基于GBDT-LR融合算法的胎儿窘迫预诊模型研究

为了解决传统胎儿窘迫诊断过程中存在主观性强和误诊率高的问题,应用梯度提升决策树(GBDT)和逻辑回归(LR)融合的方法设计了胎儿窘迫预诊断模型。首先,利用Borderline-SMOTE算法对正类样本进行过采样,使得数据集中正负类样本平衡;然后,利用GBDT模型从平衡后的数据中获得组合特征,再将组合特征与原始特征合并后提供给逻辑回归模型进行训练;最后,用十折交叉验证评价GBDT-LR模型与其他单模型的分类性能。利用GBDT-LR融合模型对胎儿窘迫进行预测,其特异度为84.2%,灵敏度为89.6%,受试者工作特征曲线(ROC)下方面积为94.2%。GBDT-LR融合模型的分类效果相比其他单个模型更好,可以辅助产科医生对宫内胎儿窘迫程度作出更有效的评估。

基于局部离群因子算法的变压器异常检测

针对传统的变压器异常检测方法存在实时性差和效率低的问题,应用主成分分析法和局部离群因子算法(Local Outlier Factor,LOF)相结合的方法设计了变压器异常检测模型。首先,利用主成分分析法对变压器电气参量数据集进行特征降维,减少特征的冗余度;然后,通过局部离群因子算法计算所有样本点的离群因子,并将离群因子与截断阈值进行比较,筛选出变压器电气参量异常的样本点;最后,采用混淆矩阵对该方法做检测性能评估。利用局部离群因子算法对变压器状态异常进行检测,其灵敏度为81.8%,特异度为87.7%,几何均值为84.7%。局部离群因子算法的异常检测效果良好,可以辅助工程人员对变压器运行状态进行实时监测。