基于特征采样引导和集成RFELM的道路高排放源识别模型

机动车排放的污染气体会对环境造成严重危害,其中尾气排放超标的车辆是主要污染来源,因此实现对道路高排放源的有效识别具有重要意义。针对尾气遥测数据,提出一种基于特征采样引导和集成随机傅里叶特征极限学习机(RFELM)的道路高排放源识别模型。首先对遥测数据进行多次随机采样,构建多组训练子集;然后对每组训练子集进行多次特征采样,并训练对应的子分类器,根据组内最优子分类器的输入特征更新特征采样的概率与特征权重;最后对所有子分类器的验证分数进行排序,筛选出一定比例的RFELM组成分类器集合,采用加权投票法预测数据的标签。实验结果表明,相比于RFELM和随机森林等算法,所提模型在真实的道路遥测数据上具有更好的识别效果,还有着更强的抗噪能力。

基于单类分类方法的道路高排放源识别算法

为了提高对道路高排放源的识别效率,降低其造成的大气污染,提出了一种基于随机傅里叶特征和非常稀疏映射的单类分类(OCC)宽度学习系统(BLS)的道路高排放源识别方法,即OCC-FS-BLS。首先,将道路高排放源数据进行非线性的随机傅里叶特征映射得到BLS的特征节点,再通过非常稀疏随机映射生成增强节点,拼接所有节点作为BLS输出层的输入;然后,通过岭回归求解改进BLS的输出权重;最后,根据OCC-BLS构建单类分类算法的策略,实现OCC-FS-BLS算法。实验结果表明:OC-FS-BLS在高排放源识别任务中相比OCC-BLS等其他模型表现出更好的识别性能。