Boosting算法中基分类器权重的动态赋值

Boosting是一种有效的分类器组合方法,其通过加权投票来组合多个基分类器进行分类。在对基分类器进行权重赋值时,该算法采用了以基分类器在当前训练集上的错误率的某种变形来对基分类器进行权重赋值,这是一种静态的赋值方法。介绍一种动态地对基分类器进行赋权重的方法,这种方法利用当前测试实例属于某个被错误分类数据子集的程度,并按照程度的大小给相应的基分类器赋适当的权重。跟静态赋权重相比,这种方法考虑了测试实例属性取值的不同,进而能动态地调整基分类器的权重,从而达到进一步优化分类性能的目的。实验表明,动态权重赋值的方法在大多数情况下跟静态赋值相比具有更好的分类性能。

基于加权最小平方误差boosting的人脸检测

近年来Adaboost算法被成功地用于人脸检测中,本文给出了一种基于加权最小平方误差boos-ting算法的人脸检测。首先本方法在每一次循环中用加权最小平方误差准则训练弱假设,与原始Ada-boost算法不同的是弱假设的生成不仅用于预测分类,而且用于估计每次预测的自信率,然后由这组含自信率的弱假设集成构造出强分类器。实践表明基于加权最小平方误差boosting算法的分类器有较高的检测率和较低的正样本误检率。

基于加权Boosting的核偏最小二乘图像超分辨率重建

核偏最小二乘(KPLS)算法对每个图像块选用全部主元成分进行图像重建,导致图像超分辨率算法的计算量大。兼顾图像重建质量和时间效率,该文提出一种加权Boosting的图像超分辨率重建算法。为自适应地选取每个图像块主元成分的最佳数目,利用加权Boosting原理对KPLS回归预测量进行补偿,推导给出补偿权重系数的数学表达式。讨论不同Boosting阈值d情况下的重建性能,在合适的d下,选取出主元成分的最佳数目m更好地满足KPLS回归模型的精度要求。实验结果表明,该文算法的超分辨率重建质量优于传统算法。

基于WKPCA与IEDO-XGBoost的变压器故障诊断方法研究

针对变压器故障的特点,将加权核主成分分析技术与IEDO-XGBoost相结合,提出了一种新的变压器故障诊断模型。该方法主要将溶解气体分析技术与无编码比值法相结合,获取变压器的故障特征,利用WKPCA对其进行降维处理,并将归一化处理后的故障样本数据作为IEDO-XGBoost模型的输入,输出变压器故障诊断类型及其诊断准确率。选取20维变压器故障特征数据进行WKPCA降维处理,加快了模型的收敛速度;采用自适应正余弦策略和高斯变异策略对指数分布优化器算法进行改进,并用10个典型测试函数对改进后的指数分布优化算法性能进行了测试,结果表明改进后的指数分布优化算法具有更快的收敛速度和全局搜索能力。然后,利用改进的指数分布算法来确定XGBoost模型中的多个最优参数。仿真结果表明,该模型的诊断准确率为91.82%,分别比EDO-XGBoost、NGO-XGBoost、GJO-XGBoost、GWO-XGBoost和WOA-XGBoost故障诊断模型高2.73%、3.64%、5.46%、8.18%和10.91%,验证了本文所提方法能够有效提高变压器故障诊断性能。

混合Boost算法实现的行人检测技术

传统AdaBoost存在一定的局限,比如训练分类器时对训练样本自身所带的噪声过于敏感,产生的分类器泛化能力不强和导致分类器过拟化问题,在训练分类器时只能静态分配分类器权重而不能自适应地对每个训练样本动态调整权重等问题。提出一种基于SBoost算法和PBoost算法,引入样本权重调节器、非平衡的样本采样、误差纠偏方法来检测潜在的样本。模拟实验表明:改进后的技术有效的提高了分类器的精确度且防止过拟化问题。

SDMA-MIMO系统基于MMSE-RWBS的多用户检测技术

为了提高SDMA-MIMO系统接收机的整体性能,本文提出了一种改进重复加权激励搜索辅助的多用户检测算法(SDMA-MIMO-MMSE-RWBS MUD)。该算法利用RWBS算法优化MMSE检测估计值,引入合适的权值来加强优良个体在群体中的作用。仿真结果表明:与遗传算法辅助的MMSE多用户检测(MMSE-GA MUD)和MMSE检测相比,SDMA-MIMO-MMSE-RWBS MUD在略微增加系统复杂度的基础上有效地提升了性能。

一种基于分布式计算的Adaboost训练算法

Adaboost方法是一种可以将弱学习转化为强学习的方法,从理论上讲,只要有足够多的样本,足够多的特征,训练足够充分,adaboost训练出来的分类器的错误率可以无限趋于零的。但是,正因为如此,当样本数目比较多,特征数目也很多时,adaboost训练算法存在训练时间太长的问题。同时,在检测人脸过程中,由于大多数的检测算法采用穷举方式,当原始图片过大时,也存在检测时间长的问题。首先将分布式计算引入adaboost训练算法当中,以提高训练速度;同时,对检测算法加以改进,用前一次检测中通过的强分类器数目来动态决定下一次的移动步长,从而提高了检测速度。

基于多类指数损失函数逐步添加模型的改进多分类AdaBoost算法

多类指数损失函数逐步添加模型(SAMME)是一种多分类的Ada Boost算法,为进一步提升SAMME算法的性能,针对使用加权概率和伪损失对算法的影响进行研究,在此基础上提出了一种基于基分类器对样本有效邻域分类的动态加权Ada Boost算法SAMME.RD。首先,确定是否使用加权概率和伪损失;然后,求出待测样本在训练集中的有效邻域;最后,根据基分类器针对有效邻域的分类结果确定基分类器的加权系数。使用UCI数据集进行验证,实验结果表明:使用真实的错误率计算基分类器加权系数效果更好;在数据类别较少且分布平衡时,使用真实概率进行基分类器筛选效果较好;在数据类别较多且分布不平衡时,使用加权概率进行基分类器筛选效果较好。所提的SAMME.RD算法可以有效提高多分类Ada Boost算法的分类正确率。

基于WBS-RBS和IFWA算子的中欧班列多式联运安全风险评估

为保障中欧班列多式联运安全,首先选取工作分解结构-风险分解结构(WBS-RBS)法识别中欧班列多式联运全过程中的风险;其次,基于直觉模糊语言集改进传统WBS-RBS中的风险矩阵赋值算法,建立WBS-RBS直觉模糊风险矩阵;然后基于得分函数,结合投影法,融合专家信息,选取直觉模糊加权算术平均(IFWA)算子计算各类风险大小,并对其进行排序;最后,选取“郑州-阿拉山口-阿克套港-巴库港-斯图加特”线路进行案例分析,并从国际沟通、作业管理、技术操作、信息衔接等方面提出保障中欧班列多式联运安全运输的策略与建议。结果表明:阿拉山口口岸站进行票务交接时信息沟通程度、清关作业管理水平及斯图加特站进行基础作业时的社会秩序等是运输环节中较为明显的风险因素。

基于WBS-RBS与GHWA算子的驾驶舱眼动交互风险评估

为了能够评估飞机驾驶舱眼动交互过程中的安全风险,提出了一种基于工作分解结构风险分解结构和广义混合加权集结算子的安全风险评估方法。通过WBS-RBS构建安全风险矩阵,对风险进行识别,得到了飞机驾驶舱眼动交互的风险指标体系。根据专家评估的隶属度值和非隶属度值计算每个风险的GHWA算子,通过GHWA算子的得分值M(A)与精确值Q(A)对风险进行排序,从而得到安全风险评估结果。以飞机驾驶舱眼动交互过程为例进行了分析,得出以下结论:从整体上来看,风险排序中设备未正常检修、设备调试不合格和眼动交互对人员的影响这三项得分值M最大,这表明在眼动交互过程中对人为因素的控制更为重要。

融合遗传算法与XGBoost的玉米百粒重相关基因挖掘

基于RNA-Seq的转录组测序数据特征维度较高,使用传统生信方法寻找表型相关基因需要大量计算资源,且差异分析所得候选基因范围较大,进一步筛选依赖已有的先验知识。针对这一问题,本文提出了融合遗传算法和XGBoost的转录组分析方法-GA-XGBoost,通过融入机器学习算法缩小了后续分析的候选基因范围。在一组高质量玉米数据集上对基因-百粒重性状的关联进行了对比实验和后续分析,结果显示,相比于分别使用全体基因和差异表达基因直接训练XGBoost模型,所提方法得到的候选基因训练的XGBoost模型在玉米百粒重的预测结果上具有最小的MSE;相比于差异表达分析结果的1542个差异表达基因,GA-XGBoost方法最终将候选基因范围减小至48个,范围缩小了31倍,表明所提方法能够有效提升对转录组数据的分析能力和效率。

基于XGBoost的磨煤机效率异常检测

针对火力发电厂中磨煤机的效率异常问题,提出了一种基于XGBoost的效率监测方案。首先,选取运行变量进行建模,利用分类与回归树(CART)作为基学习器,使用梯度提升的方法对基学习器进行优化和组合,训练得到强学习器,从而实现不同工况下效率相关变量的估计;然后,根据正常工况在模型下的残差依据指数加权移动平均(EWMA)的方法确定控制限;使用控制限作为异常的阈值实现异常检测;最后,使用两个实际案例证明了方法的有效性,并给出了与其他算法的比较结果。实验结果表明,该方法具有较高的准确性和可靠性,可以用于非线性系统的异常工况监测。

WBS在海外项目中的应用分析

WBS全称Work Breakdown Structure,即工作分解结构。根据国际通行的做法,WBS主要用来明确项目的工作范围,也就是说,在满足合同要求的情况下,建立承包商和业主之间,对于项目具体工作内容的共识。笔者探讨了WBS的重要性,编制WBS的正确方法,以及如何更新及应用WBS,在海外项目这个平台上,真正让WBS发挥出应有的作用(项目范围管理、进展检测和费用控制)。

AdaBoost的样本权重与组合系数的分析及改进

针对自适应增强(AdaBoost)算法的基分类器线性组合效率低以及过度关注难分样本的问题,提出了基于间隔理论的两种改进算法WPIAda与WPIAda.M。首先,WPIAda与WPIAda.M算法都将样本权值的更新分为四种情形,从而增加间隔从正到负变化的样本权值来抑制间隔的负向移动,并减少间隔处于零点的样本数量;其次,WPIAda.M算法根据基分类器的错误率与样本权重的分布状态,给出新的基分类器系数求解方法,从而提高基分类器的组合效率。在10个UCI数据集上,与dfAda、skAda、swaAda等算法相比,WPIAda和WPIAda.M算法的测试误差分别平均降低了7.46个百分点和7.64个百分点;AUC分别提高了11.65个百分点和11.92个百分点。实验结果表明,WPIAda和WPIAda.M算法可以有效降低对难分样本的关注,并且WPIAda.M算法能够更高效地集成基分类器,因此两种算法均可进一步提高分类性能。

Safety Risk Analysis of Large⁃scale Complex Project based on WBS⁃RBS and Interval Numbers

Safety risks are essential to the success or failure of the large⁃scale complex projects.In order to assess and evaluate the safety risks of the large⁃scale complex projects scientifically,a risk assessment method of work breakdown structure and risk breakdown structure(WBS⁃RBS)is proposed to identify the project risks.In this paper,interval numbers are used to evaluate the risk levels,weights are assigned automatically based on the complexity and risk degree of WBS to distinguish three types of nodes in WBS,and a risk assessment algorithm is designed to assess safety risk at all layers of the project.A case study is conducted to demonstrate how to apply the method.The results show the practicality,robustness and efficiency of our new method,which can be applied to different kinds of large⁃scale complex projects in reality.

土地利用与城市轨道交通客流的非线性关系

城市轨道交通站点影响范围内土地利用对客流影响具有时空分异特征且存在类型差异,为针对性探讨不同站点两者的复杂非线性关系,提出一种基于土地利用空间分布规律、对站点实际影响范围进行差异化识别的方法;并通过分时段多尺度地理加权回归,获取能够表征土地利用对客流影响时空变化特征的站点聚类指标,采用K-means++算法将研究区域内的站点划分为4类;进而基于改进的梯度提升决策树模型分类定量探讨不同类别下土地利用与轨道交通客流的复杂非线性关系。研究表明:通过捕捉不同站点土地利用与客流的时空分异特征对站点进行分类识别,可有效提升两者非线性关系模型的解释度。根据模型输出结果,发现不同类别站点影响轨道交通客流的关键土地利用要素不同,第1类中关键变量为相对重要性分别为61.35%和30.08%的公交站点数量和慢行密度;第4类的情况类似但相对数值有所变化,公交站点数量的相对重要性由61.35%下降至30.31%;建筑密度在第2类中以66.57%的相对重要度占据最大比例;但在第3类中仅占5.59%。此外,不同类别站点影响范围内土地利用与轨道交通客流的关系存在较为显著且各异的阈值效应。研究表明,对于不同类别站点的用地开发应各有侧重,且应结合实际将土地利用设计指标控制在相应的合理范围内。研究为差异化的站点周边土地利用开发策略的制定提供了理论支持和量化指导。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

一种星上直驱电推进的新型高压变换模块

随着卫星的功率需求越来越大,电推进等高压大功率设备在卫星上广泛应用,传统的100 V母线架构难以满足卫星日益增长的需求。提出了一种适用于直驱霍尔电推进设备的高压母线变换模块,采用两级式架构,前级采用交错Boost电路,后级采用全桥升压电路,可以提供300 V的高压母线,同时实现最大功率点跟踪(MPPT)、电流恒流充电和母线稳压等功能。

基于IOWA算子的空气质量组合预测

对空气质量指数进行预测,反映数据波动的趋势与规律,提出基于诱导有序加权平均(IOWA)算子的Prophet-EEMD-XGBoost模型。首先利用Prophet算法将数据分解为趋势项、季节项、节假日、误差项;然后集合经验模态分解EEMD将原始数据分为9项IMF以及残余分量。最后,利用XGBoost模型对各分量分别进行预测,预测结果利用MAE、MAPE、RMSE、RMSPE进行评价。结果表明,相较于一些单预测模型与其他组合预测模型,基于IOWA算子的Prophet-EEMD-XGBoost组合预测模型有更好的预测效果。

基于粗糙集-信息熵的辐射源威胁评估方法

为满足复杂电磁环境下战机对辐射源威胁等级判定算法的需求,将粗糙集理论引入对雷达辐射源威胁评估中,并结合信息熵理论构建一套完备的计算威胁度量值的数据处理模型,实现对辐射源威胁程度的定量表示,直观地评估辐射源的威胁程度。经典粗糙集理论难以应对在没有决策信息条件下的决策问题,采用信息熵的方法求取最大权重属性替代决策属性,拓展粗糙集的适用范围。模型直接基于数据驱动得到辐射源的威胁度量值,易于实现并具备良好的时效性,减少系统对先验信息的要求与主观赋值带来的影响。仿真结果表明,该方法可以快速、准确地实现对辐射源威胁的评估。