨機(jī)森林模三種基本算法構(gòu)建預(yù)測(cè)模型，對(duì)企業(yè)債券是否違約進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明：融合模型的預(yù)測(cè)精準(zhǔn)率、召回率和F1度量指標(biāo)的可靠性明顯高于單一模型；各基學(xué)習(xí)器的學(xué)習(xí)能力越強(qiáng)，關(guān)聯(lián)程度越低，模型融合后的預(yù)測(cè)效果越好。此外，凈資產(chǎn)收益率ROE、資產(chǎn)負(fù)債率、票面利率、流動(dòng)比率、資產(chǎn)凈利率ROA是影響企業(yè)是否違約的重要關(guān)注指標(biāo)。關(guān)鍵詞：債券違約；預(yù)警模型；集成學(xué)習(xí)；重要指標(biāo)中圖分類(lèi)號(hào)：F830.91? ? ? ?
經(jīng)濟(jì)研究導(dǎo)刊 2023年1期2023-05-30
- 基于隨機(jī)森林的集成學(xué)習(xí)入侵檢測(cè)方法
于隨機(jī)森林的集成學(xué)習(xí)入侵檢測(cè)方法。通過(guò)K-means和SMOTE處理數(shù)據(jù)集獲得相關(guān)度高的平衡數(shù)據(jù)子集，隨機(jī)森林選擇出最優(yōu)的特征子集，基于樹(shù)的集成學(xué)習(xí)方法分類(lèi)結(jié)果。本文采用CICIDS2017數(shù)據(jù)集進(jìn)行本文方法可行性的研究，結(jié)果表明本文提出的方法相比傳統(tǒng)的單一機(jī)器學(xué)習(xí)方法具備更高的檢測(cè)精度和更低的時(shí)間開(kāi)銷(xiāo)。關(guān)鍵詞：隨機(jī)森林;集成學(xué)習(xí);入侵檢測(cè);機(jī)器學(xué)習(xí)中圖分類(lèi)號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）19-0087-021
電腦知識(shí)與技術(shù) 2022年19期2022-08-31
- 基于混合采樣與Stacking集成的半潛式平臺(tái)警報(bào)預(yù)測(cè)模型
;混合采樣;集成學(xué)習(xí)中圖分類(lèi)號(hào)：TP18;U661? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2022）06-0079-03Alarm Prediction Model of Semi Submersible Platform Based on Composite Sampling and Stacking IntegrationLI Zhili1， LIU Xinghui1， LI Yuan1， LU Xudi2（1.Shand
現(xiàn)代信息科技 2022年6期2022-07-06
- 基于集成學(xué)習(xí)的大學(xué)生心理健康服務(wù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
預(yù)警中，采用集成學(xué)習(xí)算法的隨機(jī)森林模型進(jìn)行數(shù)據(jù)分析，為高校心理輔導(dǎo)老師提供輔助，進(jìn)行智能預(yù)警。系統(tǒng)采用SSM框架、MySQL數(shù)據(jù)庫(kù)等主流的開(kāi)發(fā)工具與技術(shù)，界面簡(jiǎn)潔友好，性能良好。關(guān)鍵詞：集成學(xué)習(xí);心理健康;隨機(jī)森林;學(xué)習(xí)策略中圖分類(lèi)號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）12-0046-02開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：近年來(lái)，當(dāng)代大學(xué)生的心理障礙問(wèn)題日益突出，采用人工智能算法提前預(yù)判學(xué)生心理健康并及時(shí)疏導(dǎo)
電腦知識(shí)與技術(shù) 2022年12期2022-05-29
- 基于自動(dòng)標(biāo)簽的城市信用畫(huà)像系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
基于標(biāo)簽結(jié)合集成學(xué)習(xí)算法實(shí)現(xiàn)了信用風(fēng)險(xiǎn)的自動(dòng)預(yù)警，有效提升了信用監(jiān)管工作的效率。關(guān)鍵詞：自動(dòng)標(biāo)簽;信用畫(huà)像;集成學(xué)習(xí);風(fēng)險(xiǎn)預(yù)警;系統(tǒng)中圖分類(lèi)號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）06-0001-03開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：1 概述近年來(lái)，多地以信用信息平臺(tái)為支撐，以推進(jìn)誠(chéng)信文化建設(shè)、建立守信激勵(lì)和失信懲戒機(jī)制為重點(diǎn)，以聯(lián)合獎(jiǎng)懲、信用服務(wù)為主要手段，全面推進(jìn)社會(huì)信用體系建設(shè)工作[1]。在大數(shù)據(jù)時(shí)代，匯
電腦知識(shí)與技術(shù) 2022年6期2022-04-09
- 一種基于高斯混合模型的不均衡分類(lèi)方法
集，最后利用集成學(xué)習(xí)進(jìn)一步提升模型的泛化性能。實(shí)驗(yàn)結(jié)果表明，相比已有的一些處理方法，GMHSE可以提升不均衡數(shù)據(jù)的分類(lèi)性能。關(guān)鍵詞： 不均衡分類(lèi); 高斯混合模型;集成學(xué)習(xí);混合采樣中圖分類(lèi)號(hào)：TP3 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2022）02-0028-031 概述在數(shù)據(jù)挖掘的許多應(yīng)用，例如醫(yī)療診斷[1]、欺詐識(shí)別[2]等，都存在著類(lèi)別不均衡問(wèn)題。當(dāng)數(shù)據(jù)集中來(lái)自不同類(lèi)的實(shí)例數(shù)量差距較大時(shí)，則該數(shù)據(jù)集存在類(lèi)別不均衡問(wèn)題，會(huì)限制學(xué)習(xí)
電腦知識(shí)與技術(shù) 2022年2期2022-03-19
- 基于特征選擇集成學(xué)習(xí)的軍事體育訓(xùn)練成績(jī)分析
結(jié)合特征選擇集成學(xué)習(xí)模型一般步驟，建立基于特征選擇集成學(xué)習(xí)的軍事體育訓(xùn)練成績(jī)分析模型。模型按照軍事體育訓(xùn)練成績(jī)的數(shù)據(jù)規(guī)范化準(zhǔn)備，按照身體素質(zhì)建立特征子集和基學(xué)習(xí)器，按動(dòng)態(tài)權(quán)值構(gòu)建集成學(xué)習(xí)模型三步完成模型構(gòu)建。通過(guò)試點(diǎn)應(yīng)用，在歷史訓(xùn)練數(shù)據(jù)發(fā)現(xiàn)集成學(xué)習(xí)模型具有更高的預(yù)測(cè)效能和更好的可解釋性。關(guān)鍵詞：軍事體育訓(xùn)練;特征選擇;集成學(xué)習(xí);數(shù)據(jù)預(yù)處理中圖分類(lèi)號(hào)：TP 181? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）03-0081-03開(kāi)放科學(xué)（
電腦知識(shí)與技術(shù) 2022年3期2022-03-12
- 基于集成學(xué)習(xí)的肺癌存活性預(yù)測(cè)分析
型。關(guān)鍵詞：集成學(xué)習(xí);隨機(jī)森林;十折交叉驗(yàn)證;癌癥預(yù)后中圖分類(lèi)號(hào)：TP311? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-1472（2022）-01-41-06Abstract： In China， lung cancer has the highest mortality rates among all of the malignant tumors. In order to improve the accuracy of lung cancer surv
軟件工程 2022年1期2022-01-04
- 基于集成學(xué)習(xí)的乳腺癌生存預(yù)測(cè)研究
庫(kù);乳腺癌;集成學(xué)習(xí);預(yù)后預(yù)測(cè)中圖分類(lèi)號(hào)：TP181;R737.9? ? ? ? ? ? ?DOI：10.16375/j.cnki.cn45-1395/t.2022.01.0150? ? 引言乳腺癌是女性中最常見(jiàn)的腫瘤之一，也是人類(lèi)第二大致死癌癥[1]。據(jù)2018年國(guó)際癌癥研究機(jī)構(gòu)調(diào)查的數(shù)據(jù)顯示，全球女性乳腺癌的發(fā)病率為24.2%，位居女性惡性腫瘤首位，嚴(yán)重威脅著女性的身心健康[2]。對(duì)癌癥患者生存數(shù)據(jù)的分析一直備受?chē)?guó)內(nèi)外學(xué)者的廣泛關(guān)注。目前多數(shù)研究都是通
廣西科技大學(xué)學(xué)報(bào) 2022年1期2022-01-01
- 推薦系統(tǒng)綜述
于記憶網(wǎng)絡(luò)和集成學(xué)習(xí)的推薦系統(tǒng)為用戶精確地推薦物品。本文將對(duì)基于矩陣分解、基于深度學(xué)習(xí)、基于記憶網(wǎng)絡(luò)和基于集成學(xué)習(xí)的推薦系統(tǒng)進(jìn)行分析和總結(jié)，展望未來(lái)的研究方向。關(guān)鍵詞： 推薦系統(tǒng); 矩陣分解; 神經(jīng)網(wǎng)絡(luò); 記憶網(wǎng)絡(luò); 集成學(xué)習(xí)文章編號(hào)： 2095-2163（2021）07-0228-06中圖分類(lèi)號(hào)：TP393.01文獻(xiàn)標(biāo)志碼： AA survey on recommender systemsZHAO Yan， LIU Hongwei（School of C
智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07
- 基于集成學(xué)習(xí)的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬
提出一種基于集成學(xué)習(xí)的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬算法。該方法首先采集業(yè)務(wù)服務(wù)所在局域網(wǎng)內(nèi)的網(wǎng)絡(luò)流量和時(shí)延信息，經(jīng)數(shù)據(jù)預(yù)處理后，得到數(shù)據(jù)集。其次，基于Stacking集成學(xué)習(xí)方法，以隨機(jī)森林為元學(xué)習(xí)器，將Boosting簇三種模型作為初級(jí)學(xué)習(xí)器進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果經(jīng)融合后作為時(shí)延預(yù)測(cè)的基準(zhǔn)值。接著，以分段回歸樹(shù)為模型預(yù)測(cè)時(shí)延抖動(dòng)特征。最后，將時(shí)延基準(zhǔn)和抖動(dòng)特征疊加，得到符合局域網(wǎng)時(shí)延抖動(dòng)特性的綜合時(shí)延模型，基于該模型實(shí)現(xiàn)蜜網(wǎng)系統(tǒng)時(shí)延模擬，從而降低被攻擊者識(shí)別概率。最終實(shí)
軟件工程 2021年11期2021-11-09
- 基于組合模型的城市住房租金預(yù)測(cè)研究
績(jī)效，并采用集成學(xué)習(xí)理論對(duì)模型有效性進(jìn)行了增強(qiáng)，同時(shí)從機(jī)器學(xué)習(xí)的角度對(duì)住房租金影響因素進(jìn)行了分析。結(jié)果顯示：隨機(jī)森林和XGBoost在住房租金預(yù)測(cè)問(wèn)題上的預(yù)測(cè)性能優(yōu)于其他機(jī)器學(xué)習(xí)模型，而基于集成學(xué)習(xí)理論構(gòu)建的組合預(yù)測(cè)模型則優(yōu)于個(gè)體機(jī)器學(xué)習(xí)模型。進(jìn)一步地，基于樹(shù)集成方法的特征重要性分析發(fā)現(xiàn)，交通、教育以及區(qū)位條件是影響住房租金的關(guān)鍵影響要素。關(guān)鍵詞：互聯(lián)網(wǎng)數(shù)據(jù);住房租金預(yù)測(cè);機(jī)器學(xué)習(xí);集成學(xué)習(xí);組合模型中圖分類(lèi)號(hào)：F293 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-
中國(guó)房地產(chǎn)·綜合版 2021年9期2021-11-02
- 基于隨機(jī)森林的光譜分類(lèi)模型研究
點(diǎn)。關(guān)鍵詞：集成學(xué)習(xí);Bagging;隨機(jī)森林中圖分類(lèi)號(hào)：TP273.4 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2021）07-0081-04Study on Spectral Classification Model Based on Random ForestYUAN Zhengxi（South China Normal University，Guangzhou? 510631，China）Abstract：In this paper，the
現(xiàn)代信息科技 2021年7期2021-10-16
- 基于集成卷積神經(jīng)網(wǎng)絡(luò)的LiDAR數(shù)據(jù)分類(lèi)
隨機(jī)子空間的集成學(xué)習(xí)框架。通過(guò)有放回的隨機(jī)抽取LiDAR訓(xùn)練集構(gòu)成子集，以深度卷積神經(jīng)網(wǎng)絡(luò)模型為單個(gè)子分類(lèi)器，最后采用多數(shù)投票法確定最終樣本的類(lèi)別，以獲得更好的分類(lèi)精度。實(shí)驗(yàn)結(jié)果表明，所提方法在Bayview Park和Houston兩個(gè)數(shù)據(jù)集上分別取得了93.31%和80.95%的總體分類(lèi)精度，與其他3種分類(lèi)算法相比具有更好的分類(lèi)效果，由此證明該網(wǎng)絡(luò)在擁有較高分類(lèi)精度的同時(shí)還具有良好的泛化能力。關(guān)鍵詞：LiDAR;圖像分類(lèi);深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);集成學(xué)
哈爾濱理工大學(xué)學(xué)報(bào) 2021年4期2021-10-07
- 基于增量集成學(xué)習(xí)的動(dòng)態(tài)自適應(yīng)SDN入侵檢測(cè)
，提出了增量集成學(xué)習(xí)算法，并用該算法解決SDN入侵檢測(cè)問(wèn)題。該算法利用滑動(dòng)窗口法獲得數(shù)據(jù)塊，對(duì)新的數(shù)據(jù)塊進(jìn)行訓(xùn)練獲得子分類(lèi)器，然后依據(jù)在歷史數(shù)據(jù)塊和當(dāng)前數(shù)據(jù)塊的分類(lèi)結(jié)果篩選子分類(lèi)器進(jìn)行集成，使得分類(lèi)模型不斷完善從而能夠自適應(yīng)的識(shí)別未知攻擊行為。通過(guò)在NSL-KDD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果可以看到，該算法可以提高未知攻擊的識(shí)別率。關(guān)鍵詞：增量學(xué)習(xí);集成學(xué)習(xí);入侵檢測(cè);軟件定義網(wǎng)絡(luò)Abstract：With the popularization of SDN net
計(jì)算技術(shù)與自動(dòng)化 2021年3期2021-10-01
- 基于集成學(xué)習(xí)算法的返貧人口識(shí)別模型
征，構(gòu)建基于集成學(xué)習(xí)算法的返貧人口識(shí)別模型進(jìn)行貧困人口分類(lèi)。結(jié)果表明，經(jīng)調(diào)優(yōu)的XGBoost算法模型取得最優(yōu)結(jié)果，對(duì)已脫貧、未脫貧及返貧3類(lèi)人員分別達(dá)97.43%、92.44%、97.04%的識(shí)別準(zhǔn)確率，總體達(dá)到96.81%的準(zhǔn)確率，能夠較好識(shí)別出貧困人口貧困類(lèi)別。為幫扶工作人員的防返貧動(dòng)態(tài)監(jiān)測(cè)和幫扶工作提供技術(shù)支持。關(guān)鍵詞：建檔立卡;集成學(xué)習(xí);返貧識(shí)別;動(dòng)態(tài)監(jiān)測(cè)中圖分類(lèi)號(hào)： F323.8;TP181? 文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（202
江蘇農(nóng)業(yè)科學(xué) 2021年17期2021-09-26
- 基于集成學(xué)習(xí)技術(shù)的隧道圍巖智能分級(jí)方法研究
acking集成學(xué)習(xí)模型，增加了模型分類(lèi)的穩(wěn)定性，提高了模型預(yù)測(cè)準(zhǔn)確度。該方法解決了傳統(tǒng)隧道圍巖分級(jí)方法存在評(píng)價(jià)方法單一、評(píng)價(jià)不及時(shí)、主觀誤差大等問(wèn)題?！娟P(guān)鍵詞】隧道工程; 集成學(xué)習(xí); 圍巖分級(jí)【中國(guó)分類(lèi)號(hào)】U451+.2【文獻(xiàn)標(biāo)志碼】A隧道圍巖級(jí)別是制定巖變我變、因巖施策的設(shè)計(jì)施工參數(shù)的主要依據(jù)。當(dāng)前，研究隧道圍巖分級(jí)方法主要分為間接方法和直接方法。其中，間接方法主要包括RQD方法、RMR方法、BQ方法。間接方法缺點(diǎn)是圍巖信息采集往往需要地質(zhì)人員到現(xiàn)場(chǎng)掌
四川建筑 2021年4期2021-09-15
- 海洋溫差能發(fā)電系統(tǒng)最優(yōu)化控制
網(wǎng)絡(luò)模型以及集成學(xué)習(xí)等方法構(gòu)建了ORC海洋發(fā)電系統(tǒng)的仿真模型，其可以實(shí)現(xiàn)使用者輸入相應(yīng)的溫度，模型自動(dòng)返回所需要的變化的工質(zhì)流量以及具體需要變大還是變小，我們也基于單片機(jī)實(shí)現(xiàn)了同樣的功能。關(guān)鍵詞：多元線性回歸;集成學(xué)習(xí) ;神經(jīng)網(wǎng)絡(luò) ;單片機(jī)1基于機(jī)器學(xué)習(xí)的海洋溫差能發(fā)電系統(tǒng)的優(yōu)化1.1不同溫度下的最佳工質(zhì)流量最初，我們首先測(cè)量了ORC實(shí)驗(yàn)儀器的在不同溫度下對(duì)應(yīng)不同工質(zhì)流量所產(chǎn)生的發(fā)電功率，發(fā)現(xiàn)ORC實(shí)驗(yàn)裝置在某一固定溫度下隨著冷媒質(zhì)量流量增大，發(fā)電功率先增
國(guó)際商業(yè)技術(shù) 2021年10期2021-09-10
- 隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)燃機(jī)健康監(jiān)測(cè)方法研究
神經(jīng)網(wǎng)絡(luò); 集成學(xué)習(xí)1 ?概 ?述內(nèi)燃機(jī)作為一種重要的動(dòng)力機(jī)械，廣泛應(yīng)用于各個(gè)領(lǐng)域，對(duì)其系統(tǒng)健康狀況的監(jiān)測(cè)不僅能夠保證設(shè)備平穩(wěn)高效的運(yùn)行，而且能夠及時(shí)發(fā)現(xiàn)出現(xiàn)的故障狀況，有效防止重大事故的發(fā)生[1]。基于振動(dòng)信號(hào)的分析是對(duì)內(nèi)燃機(jī)健康狀態(tài)監(jiān)測(cè)的重要途徑。這是由于振動(dòng)信號(hào)采集方便，并且采集的振動(dòng)信號(hào)包含了往復(fù)運(yùn)動(dòng)、旋轉(zhuǎn)運(yùn)動(dòng)、機(jī)械沖擊和氣體的高速流動(dòng)等豐富的信息。但是，內(nèi)燃機(jī)系統(tǒng)的振動(dòng)激勵(lì)源多，其振動(dòng)信號(hào)具有強(qiáng)耦合、弱故障特征的特點(diǎn)[2]，因此如何準(zhǔn)確地提取振動(dòng)
振動(dòng)工程學(xué)報(bào) 2021年4期2021-09-08
- 基于lightGBM的聯(lián)通話費(fèi)購(gòu)?fù)扑]系統(tǒng)研究
工程? ? 集成學(xué)習(xí)一、項(xiàng)目背景聯(lián)通話費(fèi)購(gòu)商城是中國(guó)聯(lián)通提供的新型通信賬戶消費(fèi)業(yè)務(wù)，是聯(lián)通用戶購(gòu)買(mǎi)多種會(huì)員權(quán)益的專屬商城。為用戶提供話費(fèi)計(jì)費(fèi)和第三方支付等多種支付方式。實(shí)現(xiàn)用戶一站式購(gòu)買(mǎi)音樂(lè)、視頻、小說(shuō)、教育、娛樂(lè)等眾多互聯(lián)網(wǎng)會(huì)員權(quán)益及知識(shí)付費(fèi)類(lèi)數(shù)字商品，現(xiàn)有自營(yíng)會(huì)員產(chǎn)品話費(fèi)購(gòu)、尊享黃金會(huì)員以及自營(yíng)虛擬貨幣話費(fèi)券。目前，話費(fèi)購(gòu)商城涵蓋影視會(huì)員、出行、音樂(lè)、知識(shí)付費(fèi)、社交、工具等八大產(chǎn)品類(lèi)80款會(huì)員權(quán)益，近400余款商品。本文通過(guò)為話費(fèi)購(gòu)搭建推薦系統(tǒng)，智能化
中國(guó)新通信 2021年12期2021-08-27
- 基于CRT-EL的海洋環(huán)境數(shù)據(jù)綜合預(yù)測(cè)方法
選擇結(jié)果作為集成學(xué)習(xí)模型的輸入，進(jìn)一步對(duì)海洋生態(tài)環(huán)境狀態(tài)進(jìn)行預(yù)測(cè)。仿真結(jié)果證明，該模型具有較高的準(zhǔn)確率，可以應(yīng)用到實(shí)際工程中。關(guān)鍵詞：海洋生態(tài)環(huán)境;數(shù)據(jù)分析;交叉遞歸理論;海洋序列預(yù)測(cè);集成學(xué)習(xí)中圖分類(lèi)號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）17-0004-03開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：Comprehensive Prediction for Marine Environment Data base
電腦知識(shí)與技術(shù) 2021年17期2021-08-03
- 集成學(xué)習(xí)算法之隨機(jī)森林與梯度提升決策樹(shù)的分析比較
理極為重要。集成學(xué)習(xí)算法中的隨機(jī)森林和梯度提升決策樹(shù)是近些年來(lái)常被用于處理數(shù)據(jù)分類(lèi)與回歸的方法，決策樹(shù)則是隨機(jī)森林和梯度提升決策樹(shù)算法組成的基礎(chǔ)。本文首先對(duì)決策樹(shù)進(jìn)行了介紹，然后分別對(duì)隨機(jī)森林和梯度提升決策樹(shù)進(jìn)行了分析，敘述了兩種算法的優(yōu)缺點(diǎn)以及近幾年來(lái)在生活生產(chǎn)中的應(yīng)用，并對(duì)兩種算法進(jìn)行了比較。關(guān)鍵詞：決策樹(shù);隨機(jī)森林;梯度提升決策樹(shù);集成學(xué)習(xí)中圖分類(lèi)號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）15-0032-03隨著
電腦知識(shí)與技術(shù) 2021年15期2021-07-19
- 基于支持向量回歸集成學(xué)習(xí)的新能源汽車(chē)銷(xiāo)量預(yù)測(cè)
agging集成學(xué)習(xí)方法，對(duì)我國(guó)新能源汽車(chē)的銷(xiāo)量進(jìn)行預(yù)測(cè)和分析。首先，選取影響消費(fèi)者購(gòu)買(mǎi)意愿的公共充電樁數(shù)量和決定消費(fèi)者購(gòu)買(mǎi)能力的居民可支配收入作為模型的自變量，并收集相關(guān)數(shù)據(jù);其次，從原始樣本中隨機(jī)抽取樣本量為20的5個(gè)相互獨(dú)立的樣本集，并使用6個(gè)訓(xùn)練數(shù)據(jù)對(duì)這5個(gè)樣本集進(jìn)行訓(xùn)練，得到5個(gè)支持向量回歸模型;然后，平均5個(gè)模型的結(jié)果，減少模型噪聲，優(yōu)化最終預(yù)測(cè)效果;最后，分析所得的預(yù)測(cè)新能源汽車(chē)銷(xiāo)量模型的準(zhǔn)確性及不足之處。關(guān)鍵詞：支持向量回歸 集成學(xué)習(xí) 新能
時(shí)代汽車(chē) 2021年10期2021-07-16
- 基于集成學(xué)習(xí)的煤和矸石圖像識(shí)別技術(shù)研究與實(shí)現(xiàn)
定性，并采用集成學(xué)習(xí)的方法將多個(gè)深度計(jì)算模型的預(yù)測(cè)結(jié)果進(jìn)行融合，以此提升整個(gè)識(shí)別方法的性能。經(jīng)過(guò)實(shí)驗(yàn)研究結(jié)果發(fā)現(xiàn)，通過(guò)以上方法可以在小型數(shù)量級(jí)上較快得到一個(gè)具有較高識(shí)別精度和召回率識(shí)別模型，并且模型的預(yù)測(cè)結(jié)果更能夠反映模型在實(shí)際生產(chǎn)環(huán)境中的真實(shí)表現(xiàn)。綜上可以得知，本文所實(shí)現(xiàn)的模型方法更能夠適應(yīng)煤和矸石的識(shí)別研究領(lǐng)域的需求，對(duì)未來(lái)深度學(xué)習(xí)方法在煤矸識(shí)別的研究具有較高的實(shí)際應(yīng)用價(jià)值和意義。關(guān)鍵詞：煤矸識(shí)別;集成學(xué)習(xí);人工噪聲;交叉驗(yàn)證;TTA中圖分類(lèi)號(hào)：TP3
電腦知識(shí)與技術(shù) 2021年10期2021-06-28
- 基于LightGBM算法的中小上市公司財(cái)務(wù)困境預(yù)測(cè)研究
ghtGBM集成學(xué)習(xí)模型對(duì)中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)準(zhǔn)確率高達(dá)0.950 877、AUC值為0.975 8遠(yuǎn)遠(yuǎn)高于基于其他算法的預(yù)測(cè)模型。這對(duì)金融企業(yè)精準(zhǔn)評(píng)價(jià)中小企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)以及政府實(shí)施中小企業(yè)政策扶持提供決策參考。關(guān)鍵詞：財(cái)務(wù)困境預(yù)測(cè);集成學(xué)習(xí);LightGBM;特征選擇中圖分類(lèi)號(hào)：F275;TP311.1? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1008-4657（2021）03-0057-17引言我國(guó)中小企業(yè)是在經(jīng)濟(jì)運(yùn)行中發(fā)揮關(guān)鍵作用的社會(huì)主義經(jīng)濟(jì)
荊楚理工學(xué)院學(xué)報(bào) 2021年3期2021-03-29
- 一種混合的信用卡欺詐檢測(cè)模型
，通過(guò)半監(jiān)督集成學(xué)習(xí)的方法，利用異常數(shù)據(jù)進(jìn)一步擴(kuò)充集成模型的多樣性，并將異常檢測(cè)和集成模型融合。實(shí)驗(yàn)結(jié)果表明，比起一些傳統(tǒng)的機(jī)器學(xué)習(xí)方法，AWFD可以提高整體的信用卡欺詐檢測(cè)的識(shí)別率。關(guān)鍵詞：信用卡欺詐檢測(cè);異常檢測(cè);半監(jiān)督;集成學(xué)習(xí);多樣性中圖分類(lèi)號(hào)： TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）02-0194-03Abstract：Credit card fraud detection is a serious pr
電腦知識(shí)與技術(shù) 2021年2期2021-03-24
- 基于深度神經(jīng)網(wǎng)絡(luò)的行為識(shí)別算法
為識(shí)別算法;集成學(xué)習(xí)中圖分類(lèi)號(hào)：TP393? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）03-0017-02隨著科技的發(fā)展，日常生活中的行為會(huì)被攝像頭記錄下來(lái)，大量視頻網(wǎng)站紛紛涌現(xiàn)。近年來(lái)，隨著智能手機(jī)的普及，人們會(huì)將日常生活中所拍攝的視頻發(fā)送到網(wǎng)上，這些視頻為計(jì)算機(jī)技術(shù)帶來(lái)了新的發(fā)展機(jī)遇。而在密集場(chǎng)所中，攝像設(shè)備安裝數(shù)量也越來(lái)越多，其中記錄了大量視頻資料，包含各種人體行為。這些功能都需要行為識(shí)別算法才能夠?qū)崿F(xiàn)，這對(duì)計(jì)算機(jī)視覺(jué)技術(shù)提出了
電腦知識(shí)與技術(shù) 2021年3期2021-03-15
- 基于集成學(xué)習(xí)的全云化健康大數(shù)據(jù)整合系統(tǒng)設(shè)計(jì)
： 設(shè)計(jì)基于集成學(xué)習(xí)的全云化健康大數(shù)據(jù)整合系統(tǒng)，實(shí)現(xiàn)健康大數(shù)據(jù)的高效率、高精度整合。管理員操作管理操作層實(shí)現(xiàn)系統(tǒng)控制、調(diào)控以及應(yīng)用;大數(shù)據(jù)分析層通過(guò)ELM預(yù)測(cè)模型的參數(shù)單步預(yù)測(cè)方法獲取融合多維參數(shù)信息的健康數(shù)據(jù)預(yù)測(cè)結(jié)果，并采用Bagging集成學(xué)習(xí)方法融合ELM預(yù)測(cè)模型獲取高精度的強(qiáng)學(xué)習(xí)模型，實(shí)現(xiàn)差異多維全云化健康大數(shù)據(jù)的有效判讀;通過(guò)全云化健康大數(shù)據(jù)整合層中的整合管理器以及整合運(yùn)行引擎整合健康大數(shù)據(jù)，并通過(guò)調(diào)控層將整合后的健康大數(shù)據(jù)反饋到大數(shù)據(jù)資源層中，
現(xiàn)代電子技術(shù) 2020年22期2020-12-07
- 基于YOLO v3級(jí)聯(lián)網(wǎng)絡(luò)和集成學(xué)習(xí)的高鐵接觸網(wǎng)開(kāi)口銷(xiāo)缺失識(shí)別
3級(jí)聯(lián)網(wǎng)絡(luò)和集成學(xué)習(xí)的故障識(shí)別方法。首先利用YOLO v3級(jí)聯(lián)網(wǎng)絡(luò)對(duì)接觸網(wǎng)支持裝置和定位裝置中開(kāi)口銷(xiāo)進(jìn)行精確定位，然后集成多個(gè)弱分類(lèi)器，實(shí)現(xiàn)對(duì)開(kāi)口銷(xiāo)缺失情況的識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文方法能準(zhǔn)確高效地識(shí)別接觸網(wǎng)開(kāi)口銷(xiāo)的缺失故障。關(guān)鍵詞：YOLO v3; 高鐵接觸網(wǎng); 開(kāi)口銷(xiāo)釘缺失; 集成學(xué)習(xí)引言開(kāi)口銷(xiāo)是接觸網(wǎng)最重要的連接零件之一[1]。由于服役于露天環(huán)境，且長(zhǎng)期處于弓網(wǎng)作用中，開(kāi)口銷(xiāo)容易發(fā)生脫落等故障，進(jìn)而使受流質(zhì)量劣化，甚至出現(xiàn)打弓等事故[2]。因此，定期
裝備維修技術(shù) 2020年10期2020-11-19
- 基于Stacking的鋼板表面顏色預(yù)測(cè)
顏色;分類(lèi);集成學(xué)習(xí);Stacking方法中圖分類(lèi)號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8228（2020）08-65-040 引言鋼板表面顏色是判定鋼板表面耐蝕性能一種重要指標(biāo)，普通熱軋鋼板最常見(jiàn)的顏色有紅褐色和青黑色兩種，顏色的不同對(duì)鋼板耐銹蝕能力有很大影響，紅褐色主要是結(jié)構(gòu)疏松的Fe2O3，容易吸收水分和鹽分加速銹蝕，而青黑色主要是結(jié)構(gòu)致密的Fe3O4，可以有效延緩鋼板的銹蝕，對(duì)于鋼板下線后的保存、運(yùn)輸、加工和使用等過(guò)程比較有利[1-2
計(jì)算機(jī)時(shí)代 2020年8期2020-09-15
- 基于XGBoost的無(wú)線傳播預(yù)測(cè)模型
義。關(guān)鍵詞：集成學(xué)習(xí);無(wú)線傳播模型;數(shù)據(jù)分析;特征工程DOI：10. 11907/rjdk. 192477 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類(lèi)號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2020）008-0035-05Abstract：Traditional wireless propagation models usually need to divide propagation scenarios based on emp
軟件導(dǎo)刊 2020年8期2020-09-02
- 集成學(xué)習(xí)之隨機(jī)森林分類(lèi)算法的研究與應(yīng)用
邢海花摘要：集成學(xué)習(xí)是多分類(lèi)器學(xué)習(xí)系統(tǒng)。而隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類(lèi)器，是一種基于Bagging的集成學(xué)習(xí)方法。隨機(jī)森林具有預(yù)測(cè)準(zhǔn)確率、不容易出現(xiàn)過(guò)擬合的特點(diǎn)，在很多領(lǐng)域都有所應(yīng)用。本文主要利用隨機(jī)森林算法對(duì)心臟病數(shù)據(jù)集建立了分類(lèi)預(yù)測(cè)模型，實(shí)驗(yàn)結(jié)果表明，隨機(jī)森林算法在預(yù)測(cè)性能上超過(guò)了決策樹(shù)和邏輯回歸分類(lèi)算法，并通過(guò)繪制ROC曲線對(duì)四種模型進(jìn)行了對(duì)比。關(guān)鍵詞：集成學(xué)習(xí);隨機(jī)森林;預(yù)測(cè)中圖分類(lèi)號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（
電腦知識(shí)與技術(shù) 2020年21期2020-08-21
- 基于MDM的KELM學(xué)習(xí)器選擇性集成網(wǎng)絡(luò)入侵檢測(cè)
要： 采用集成學(xué)習(xí)模式進(jìn)行入侵檢測(cè)時(shí)，可以獲得比單個(gè)學(xué)習(xí)器更高效的網(wǎng)絡(luò)攻擊識(shí)別過(guò)程，并能顯著提高識(shí)別準(zhǔn)確率。設(shè)計(jì)的SN通過(guò)MDM對(duì)各KELM子學(xué)習(xí)器計(jì)算得到集成增益度，從中選出具有較高增益度的KELM子學(xué)習(xí)器再實(shí)施集成。選擇Bagging方式完成抽樣集成過(guò)程，同時(shí)以Hadoop分布式結(jié)構(gòu)對(duì)算法實(shí)施訓(xùn)練，通過(guò)并發(fā)方式完成各子KELM的檢測(cè)，使算法達(dá)到更高的效率。通過(guò)測(cè)試發(fā)現(xiàn)，不管對(duì)于公共KDD99數(shù)據(jù)集還是以手工方式建立的網(wǎng)絡(luò)物理仿真系統(tǒng)，SN都可以高效發(fā)
微型電腦應(yīng)用 2020年7期2020-07-29
- Stacking算法在醫(yī)療健康數(shù)據(jù)中的應(yīng)用研究
cking的集成學(xué)習(xí)算法，在兩種疾病數(shù)據(jù)集上，實(shí)驗(yàn)結(jié)果表明，該方法性能良好。關(guān)鍵詞：集成學(xué)習(xí);隨機(jī)森林;堆棧1 ? ?分類(lèi)挖掘技術(shù)在疾病輔助診斷上的應(yīng)用近年來(lái)，越來(lái)越多的學(xué)者將分類(lèi)挖掘技術(shù)應(yīng)用于疾病的輔助診斷上，如劉文博等[1]提出了一種迭代隨機(jī)森林算法，對(duì)糖尿病數(shù)據(jù)進(jìn)行預(yù)測(cè)。金強(qiáng)等[2]提出，應(yīng)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法，提高乳腺癌診斷準(zhǔn)確率。本文提出了一種基于堆棧的集成學(xué)習(xí)算法，應(yīng)用于肝臟疾病和皮膚疾病數(shù)據(jù)的分類(lèi)預(yù)測(cè)，為臨床診斷、個(gè)人健康提供有效的決策依
科學(xué)大眾 2020年5期2020-07-18
- 集成學(xué)習(xí)算法在疾病預(yù)測(cè)中的應(yīng)用研究
章分析了3種集成學(xué)習(xí)框架，在3個(gè)疾病數(shù)據(jù)集上對(duì)3種典型的集成學(xué)習(xí)算法進(jìn)行比較，結(jié)果表明：基于Stacking的集成算法在疾病預(yù)測(cè)方面表現(xiàn)良好。關(guān)鍵詞：集成學(xué)習(xí);隨機(jī)森林;堆棧近年來(lái)，眾多學(xué)者將集成學(xué)習(xí)應(yīng)用到醫(yī)療診斷中，以提高疾病預(yù)測(cè)的準(zhǔn)確率，如苗豐順等[1]提出了一種新型的Boosting算法，預(yù)測(cè)糖尿病患者。王榮政等[2]應(yīng)用集成學(xué)習(xí)，識(shí)別血糖異常個(gè)體。本文應(yīng)用3種不同的集成學(xué)習(xí)算法，對(duì)3種疾病機(jī)型進(jìn)行分類(lèi)預(yù)測(cè)，以比較3種算法在疾病預(yù)測(cè)方面的性能。1 ?
科學(xué)大眾 2020年5期2020-07-18
- 基于集成學(xué)習(xí)的測(cè)井巖性識(shí)別模型的構(gòu)建
acking集成學(xué)習(xí)的測(cè)井巖性識(shí)別方法。該方法建立了一種以樸素貝葉斯、隨機(jī)森林、支持向量機(jī)三種模型作為初級(jí)訓(xùn)練器，邏輯回歸模型作為次級(jí)訓(xùn)練器的融合模型。該融合模型提高了測(cè)井巖性識(shí)別效率，實(shí)現(xiàn)了測(cè)井?dāng)?shù)據(jù)自動(dòng)化處理，提高了地質(zhì)勘察人員的工作效率。文中以鄂爾多斯盆地的鉆孔測(cè)井?dāng)?shù)據(jù)為訓(xùn)練樣本，通過(guò)與其他機(jī)器學(xué)習(xí)模型的結(jié)果比較，該模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果相比具有較好的一致性，識(shí)別率優(yōu)于其他學(xué)習(xí)模型。關(guān)鍵詞： 巖性識(shí)別; 集成學(xué)習(xí); 融合模型; Stacking【Ab
智能計(jì)算機(jī)與應(yīng)用 2020年3期2020-07-04
- 基于集成學(xué)習(xí)方法的PPP項(xiàng)目結(jié)果預(yù)測(cè)
est算法的集成學(xué)習(xí)分類(lèi)模型，該模型可幫助研究人員預(yù)測(cè)PPP項(xiàng)目實(shí)施結(jié)果的成敗。通過(guò)與其他十個(gè)基線分類(lèi)器進(jìn)行對(duì)比實(shí)驗(yàn)，可以證明SMOTE過(guò)采樣技術(shù)對(duì)PPP項(xiàng)目數(shù)據(jù)集中不平衡數(shù)據(jù)的處理是有效的。研究結(jié)果表明所提模型在Presicion、F-measure和ROC Area三個(gè)指標(biāo)上比基線分類(lèi)器具有更好的性能表現(xiàn)。關(guān)鍵詞：政府和社會(huì)資本合作（PPP）;數(shù)據(jù)挖掘;集成學(xué)習(xí);預(yù)測(cè)0引言基礎(chǔ)設(shè)施建設(shè)作為影響國(guó)家產(chǎn)品服務(wù)的質(zhì)量和效率的重要因素，對(duì)經(jīng)濟(jì)發(fā)展具有深遠(yuǎn)的影響
大眾科學(xué)·上旬 2020年7期2020-06-29
- 基于改進(jìn)權(quán)值更新和選擇性集成的AdaBoost算法
：入侵檢測(cè);集成學(xué)習(xí);AdaBoost;權(quán)值更新;選擇性集成DOI： 10. 11907/rjdk.191736開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類(lèi)號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（ 2020）004-0257-060 引言入侵檢測(cè)可從網(wǎng)絡(luò)系統(tǒng)若干關(guān)鍵點(diǎn)收集信息，并分析網(wǎng)絡(luò)是否存在入侵行為及跡象[1，2]。入侵檢測(cè)可看作一個(gè)數(shù)據(jù)分類(lèi)過(guò)程，從收集的信息中識(shí)別出正常操作和入侵行為。當(dāng)前，入侵檢測(cè)分類(lèi)算法主要有決策樹(shù)[3]、神
軟件導(dǎo)刊 2020年4期2020-06-19
- 基于RUSBoost算法的違約風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建與應(yīng)用
型。作為一種集成學(xué)習(xí)方法，RUSBoost算法利用欠采樣實(shí)現(xiàn)了訓(xùn)練集的類(lèi)別均衡，同時(shí)又通過(guò)對(duì)基學(xué)習(xí)器的獨(dú)立采樣有效克服了因欠采樣而造成的信息丟失問(wèn)題，從而實(shí)現(xiàn)了對(duì)類(lèi)別不平衡數(shù)據(jù)的較強(qiáng)適應(yīng)能力?；谀尘W(wǎng)絡(luò)借貸平臺(tái)的金融大數(shù)據(jù)，首次將RUSBoost算法應(yīng)用于違約風(fēng)險(xiǎn)預(yù)測(cè)，同時(shí)也將隨機(jī)森林、決策樹(shù)以及支持向量機(jī)等數(shù)據(jù)挖掘方法分別應(yīng)用于違約風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題，并與傳統(tǒng)的Logistic回歸方法和最小二乘模型進(jìn)行對(duì)比分析。從實(shí)驗(yàn)結(jié)果來(lái)看，絕大部分?jǐn)?shù)據(jù)挖掘模型的預(yù)測(cè)性能要
財(cái)會(huì)月刊·下半月 2020年5期2020-06-03
- 基于Spark大數(shù)據(jù)平臺(tái)的老年病風(fēng)險(xiǎn)預(yù)警模型
7%。此外，集成學(xué)習(xí)規(guī)模對(duì)于模型預(yù)測(cè)的精度影響較小，決策樹(shù)的剪枝可在不損失預(yù)測(cè)精度的前提下降低模型的復(fù)雜度。關(guān)鍵詞： 決策樹(shù); 集成學(xué)習(xí); Spark; 疾病預(yù)測(cè)中圖分類(lèi)號(hào)： TP311 ? ? ?文獻(xiàn)標(biāo)志碼： ARisk Early Warning Model of Geriatric Disease Based onSpark Big Data PlatformTAN Xiao（School of Economics and Management， S
微型電腦應(yīng)用 2020年2期2020-05-11
- 基于機(jī)器學(xué)習(xí)的金融消費(fèi)場(chǎng)景預(yù)測(cè)探索
索。最后采用集成學(xué)習(xí)方法對(duì)最終結(jié)果進(jìn)行融合。本文采用了上述幾種算法模型進(jìn)行預(yù)測(cè)，對(duì)模型原理進(jìn)行了分析，并在多個(gè)評(píng)價(jià)指標(biāo)上衡量各個(gè)模型的表現(xiàn)，橫向?qū)Ρ攘瞬煌Ｐ偷膬?yōu)缺點(diǎn)，并對(duì)造成結(jié)果差異的原因進(jìn)行了總結(jié)。關(guān)鍵詞：金融科技;邏輯回歸;集成學(xué)習(xí);隨機(jī)森林;Xgboost;lightGBM;分類(lèi)中圖分類(lèi)號(hào)：F126.1?文獻(xiàn)識(shí)別碼：A文章編號(hào)：2096-3157（2020）05-0153-03一、引言隨著近年來(lái)互聯(lián)網(wǎng)的迅猛發(fā)展，數(shù)據(jù)不斷累積，計(jì)算機(jī)算力不斷提高，如
全國(guó)流通經(jīng)濟(jì) 2020年5期2020-04-20
- 基于詞向量的SVM集成學(xué)習(xí)社交網(wǎng)絡(luò)抑郁傾向檢測(cè)方法
向量的SVM集成學(xué)習(xí)社交網(wǎng)絡(luò)抑郁傾向檢測(cè)方法。人工標(biāo)注和專家校驗(yàn)獲得訓(xùn)練數(shù)據(jù)，使用詞向量進(jìn)行文本向量化。以SVM為基分類(lèi)器進(jìn)行Boosting集成學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明，文章提出的模型可以用于抑郁傾向的檢測(cè)。關(guān)鍵詞：抑郁檢測(cè);微博;支持向量機(jī);詞向量;集成學(xué)習(xí)目前，國(guó)內(nèi)外基于社交媒體文本內(nèi)容的抑郁傾向檢測(cè)主要分成兩類(lèi)，一類(lèi)是基于統(tǒng)計(jì)的數(shù)據(jù)挖掘方法，另一類(lèi)是基于機(jī)器學(xué)習(xí)模型的檢測(cè)方法。（1）基于統(tǒng)計(jì)的數(shù)據(jù)挖掘方法，主要是通過(guò)統(tǒng)計(jì)微博文本內(nèi)容的高頻詞、構(gòu)建情感詞典
無(wú)線互聯(lián)科技 2020年3期2020-04-09
- 基于集成學(xué)習(xí)的金融反欺詐模型
一種新的基于集成學(xué)習(xí)的數(shù)據(jù)挖掘技術(shù)。集成模型包括一組單獨(dú)的分類(lèi)器，它們的預(yù)測(cè)被組合以預(yù)測(cè)新的傳入實(shí)例。我們主要考慮了三個(gè)最新的單個(gè)組件分類(lèi)器：隨機(jī)森林，XGBoost和CNN卷積神經(jīng)網(wǎng)絡(luò)。提出了一種創(chuàng)新的集成學(xué)習(xí)方法，通過(guò)多個(gè)模型的集成，并考慮了數(shù)據(jù)本身的特征，來(lái)提升模型的性能。實(shí)證結(jié)果表明，與單個(gè)組件分類(lèi)器相比，這種集成學(xué)習(xí)的方法在真實(shí)的金融欺詐數(shù)據(jù)上具有優(yōu)越的性能。關(guān)鍵詞：金融反欺詐;集成學(xué)習(xí);機(jī)器學(xué)習(xí)中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1
電腦知識(shí)與技術(shù) 2020年1期2020-03-30
- 基于互信息加權(quán)集成遷移學(xué)習(xí)的入侵檢測(cè)方法
習(xí);互信息;集成學(xué)習(xí);加權(quán)集成中圖分類(lèi)號(hào)：TP393.08文獻(xiàn)標(biāo)志碼：AIntrusion detection method based onensemble transfer learning via weighted mutual informationHU Jian1*， SU Yongdong1， HUANG Wenzai1， XIAO Peng1， LIU Yuting1， YANG Benfu21.Information Center， Yun
計(jì)算機(jī)應(yīng)用 2019年11期2019-12-23
- 基于機(jī)器學(xué)習(xí)的冠心病住院費(fèi)用預(yù)測(cè)研究
;住院費(fèi)用;集成學(xué)習(xí);隨機(jī)森林;極端梯度提升【Abstract】 Coronary heart disease is a common cardiovascular disease characterized by high morbidity. Therefore， the prediction of hospitalization expenses for coronary heart disease is of great significance
智能計(jì)算機(jī)與應(yīng)用 2019年5期2019-12-05
- 集成學(xué)習(xí)在糖尿病預(yù)測(cè)中的應(yīng)用
、隨機(jī)森林、集成學(xué)習(xí)五種方法對(duì)糖尿病數(shù)據(jù)進(jìn)行預(yù)測(cè)，分別取得了71.86%，72.29%，74.46%，71.87%，76.62%的準(zhǔn)確率。結(jié)果表明，集成學(xué)習(xí)預(yù)測(cè)效果最佳，驗(yàn)證了其優(yōu)異性。關(guān)鍵詞： 集成學(xué)習(xí);糖尿病;預(yù)測(cè);機(jī)器學(xué)習(xí)【Abstract】 Diabetes， hypertension and cardiovascular and cerebrovascular diseases are called three killers of human
智能計(jì)算機(jī)與應(yīng)用 2019年5期2019-12-05
- 基于改進(jìn)的代價(jià)敏感決策樹(shù)的網(wǎng)絡(luò)貸款分類(lèi)
;網(wǎng)絡(luò)貸款;集成學(xué)習(xí);決策樹(shù)中圖分類(lèi)號(hào)：TP181文獻(xiàn)標(biāo)志碼：AAbstract：? In the online loan user data set， there is a serious imbalance between the number of successful and failed loan users. The traditional machine learning algorithm pays attention to the ove
計(jì)算機(jī)應(yīng)用 2019年10期2019-11-15
- 基于貝葉斯集成神經(jīng)網(wǎng)絡(luò)的上證50指數(shù)的研究
來(lái)的數(shù)據(jù)進(jìn)行集成學(xué)習(xí)預(yù)測(cè)。結(jié)果證明貝葉斯集成長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)要優(yōu)于集成循環(huán)神經(jīng)網(wǎng)絡(luò)與集成長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)。為了使貝葉斯集成神經(jīng)網(wǎng)絡(luò)更好的運(yùn)用到時(shí)間序列預(yù)測(cè)上，本文提出一種貝葉斯集成長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行金融時(shí)間序列學(xué)習(xí)。關(guān)鍵詞：貝葉斯 ?集成學(xué)習(xí) ?神經(jīng)網(wǎng)絡(luò)中圖分類(lèi)號(hào)：TP183 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2019）06（b）-0
科技創(chuàng)新導(dǎo)報(bào) 2019年17期2019-11-13
- 一種基于集成學(xué)習(xí)的指紋鎖拉鏈產(chǎn)品需求預(yù)測(cè)方法
定位?，F(xiàn)采用集成學(xué)習(xí)的思想，將兩個(gè)基礎(chǔ)預(yù)測(cè)模型，集成成一個(gè)較強(qiáng)的預(yù)測(cè)、分類(lèi)模型，能夠?yàn)閿?shù)據(jù)集建立一個(gè)較為出色的分類(lèi)模型和預(yù)測(cè)模型，能夠用于預(yù)測(cè)一個(gè)新的案例是否對(duì)指紋鎖拉鏈產(chǎn)品有需求。關(guān)鍵詞：需求預(yù)測(cè);集成學(xué)習(xí);指紋鎖拉鏈中圖分類(lèi)號(hào)：TN919.5 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）07-0050-020 引言日常生活中人們使用的背包上的拉鏈基本上都是沒(méi)有加鎖的，或者是旅行箱上使用的密碼鎖，但是這種密碼鎖有兩個(gè)明顯的缺點(diǎn)，其一是經(jīng)常會(huì)出
數(shù)字技術(shù)與應(yīng)用 2019年7期2019-11-01
- 偽標(biāo)簽置信選擇的半監(jiān)督集成學(xué)習(xí)視頻語(yǔ)義檢測(cè)
噪聲也會(huì)導(dǎo)致集成學(xué)習(xí)基分類(lèi)器性能提升不足。為此，提出一種偽標(biāo)簽置信選擇的半監(jiān)督集成學(xué)習(xí)算法。首先，在三個(gè)不同的特征空間上訓(xùn)練出三個(gè)基分類(lèi)器，得到基分類(lèi)器的標(biāo)簽矢量;然后，引入加權(quán)融合樣本所屬某個(gè)類(lèi)別的最大概率與次大概率的誤差和樣本所屬某個(gè)類(lèi)別的最大概率與樣本所屬其他各類(lèi)別的平均概率的誤差，作為基分類(lèi)器的標(biāo)簽置信度，并融合標(biāo)簽矢量和標(biāo)簽置信度得到樣本的偽標(biāo)簽和集成置信度;接著，選擇集成置信度高的樣本加入到有標(biāo)簽的樣本集，迭代訓(xùn)練基分類(lèi)器;最后，采用訓(xùn)練好的基
計(jì)算機(jī)應(yīng)用 2019年8期2019-10-23