基于XGBoost算法的终端区进场航空器飞行时间预测

为了高效调配进离场航空器,得到进离场航空器的最佳排序顺序,采用机器学习的方法对终端区进场航空器的飞行时间进行预测.分析终端区航空器飞行特点和进场航空器飞行时间的影响因素并且提出了影响飞行时间预测的22个重要特征.引入密度聚类DBSCAN方法,聚类得到交通流的不同路径类别.建立了基于集成机器学习算法XGBoost的飞行时间预测模型,以云南昆明终端区为例,对模型进行了训练、验证和测试,并以平均相对误差和均方误差为评价指标来分析预测结果的误差.结果表明:与线性回归、支持向量机回归和人工神经网络方法相比,本文模型对飞行时间的预测结果最好,±5 min内的预测准确率达到95.18%.

面向康复工程的脑电信号分析和判别方法研究

为提高脑电信号的分析和判别的准确率,利用数据挖掘的方法对数据进行处理,并建立脑电信号判别模型.首先,对P300信号标志符进行识别,完成对脑电信号的数据预处理,利用经验模态分解方法(Empirical Mode Decomposition,EMD)降低噪声去除伪迹,使用主成分分析方法(Principal Component Analysis,PCA)进行特征提取.然后,采用合成少数类过采样技术方法(Synthetic Minority Oversampling Technique,SMOTE)扩充样本使正负样本数量达到均衡.最后,采用支持向量机方法(Support Vector Machine,SVM)建立二分类模型完成对P300信号标识符进行识别.经运行结果可追,SMOTE改进的分类模型结果精度都有所改进,准确性有明显提高,能准确识别P300信号标识符.