自适应的集成定序算法

定序变量常常用来表达人们对事物的态度和偏好,例如在推荐系统中,消费者对商品的打分评价是定序变量,在自然语言处理中,情感分析的情感也是定序变量。目前学术界采用定序Logit模型来处理定序变量,但是定序Logit回归模型要求定序变量大体服从均匀分布,当自变量没能很好符合均匀分布时,定序Logit回归模型预测定序变量的结果并不理想。基于此,文中提出一种自适应的集成定序算法。首先,借助Boosting思想提出了类Boosting算法,根据定序Logit回归模型的思想构造了定序多层感知机模型和定序随机森林模型,这两个模型同Softmax多分类模型和定序Logit模型构成类Boosting算法。在处理数据中,当4个模型产生的预测值不完全相同时,该样本进入类Boosting模型继续进行训练,直到训练轮数超过某个阈值时,停止训练。然后,利用随机森林模型构建训练集的全部预测值到真实值的映射函数。所提算法在定序变量是任意分布时,仍然有较高的预测精度,极大地提升了定序Logit回归模型的适用范围。将所提算法用于白酒质量数据集、红酒质量数据集上对酒的质量进行预测时,其准确率优于定序Logit模型、多分类算法Softmax、多层感知机和KNN。

基于改进SEIR模型的COVID-19疫情传播建模

针对经典的传染病动力学模型在处理COVID-19时存在的问题,提出一种基于改进的时变SEIR模型的流行病传播模型.首先,在引入潜伏者仓室的基础上,优化模型参数;然后,充分利用多项式回归与多层感知机算法的非线性逼近能力和动态学习优化能力,对模型的时变参数进行拟合;最后,提出基于最优参数的疫情传播建模方案,并将其应用于COVID-19疫情传播建模中.多组实验表明,提出的方法较好地拟合了疫情传播过程,取得了最小的均方根误差,适合对疫情传播进行建模.

迁移学习框架下高心墙堆石坝施工仿真参数IGOA-MLP动态预测模型

施工仿真参数是影响高心墙堆石坝仿真结果准确性的关键。现有方法基于历史数据来预测未来填筑层的仿真参数,忽略了不同层之间的施工差异;同时,在新一层开始时往往存在数据不足或缺失的问题;此外,施工参数受到气象条件、机械运行状态等多因素影响而动态变化。本文利用迁移学习解决了上述问题,该方法具有通过知识迁移解决少样本建模问题的优势,同时考虑气象条件、机械运行状态等多种因素的定量影响,提出迁移学习框架下的高心墙堆石坝施工仿真参数改进蝗虫算法优化的多层感知机动态预测模型。首先,建立综合考虑多因素影响的施工仿真参数IGOA-MLP预测模型;其中,采用非线性缩减因子和柯西-高斯混合变异模式改进蝗虫优化算法(IGOA),并利用IGOA高效全局最优搜索能力来优化多层感知机(MLP)的超参数。其次,引入迁移学习策略,将训练集划分为源域和目标域,并在MLP隐藏层中增加自适应层以表征源域数据与目标域数据的差异性,实现历史工况和新工况间的知识迁移,从而解决新工况下缺少数据的问题。工程实例表明,相比于传统MLP模型以及未使用迁移学习的IGOA-MLP模型,本文所提方法的平均绝对百分比误差(MAPE)分别降低了54.68%、40.57%,证明了本文所提模型能够更准确地预测仿真参数,为仿真计算提供可靠的数据基础。