基于Deep Forest算法的对虾急性肝胰腺坏死病(AHPND)预警数学模型构建

为预报池塘养殖凡纳对虾(Penaeus vannamei)急性肝胰腺坏死病(AHPND)的发生,自2020年开始,笔者对凡纳对虾养殖区开展了连续监测工作,包括与疾病发生相关的环境理化因子、微生物因子、虾体自身健康状况等18个候选预警因子指标,通过数据标准化处理后分析病原、宿主与环境之间的相关性,对候选预警因子进行筛选,基于Python语言编程结合Deep Forest、Light GBM、XGBoost算法进行数据建模和预测性能评判,仿真环境为Python2.7,以预警因子指标作为输入样本(即警兆),以对虾是否发病指标作为输出结果(即警情),根据输入样本和输出结果各自建立输入数据矩阵和目标数据矩阵,利用原始数据矩阵对输入样本进行初始化,结合函数方程进行拟合,拟合的源代码能利用已知环境、病原及对虾免疫指标数据对目标警情进行预测。最终建立了基于Deep Forest算法的虾体(肝胰腺内)细菌总数、虾体弧菌(Vibrio)占比、水体细菌总数和盐度的4维向量预警预报模型,准确率达89.00%。本研究将人工智能算法应用到对虾AHPND发生的预测预报,相关研究结果为对虾AHPND疾病预警预报建立了预警数学模型,并为对虾健康养殖和疾病防控提供了技术支撑和有力保障。

基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法

智能电网的信息系统是保障电力行业正常运行的基础,而智能电网中各种时间序列数据的分析结果是衡量信息系统稳定运行的重要依据。传统的时间序列数据异常检测算法很难同时兼顾准确性和实时性。本文引入基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法,结合无监督学习算法和有监督学习算法的优点,实现机器自动标注和自动学习阈值,人工标注少量特征值,从一定程度上提高了时间序列数据异常检查准确性和实时性,可以满足智能电网时间序列数据异常检测需求,从而达到提升智能电网信息安全的目的。

基于机器学习算法的水煤浆提浓废水絮凝处理加药预测

当前水煤浆提浓废水絮凝处理加药控制过程中只是根据现场废水检测仪器仪表的获取结果进行对应的加药,缺乏对加药后水体变化进行预测,加药控制结果不理想。因此本文提出基于机器学习算法的水煤浆提浓废水絮凝处理加药预测模型以及对加药量进行精准预测的加药控制方法。本文选择了机器学习算法中的随机森林(Random Forest)算法模型作为加药控制模型设计的核心,建立给药预测模型,对加药后的结果进行预测,当预测结果不佳时,则对加药参数进行再次修正,最终实现加药量精准控制。为了验证所提加药控制方法的可行性,进行实际应用实验,在陕西神渭管运公司蒲城终端站水煤浆提浓废水处理絮凝车间,对水煤浆提浓废水的指标进行实时监测。实验结果显示,水煤浆提浓废水絮凝处理的各项指标符合要求,证明该方法具有较高的可行性。

物联网异常流量检测算法研究

主要研究利用无监督机器学习算法检测物联网中的网络异常流量,采用开源数据集Intrusion Detection Evaluation Dataset,介绍了异常流量的特征选取,深入研究了三种无监督机器学习算法,分别是One-class Support Vector Machine (One-class SVM)、K-means和Isolation Forest。分析了这三种无监督机器学习算法的原理以及不足的地方,介绍了目前研究的状况。采用wireshark对pcap流量包进行解析、预处理操作,然后使用One-class SVM、K-means和Isolation Forest这三种无监督机器学习算法对训练集进行机器学习,对测试集进行正确率、误报率、漏报率、效率等方面进行评估。实验结果显示K-means算法多方面要优于其他两种算法,主要体现在正确率、误报率、漏报率和效率上。

Bagging组合的不平衡数据分类方法

提出一种基于Bagging组合的不平衡数据分类方法CombineBagging,采用少数类过抽样算法SMOTE进行数据预处理,在此基础上利用C-SVM、径向基函数神经网络、Random Forests 3种不同的基分类器学习算法,分别对采样后的数据样本进行Bagging集成学习,通过投票规则集成学习结果。实验结果表明,该方法能够提高少数类的分类准确率,有效处理不平衡数据分类问题。

基于车联网数据挖掘的驾驶员行为分析

随着汽车数量持续增加,车与路的矛盾日益突出,由此引发了交通运输和管理问题.而智能交通技术和车联网技术是解决交通拥堵和管理问题的有效途径.因此,运用数据挖掘的方法,使用isolation forest算法和SOM算法对车联网技术采集的交通数据进行预处理并提取特征值,再通过K-mesns聚类算法归类并添加标签,最后通过BP神经网络构建分类器,实现了对驾驶员驾驶行为的分类和评价,实例计算结果表明,该算法能客观、有效的评价驾驶员驾驶行为,对交管部门、汽车营运企业有具有一定参考价值.