基于特征提取和最优加权集成策略的风机叶片结冰故障检测

针对风机叶片结冰检测中现有集成方法不能充分发挥不同个体分类器优势的问题,提出了一种基于特征提取和最优加权集成学习的叶片结冰检测模型。首先,用堆叠降噪自动编码器提取结冰关联特征后,考虑不同单一分类器在二分类应用中的表现及其差异,选择随机森林、极限梯度提升树、轻量梯度提升机、K-近邻算法作为个体学习器,并用贝叶斯算法对其进行超参数优化。然后提出基于序列二次规划的最优加权集成策略对叶片状态进行判别。最后利用金风科技提供的15号和21号风机的历史数据进行了仿真实验,结果表明:所提出的检测模型与个体学习器及其他集成模型相比多项指标均有所提升,准确度达到了99.2%,在结冰检测方面具有一定的有效性。

多特征加权集成模型在用户购买预测中的研究

为提升用户线上购买行为预测效果,对用户-商品线上交互等数据通过函数拟合、计数、加和、均值、比值、设置非数值类别型特征、二次组合衍生等方法构造提取3个特征群,建立了针对此种业务场景的特征工程。提出一种基于堆叠(Stacking)的加权异质集成模型,将Stacking集成框架中第一层异质基分类器在数据集上的性能排序信息转化为一组约束,添加到第二层LPBoost算法中,求解改进的LPBoost算法目标规划问题得到基分类器更佳组合权重,构建加权集成模型预测用户购买行为。选用阿里云天池官方发布的用户行为数据集进行实验验证,得到8.51%的F1值,优于对比方案。

多目标线性规划模糊决策的加权集成方法

在已有多目标线性规划问题研究的基础上，探讨了加权算术平均算子和加权极大极小算子的性质以及在目标可补偿性的各种情况下求解的方法，利用这两种加权算子，不仅可以保证得到有效解而且随着权重的变化可以得到全部的有效解，在此基础上提出了改进的两阶段法。所提方法在实际决策过程中不仅具有可靠理论基础，而且也给决策者提供了更多的选择余地。

基于混合多距离度量的多分类器加权集成研究

在机器学习领域,分类器加权在小样本数据集中的分类正确率较低。为此,提出一种基于混合距离度量的多分类器加权集成方法。结合欧氏距离、曼哈顿距离、切比雪夫距离,设计混合的距离度量加权方法,使用加权投票组合规则集成各分类器的输出结果。实验结果表明,该方法鲁棒性较好,分类正确率较高。

结构光系统含平面距离约束的平差标定及加权集成测量模型

针对传统标定方法严重依赖标定物精度、普通平差标定模型参数求解精度受限等问题,提出了一种含平面距离约束的结构光系统平差标定方法。该标定方法首先将平面标定物中的部分标志点作为控制点,利用控制点间的距离信息构建约束方程,然后将约束方程与平差模型相结合构建含平面距离约束的光束法平差模型,最后通过该模型优化求解系统参数。同时,为获得更高的测量精度,提出了一种加权集成测量模型,该模型根据系统各测量器件平差标定精度的差异,对各器件分配不同权重,构建了系统加权集成测量模型。搭建了系统测量实验平台,对所提标定及测量方法的有效性进行验证,实验结果表明,在250 mm×200 mm的标定视场下,所提的含平面距离约束的平差方法相较于传统方法,标定精度提升了25%,加权集成测量模型的综合测量精度提升了88%。

基于宽度学习算法的加权集成成绩预测模型

教育数据挖掘技术是当前研究的热点之一。针对学生成绩预测准确率较低的问题,提出以宽度学习(broad learning,BL)算法为个体学习器的加权集成学习算法。首先,使用宽度学习算法来预测学生成绩,由于单个分类器的性能不够稳定,对数据变化比较敏感,故试验采用加权集成方法对宽度学习算法进行改进;然后,将其与采用加权集成的决策树(decision tree,DT)算法和多层感知机神经网络(multi-layer perceptron neural networks,MLP)算法的结果进行对比。结果表明,基于宽度学习算法作为个体学习器的加权集成算法能够进一步提高模型的预测效果,预测准确率在比较的几种算法中最高,达到了91.6%,这有效地提高了成绩预测的准确率。研究结果可为学生成绩预测提供方法参考。

WEID:一种基于信息量差加权集成的Android恶意软件检测方法

Android恶意软件的爆炸式增长给用户带来了严重的危害,而现有的应对方法普遍侧重于提升检测的正确率,较少考虑误报和漏检这两类误判情况。针对上述问题,提出一种基于信息量差加权集成的Android恶意软件检测方法。提取样本中权限和Intent这两类静态特征构造多组特征集;基于Stacking分层策略,将正负样本分类正确事件和分类错误事件的信息量差作为贡献度量,根据度量值指导基学习器加权集成,以获得最佳分类效果。实验结果表明,在由Drebin和Contagio构成的恶意样本集中,该方法的检测正确率在0.951~0.985之间,误报率和漏检率低至0.008和0.004,对比其他检测方法具有明显的优势。

基于互信息加权集成迁移学习的入侵检测方法

入侵检测系统(IDS)已成为网络安全体系结构中的必要组成部分。在面对现代网络安全需求时,现有的入侵检测方法的可行性和持续性仍然存在提高空间,主要体现在更早地发现入侵威胁和提高入侵检测系统的检测精准度,为此提出一种基于互信息加权的集成迁移学习(ETL)入侵检测方法。首先,通过迁移策略对多组特征集进行建模;然后,使用互信息度量在迁移模型下特征集在不同域中的数据分布;最后,根据度量值对多个迁移模型进行集成加权,得到集成迁移模型。该方法通过学习新环境下的少量有标记样本和以往环境下的大量有标记样本的知识,可以建立效果优于传统非集成、非迁移的入侵检测模型。使用基准NSL-KDD数据集对该方法进行评估,实验结果表明,所提方法具有良好的收敛性能,并提高了入侵检测的精准率。

用多因子加权集成法做汛期降水预报

在对大量的历史个例进行分析总结的基础上 ,建立造成降水的天气学模型 ,在划定的关键区内选取若干指标站 ,从 MICAPS本地数据库中读取有关资料 ,对各天气模型进行数值化处理 ,根据实况 ,确定温、压、湿、风各预报因子对降水过程的贡献大小 ,从而给以不同的权重值 ,最后进行集成 。

基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

多因素证券组合投资最优决策的加权集成方法

针对证券收益率受市场系统性与非系统性影响的特点 ,建立了证券组合投资的风险偏好最优化模型 ,并通过加权集成方法及消元法求出了该模型的解 。

模锻压机低速锻造的高斯加权集成在线自适应控制

为了提高模锻压机在低速锻压过程中的速度稳定性和系统鲁棒性,设计了高斯加权集成在线自适应控制器。建立了模锻压机在低速锻造过程中的状态空间方程。针对低速锻造过程中速度切换和负载突变等问题,给出了高斯加权集成在线自适应控制方案,自适应控制器由模型预测控制器和模糊PID控制器两个子控制器组成。在稳定运行阶段,模型预测控制器控制精度较高,但是鲁棒性较差,无法应对突变情况,因此,设计了模糊PID控制器应用于突变情况控制;为了防止控制器切换时引起系统振荡,给出了高斯加权集成方法。经仿真验证,与单独使用模型预测控制器和模糊PID控制器相比,当发生速度切换和负载突变时,高斯加权集成在线自适应控制器的调节时间最短,且速度跟踪误差最小,提高了低速锻造过程中速度跟踪的精确性和鲁棒性。

基于决策加权的聚类集成算法

聚类集成的目标是融合多个聚类成员的信息以得到一个更优、更鲁棒的聚类结果。针对聚类成员可靠度估计与加权问题,提出了一个基于二部图模型与决策加权机制的聚类集成方法。在该方法中,每个聚类成员被视作一个包含若干连接决策的集合。每个聚类成员的决策集合享有一个单位的可信度,该可信度由集合内的各个决策共同分享。基于可信度分享的思想,进一步对各个聚类成员内的决策进行加权,并将此决策加权机制整合至一个统一的二部图模型;然后利用快速二部图分割算法将该图划分为若干子集,以得到最终聚类结果。实验结果表明,该方法相较于其他对比方法在聚类效果及运算效率上均表现出显著优势。

基于2阶段集成的多层网络社区发现算法

社区发现旨在挖掘复杂网络蕴含的社区结构,是复杂网络分析的重要任务之一.然而,现有的社区发现方法大多针对单层网络数据,对现实世界中广泛存在的多层网络数据的研究较少.针对多层网络的社区发现问题,提出了一个基于2阶段集成的社区发现算法,以提高社区发现结果的准确性和可解释性.首先,在各层分别得到基社区划分;其次以各层社区划分结构信息为主并结合其他各层网络得到的基社区划分中最优的社区划分信息进行局部集成;再次,基于信息熵对各层局部社区划分中各个社区的稳定性进行度量,并通过其他层社区划分结果来对各个局部社区划分的准确性进行评价;最后,基于各个社区以及社区划分的重要性进行全局加权集成得到最终的社区划分结果.在人造多层网络和真实多层网络数据上与已有的多层网络社区发现算法进行了比较分析.实验结果表明,提出的算法在多层模块度、标准化互信息等评价指标上优于已有算法.

基于标准化时间序列加权法的IPCC-AR4多模式集成

采用对标准化时间序列作加权的方法做多模式集成,并以相关系数与均方根误差作为衡量模式模拟预估能力的标准,将IPCC-AR4的10个气候模式模拟1961—1999年(39 a)中国降水的标准化加权集成结果与气候模式修正、Taylor函数加权集成结果进行比较,结果显示前者具有明显优势。为进一步验证这种优化的性能是否具备稳定性,将由控制阶段(1961—1999年)模式与实测数据计算得到的权重系数应用于A1B排放情景下的模式降水数据,预估研究区域2000—2012年(13 a)的降水,并与同时间段的模式修正、Taylor函数加权集成进行对比。结果表明,该集成结果在预估阶段(2000—2012年)仍优于模式修正、Taylor函数加权集成结果。

一种基于区间灰色语言变量几何加权集成算子的多属性群决策方法

针对属性值和属性权重均为区间灰色语言变量的多属性群决策问题,提出一种基于区间灰色语言变量的加权几何集成算子的多属性群决策方法.首先,给出区间灰色语言变量的定义和运算规则;然后详细介绍了区间灰色语言变量加权几何集成算子、区间灰色语言变量有序加权几何集成算子、区间灰色语言变量混合加权几何集成算子,以及利用这些算子进行群决策的方法;最后,通过实例说明了所提出方法的决策步骤,并验证了方法的有效性.

加权平均集成模型在径流预测中的应用

针对单一预测模型泛化能力不强、误差稳定性能较差等局限性,基于遗传算法优化支持向量机、遗传算法优化BP神经网络、径向基神经网络三种单一预测模型的预测结果,建立了径流量预测的加权平均集成模型,并将其用于预测黄河上游唐乃亥水文站的年、月径流量。结果表明:加权平均集成模型集成了各单一预测模型的优点,在预测精度、泛化能力以及稳定性能方面均优于单一预测模型。

阿基米德copula概率对偶犹豫模糊信息集成算子及其在多属性群决策中的应用

本文基于阿基米德copula和相应的协copula定义了概率对偶犹豫模糊信息的一些运算法则,为概率对偶犹豫模糊信息的融合提供了一种新思路。这些运算法则不仅可以保持运算的封闭性,而且可以反映出概率对偶犹豫模糊信息之间的关系。在进一步研究运算法则性质的基础上,提出了阿基米德copula加权概率对偶犹豫模糊算术平均算子和几何平均算子,并讨论了其性质。针对概率对偶犹豫模糊信息环境下属性权重信息未知的多属性群决策问题,给出了求解属性权重的公式,并利用上述算子进行信息集结,获得了群决策方法。最后,通过公众生态环境满意度评价的实例说明所提方法的有效性,利用参数对评价结果的影响说明决策方法的灵活性。此外,还将本文方法与现有方法进行了对比分析。

基于RBF神经网络集成-模糊加权输出的数字温度传感器误差补偿

数字温度传感器存在非线性误差,在高精度测温系统中需要进行误差补偿。提出了一种基于径向基函数神经网络集成-模糊加权输出(RBFNNE-FWO)的数字温度传感器误差补偿方法:首先根据数字温度传感器的误差特征,提取特征阈值,构造三个相互独立的成员RBFNN;考虑到成员网络之间边界误差补偿问题,构建一种RBFNN集成输出权值模糊调节器,获得RBFNN集成输出权值,从而完成数字温度传感器的全量程误差补偿。与多种方法的比较仿真实验表明,这种RBFNNE-FWO方法的性能最佳、各成员网络边界误差最小,补偿后的数字温度传感器误差减少了两个数量级,大大提高了测温准确度。

故障样本的多指标集成加权分配方法

针对测试性验证实验中故障样本分配结果置信度比较低的问题,提出了一种多指标集成加权的分配方法。首先,综合分析故障属性与环境因子对故障样本分配结果置信度的影响,在此基础上,定量计算影响指标的值;其次,采用集成加权法确定各个指标的权重;最后,利用归一化后的指标比值进行故障样本分配。该方法改进了故障率、严酷度、危害度及指标权重的计算方法,并提出了故障样本分配中故障-环境关联度的计算方法。在某型装备故障样本分配中的应用结果表明,该方法的分配结果更合理,置信度更高,更具有实际应用价值。