基于极端梯度提升算法的地震同相轴自动识别

在常规地震同相轴识别方法基础上,通过引入极端梯度提升算法(XGBoost)智能化策略,并结合地震数据相邻道相似性特征,发展一种基于极端梯度提升算法的地震同相轴自动识别技术方法。在编程实现方法的基础上,通过简单层状模型和复杂Marmousi模型模拟的记录进行测试,验证方法的正确性。对含噪音数据和实际资料中的同相轴进行识别测试,同时进行单道对比定量分析以及不同信噪比情况下算法预测结果精度对比。结果表明:新方法对含噪数据和实际资料均具有较好的适应性;在低信噪比(-6.98 dB)情况下,同相轴的查准率仍可超过90%。

基于极端梯度提升的PEMFC长短期老化趋势预测

为了同时实现准确的燃料电池长短期老化趋势预测,提出基于极端梯度提升(XGBoost)的PEMFC老化趋势预测模型。首先,对燃料电池老化实验数据进行降噪预处理,利用双指数对电压恢复特性进行建模;然后,基于XGBoost算法,构建4种提前多步短期老化预测模型以及考虑恢复性的长期预测策略,并利用粒子群算法优化模型的参数;最后,比较4种短期预测模型的预测结果,并将最优的预测模型应用于长期老化预测策略。典型数据实验表明:采用多输入多输出策略(MIMO)的XGBoost预测模型具有最好的预测性能,其提前3步预测的均方根误差为0.00465、平均相对误差为0.00219平均运算时间为3.48 s;基于MIMO-XGBoost且考虑恢复性的长期预测策略剩余使用寿命(RUL)的平均相对误差为7.74%,显著优于自回归差分移动平均方法。

基于极端梯度提升算法的山洪灾害临界雨量计算模型

针对无资料区域山洪灾害临界雨量计算的难题,以山东省五莲县45个山丘区小流域沿河村落为研究对象,开展基于机器学习的山洪灾害临界雨量计算模型研究;基于水文水力学法结合现场调研确定各村落成灾水位及临界流量,通过水文模型计算产汇流得到洪水过程,采用试算法计算临界雨量;选取水文、下垫面、沿河村落等相关特征参数及临界雨量计算结果作为训练参数,构建基于极端梯度提升算法的不同预警时段临界雨量预估模型,并采用平均绝对误差和决定系数进行模型精度评估。结果表明:该模型计算的各预警时段临界雨量的平均绝对误差分别为4.56、 6.68、 7.11,决定系数分别为0.955、 0.967、 0.973,预测精度较高,能够满足无资料地区山洪预警工作的应用需求。

基于极端梯度提升树模型的工程项目安全管理研究

工程项目安全管理是建筑工程项目核心内容,部分建筑企业对效益的过分追求,导致工程项目经常出现事故。深入研究工程项目安全管理,有利于提高工程质量降低事故发生的概率。如何对项目安全进行管理,如何掌握项目实施过程中出现的各种风险因素,成为每一个项目管理者目前亟待解决的问题。该文通过运用极端梯度提升树模型对工程项目安全管理进行研究,建立安全管理模型并确立安全等级,为工程管理者对安全管理的决策提供依据。

基于极端梯度提升算法的西安市逐小时PM_(2.5)浓度预报研究

利用西安市2016-2021年逐小时PM_(2.5)浓度监测数据和气象观测数据,基于极端梯度提升机器学习算法模型(extreme Gradient Boosting,XGBoost),选择气象因子和时间因子作为特征变量,对西安市逐小时PM_(2.5)浓度进行预报试验。结果表明:西安市PM_(2.5)浓度与平均气温和能见度显著负相关,冬季PM_(2.5)浓度与相对湿度和露点温度显著正相关,偏东风更易诱发重污染天气。西安市12月底至翌年1月初空气污染频发,但PM_(2.5)浓度总体逐年降低。冬季PM_(2.5)浓度的双峰形日变化最明显,最高值分别出现在凌晨和11时。西安市PM_(2.5)浓度变化存在“周末效应”。模型能够较为真实地反映PM_(2.5)浓度量级和演变趋势的变化,预报值与实况值之间的决定系数为0.77、平均绝对误差为12.79μg·m-3、均方根误差为18.68μg·m-3。模型秋冬季表现较为稳定,预报效果优于春夏季,但对极端峰值存在低估。模型具有较好的可解释性,能见度特征变量的影响最大,露点温度、相对湿度、平均气温和海平面气压等特征变量的重要性依次减弱,时间因子特征变量对模型也有一定影响。与其他统计模型及机器学习模型相比,模型有更高的预报精度和效率。

基于极端梯度提升算法的高血压识别模型建立

目的探索基于极端梯度提升(extreme gradient boosting,XGBoost)算法构建的高血压识别模型性能。方法本研究收集了2020年1月至12月南京大学附属鼓楼医院健康管理中心健康体检人群中1577位高血压确诊患者和3754位同期健康对照的相关数据,采用单因素分析对高血压影响因素进行筛选,基于XGBoost算法和自适应增强(AdaBoost)算法构建高血压识别模型,采用留出法验证模型泛化性能,灵敏度、特异度、阳性预测值、准确度、G-mean、F-measure、马修斯相关系数(MCC)和受试者特征曲线下面积综合评价和比较模型性能。结果XGBoost模型灵敏度(90.3%)、特异度(86.8%)、阳性预测值(87.3%)、准确度(88.6%)、G-mean(0.886)、F-measure(0.888)、MCC(0.772)和受试者工作特征曲线下面积(0.954)表明其具有更好的识别高血压患者的能力。结论XGBoost算法对识别高血压患者具有较强的实用性和可行性,为未来类似研究提供一定的模型选择参考。

基于集成经验模态分解和极端梯度提升的雷电预警方法

地面大气电场的观测和研究对减少雷电灾害、保障航空航天活动具有重要的意义。传统雷电预警方法忽略了大气电场信号的振荡尺度特性导致检测概率低。从大气电场信号的非线性非平稳特征出发,提出一种基于集成经验模态分解(EEMD)和极端梯度提升(XGBoost)的雷电预警方法。该方法采用EEMD分解大气电场仪观测的电场信号,计算原始数据和各固有模态函数的样本熵,按随机分量、细节分量、趋势分量进行分类重构,分别提取重构分量的统计和自编码器特征,采用XGBoost算法建立雷电预警模型,并对各分量的分类器进行融合。利用大气电场仪和闪电定位系统观测数据进行了实验研究,分析了算法的性能,相对于普通投票决策方法,检测概率最高提高了4.8%,且虚警率降低5.2%~6.4%。

基于极端梯度提升和时间卷积网络的短期电力负荷预测

电力负荷预测是实现电力系统智能化的基础。准确的负荷预测可以保证电力系统安全稳定地运行。针对短期负荷波动大,随机性强的特点,提出一种基于极端梯度提升和时间卷积网络的短期电力负荷预测方法。首先,利用变分模态分解(variational mode decomposition,VMD)对负荷序列进行平稳化预处理,将原始负荷拆分成若干个模态分量负荷。同时,为了减少预测模型训练所需的时间,利用样本熵来评估各分量的复杂度,将复杂性相近的负荷分量归为一类用于训练同一模型。最后,结合极端梯度提升和时间卷积网络的优点,利用极端梯度提升模型来预测趋势负荷,时间卷积网络模型来预测随机扰动负荷,并在模型训练过程中,利用树状Parzen估计来调节模型的超参数,得到最优的预测模型。为验证本文所提方法的有效性,在EUNITE竞赛数据集上进行了仿真实验,分别预测未来24 h的短期负荷和每日峰值负荷。实验结果表明,相比于支持向量回归(support vector regression,SVR),长短时记忆(longshort-term memory,LSTM),门控循环单元(gated recurrent unit,GRU),经验模态分解(empirical mode decomposition,EMD)+LSTM等短期负荷预测模型,该方法能取得更好的预测效果,具有更高的预测精度。

极端梯度提升与随机森林融合的天然气露点预测方法

目的解决目前水露点数据多为人工采用测量仪器测得,时效性低且成本高昂的问题。方法建立一种基于极端梯度提升(XGBoost)和随机森林(RF)的天然气水露点预测方法。采用XGBoost方法对所有监测工艺参数进行分析,筛选出主要影响水露点的关键工艺特征参数,以排除无关特征参数对预测的干扰。建立RF预测模型,输入关键特征集参数,实现对水露点的实时预测。以重庆气矿某脱水监测系统监测数据与生产数据为例,对所提预测方法进行对比分析验证。结果相较于XGBoost、SVM等预测方法,RF模型具有最佳的预测性能,且经过XGBoost特征选择后,RF预测结果的MAE值降低了0.0169℃,RMSE值降低了0.0146℃。结论基于极端梯度提升与随机森林融合的水露点预测方法具有更优的预测精度与鲁棒性,对指导脱水现场生产具有积极作用。

基于极端梯度提升算法的空调系统故障诊断自适应模型

本文提出了一种基于极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法的数据中心空调系统的故障诊断自适应模型。首先构建了串联式集成学习的XGBoost诊断模型,考虑到实际诊断中会出现跨工况、跨故障程度和种类的新数据,提出了利用数据价值评定函数对数据集进行更新,在此基础上只需更新模型的相应局部分支就能实现模型的更新。结果表明:XGBoost模型对验证集的准确率高达99.83%,但对跨工况和跨故障的新数据诊断效果较差;通过数据价值评定函数对数据集和模型更新后,新模型的诊断准确率提升至99%。因此本文提出的故障诊断方法具有较强的自适应特性,能够实现数据集自主更新和模型迭代更新。

基于极端梯度提升回归模型的电梯钢丝绳磨损预测方法

目前对电梯钢丝绳磨损量预测的研究还存在不足,针对这一问题,采用基于极端梯度提升(XGBoost)算法的机器学习方法,对电梯钢丝绳磨损率的预测进行了理论分析、数据采集和实验测试研究。首先,在目标损失函数中增加了额外的正则化项,并使用了贝叶斯超参数优化,提出了优化后的算法BO-XGBoost;然后,用自制的电梯钢丝绳疲劳试验机对曳引轮直径、载荷力、频率和包角这4个因素进行了试验,得到了用于预测钢丝绳磨损率的数据;最后,用BO-XGBoost算法对钢丝绳磨损率进行了预测分析,同时与多元线性回归(MLR)、随机森林(RF)以及支持向量机(SVM)等机器学习算法进行了比较。研究结果表明:BO-XGBoost算法的建模效果和回归效果最好,其泛化能力也最高,能适应不同工况的实验,在预测钢丝绳磨损率方面优于其他几个模型,预测值与试验值达到了99.1%的准确率,证明了该方法的有效性。

基于极端梯度提升特征重要性的K-匿名特征选择

随着大数据时代的到来,数据在带来价值的同时,也损害了隐私。文章主要对关系型数据发布时的隐私保护模型进行了研究,针对K-匿名算法导致分类挖掘性能下降的问题,提出了基于极端梯度提升特征重要性的k-匿名特征选择算法XGB-KA,对满足k-匿名的特征子集进行了优选。通过与Greedy-Hamdist算法进行对比实验,验证了XGB-KA算法的有效性。

基于极端梯度提升模型预测江汉平原高碘地下水的空间分布

长期摄入高碘地下水(碘浓度>100μg/L)会造成人体甲状腺机能损伤,掌握区域高碘地下水的空间分布规律对于有效规避劣质地下水,保障地下水资源的可持续安全供给至关重要。但大规模地下水水质调查耗费大量的人力、财力、物力。基于江汉平原177组常规的浅层地下水水质调查数据,选取DOC、HCO^(-)_(3)、Mg^(2+)、Fe^(2+)、NH^(+)_(4)-N、SO_(4)^(2-)等水质参数作为预测变量,建立江汉平原高碘地下水风险极端梯度提升机器学习预测模型,用于预测研究区高碘地下水的空间分布。结果表明:该模型通过测试数据集检验,预测的准确率达到86.4%;模型预测结果显示,江汉平原高碘地下水主要分布在长江河曲沿岸,零星分布在平原腹地河湖区,并识别出江汉平原西北部丘陵前缘的汉江沿岸也是高碘地下水分布的潜在区域。该研究结果将有助于圈划高碘地下水的空间分布范围,可为确定未来地下水水质监测的优先区域提供科学指导。

基于极端梯度提升的柴油发动机NOx瞬态排放预测

柴油发动机采用高压缩比提高了动力性和经济性,但也增加了NOx的排放量。准确预测柴油机NOx瞬时排放,有助于建立SCR尿素喷射电子控制系统,进而有效控制NOx的排放。将发动机的转速、负荷和车辆的行驶速度、燃油消耗作为输入,NOx瞬时排放量作为输出,采用极端梯度提升(XGBoost)算法对NOx排放进行了瞬时预测。结果发现:XGBoost模型能更好的预测柴油车瞬时NOx排放,决定系数(R 2)比随机森林(RF)、贝叶斯网络(bayes)、BP神经网络分别提高了10.98%,16.48%,8.79%,具有更高的预测精度。

基于极端梯度提升的跨地区多种类电力需求预测

对多个地区不同形式电力需求进行预测,不仅可以保证各地区电力供给稳定,还可以对全国产生的不同形式电力资源按地区进行合理分配。但目前的方法多针对单地区进行单一时间序列的预测,无法满足能源互联网中对复杂情况的电力需求预测要求。针对此问题,设计一种基于极端梯度提升的跨地区多种类电力需求预测算法。该算法改进提升树方法,有效地防止过拟合,同时通过支持分布式并行的方式,提高训练效率。与其他方法相比,所提方法对训练样本总量和特征数据类型要求不严苛,并可用于多时间序列预测。实验结果表明,所提方法能在可接受误差范围内对各地区不同形式电力需求进行快速、准确的预测。

多尺度建成环境对老年人心理健康的影响——基于极端梯度提升模型的合肥实证

通过建成环境的主动式干预打造心理疗愈环境是突破老年人心理健康危机、建设健康城市的关键抓手,已成为政府和学界迫切关注的议题。但现有研究缺少对不同尺度建成环境的相对重要性及其与心理健康非线性关联的研究。基于此,本研究以合肥市为案例地,通过积极心理健康量表收集了老年人心理健康的相关数据,结合多源数据,从城市、社区和住区3个尺度构建了建成环境要素的变量体系,运用极端梯度提升模型(Extreme Gradient Boosting,XGBoost)分析了多尺度建成环境对老年人心理健康的影响。结果表明:①合肥市老年人心理健康状况总体良好,心理健康水平的空间分布格局存在由老城中心和新城中心向外围递减的特征。②在整体效应分析中,建成环境是影响老年人心理健康的重要因素,城市尺度建成环境的相对重要性最高,社区尺度建成环境次之,住区尺度建成环境最低;而在单个变量中,社区尺度建成环境要素中的土地利用混合度和绿地覆盖度对老年人心理健康的贡献值最高。③在独立效应分析中,不同尺度建成环境要素对老年人心理健康均具有明显的非线性影响和阈值效应。研究结论能够为不同尺度建成环境的优化调控范围提供科学依据。

麻雀搜索算法优化极端梯度提升的扩频码研究

【目的】直接序列扩频系统(DSSS)在军事和民用通信中都得到了广泛应用,因其具有对各种常见干扰较强的抵抗能力和安全性较高等优点,且易于实现,被广泛应用于码分多址(CDMA)之中。然而,在非协作通信的应用场景中,检测DSSS信号,对DSSS信号参数进行估计,甚至截获信息,都是文章需要考虑的问题。在DSSS中,正确识别所使用的扩频序列是正确解扩的重要前提条件。针对低信噪比DSSS信号扩频码识别成功率低的问题,文章通过结合m序列的三阶相关函数(TCF)峰值特性,在降噪预处理的前提下,通过功率谱二次处理识别DSSS信号的伪码周期作为先验信息,将扩频码的识别问题具体成为一个峰值检测分类的问题,进而对峰值识别分类进行了研究。【方法】文章提出了使用麻雀搜索算法(SSA)优化极端梯度提升(XGBOOST)的DSSS信号三阶相关峰值分类方法,提高了对m序列分类识别的准确率。【结果】通过在不同信噪比下对比常规峰值检测和决策树分类方法以及对比不同序列周期的识别分类准确率,仿真结果表明,经过预处理的SSA XGBOOST扩频码识别分类方法比起常规机器学习与峰值检测方法分类识别成功率更高,在高序列周期下性能逐步提升。【结论】文章所提方法能在较低的信噪比条件下更准确地识别分类扩频码m序列。

基于极端梯度提升树算法的图像属性标注

提出基于极端梯度提升树(eXtreme gradient boosting, XGBoost)算法的图像属性标注模型,以改善标注性能:提取图像局部二值模式(local binary patterns, LBP)、灰度纹理空间包络特征(Gist)、尺度不变特征变换(scale invariant feature transform, SIFT)、视觉几何组(visual geometry group, VGG)等特征,以准确刻画图像视觉内容;基于图像特征,采用XGBoost算法集成弱分类器为强分类器,完成图像属性标注;深入挖掘图像属性蕴含的深层语义,构建全新的、层次化的属性表示体系,以贴近人类客观认知;设计迁移学习策略并合理组合分类模型,进一步改善标注性能。试验表明:Gist特征能真实刻画图像视觉内容;执行基础迁移学习后,标注精准度比迁移学习前最优指标提升8.69%;执行混合型迁移学习后,合理组合分类模型,标注精准度比基础迁移学习的最优指标提升17.55%。模型有效地改善图像属性标注精度。

基于X射线荧光和极端梯度提升的渗铝层厚度预测模型

渗铝作为航空发动机涡轮叶片高温防护的重要手段,其质量与飞行安全密切相关。渗铝层厚度是评估渗层性能的重要因素,但目前的无损检测方法难以对其进行准确测量。针对该问题,将X射线荧光技术与极端梯度提升(XGBoost)算法相结合,通过Pearson相关系数筛选(PCCS)提取特征元素,构建渗铝层厚度预测模型。将该模型与K近邻回归、线性回归、支持向量机、随机森林模型预测结果的平均相对误差进行对比。结果表明,相比其他模型,PCCSXGBoost模型预测渗层厚度的平均相对误差最小,为1.60%。该研究为渗铝层厚度的无损检测提供了一种新的预测方法。

基于相关特征-多标签级联提升森林的电网虚假数据注入攻击定位检测

虚假数据注入攻击严重威胁了电网安全稳定运行。由于电力量测数据维度高、特征复杂,传统攻击定位检测方法存在定位精度不足的问题。为此,提出一种基于相关特征-多标签级联提升森林的电网虚假数据注入攻击定位检测方法来精确定位电网受攻击的位置。所提方法通过融入极端梯度提升算法来增强多标签级联森林对复杂电力量测数据的拟合能力,进而识别系统各节点状态量的异常;引入“相关特征”算法来对原始电力量测数据中的高信息性特征进行提取,提升多标签级联森林的泛化能力,以获得更精确的定位检测。在IEEE-14和IEEE-57节点系统中进行仿真测试,验证了所提方法的有效性,且与其他方法相比,所提方法具有更优的准确率、查准率、灵敏度和F1分数。