堆栈集成学习联合多源数据反演草地土壤水分

为了有效提高机器学习模型反演土壤水分的稳定性和准确性,提出了一种堆栈集成学习模型,组合多种机器学习模型的优势,提升模型的精度和泛化能力。首先,通过相关性分析,得出入射角为42.5°时,观测数据与土壤水分相关性最好;其次,使用水云模型和τ-w模型构建模拟数据库,与观测数据共同组成反演数据集;最后,利用4种机器学习和堆栈集成学习模型反演稀疏草地的土壤水分。实验结果表明:采用主被动协同比单一主动或被动微波数据的反演结果具有更高的精度;最优堆栈集成学习方法反演结果的决定系数达到0.9714,均方根误差和平均绝对误差分别达到0.0136 cm^(3)/cm^(3)和0.0102 cm^(3)/cm^(3),均优于最优单一机器学习方法,验证了该方法的有效性。

基于堆栈集成学习的文档隐含语义相似度判断算法

受到文档数量规模的影响,文档隐含语义相似度判断结果存在不精准的问题,提出基于堆栈集成学习的文档隐含语义相似度判断算法。构建堆栈集成学习模型,输入文档隐含语义,获得与原文本一一对应的原始文本词袋向量。赋值名词、副词、形容词,借助辅助词库矢量,识别类似隐含语义。构建文档隐含语义向量模型,提取基于文档隐含语义索引关键词。使用堆栈集成学习方法训练关键词,计算相似度获取判别结果。实验结果表明,该算法与实际关键词提取个数最大误差为1个,最高召回率为86%,相似度判断结果较为精准。

联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演

红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC(Canopy Chlorophyll Content)作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星(OHS)影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明:(1)通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI_((12,17))、DSI_((12,18))和NDSI_((6,12))组合植被指数对红树林CCC反演精度的贡献率较高;(2)联合OHS数据和最优堆栈GBRT集成学习回归模型(Score=0.999,RMSE=0.963μg/cm^(2))的训练精度优于最优RF机器学习回归模型(RMSE降低了7.531μg/cm^(2)),明显优于最优Lasso线性回归模型(RMSE降低了19.383μg/cm^(2));(3)在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度(R^(2)=0.761,RMSE=16.738μg/cm^(2))高于Sentinel-2A影像(R^(2)=0.615,RMSE=20.701μg/cm^(2));(4)联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法(R^(2)=0.356,RMSE=49.419μg/cm^(2))。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC(R^(2)均大于0.61),而OHS数据的估算精度更高(R^(2)大于0.75);SNAPSL2P算法不能有效反演红树林CCC(R^(2)小于0.4),且对红树林CCC数值存在系统性低估。

堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法

针对暂态稳定预防控制在线计算的快速性要求和时域方程计算复杂性之间的矛盾,提出一种堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法。首先,构建了基于堆栈式集成深度置信网络的暂态稳定评估器,用以代替暂态稳定判定所需的非线性微分代数方程求解过程;其次,将训练好的暂态稳定评估器作为暂态稳定约束判别器,嵌入帝企鹅启发式优化算法的迭代寻优过程中;最后,以预防控制代价最小为目标,建立集成学习驱动的电力系统暂态稳定预防控制启发式优化算法,该算法实现了预防控制中暂态稳定约束的高效判断,提高了发电再调度预防控制决策水平。基于IEEE39节点系统对所提预防控制优化方法进行实验验证,结果表明,该方法在评估准确率和计算效率上都具有良好的效果。