基于多LS-SVM集成模型的锅炉NO_x排放量建模

为了提高电站锅炉氮氧化物(NO_x)排放量预测模型的精度,提出了一种基于多最小二乘支持向量机(LS-SVM)集成模型的NO_x排放量建模方法。首先按照NO_x排放量由低到高将数据空间初步划分为低、中、高3个子空间,然后依据输入变量与NO_x相关性分析来确定输入变量的权重,通过筛选得到主要的特征变量。在此基础之上,采用有监督的遗传算法-软模糊聚类(GA-SFCM)方法,获得各数据子空间的聚类中心及其相应的样本隶属度,通过融合隶属度的最小二乘法对各子空间LS-SVM模型进行集成。仿真结果表明,通过筛选参与聚类的变量提高了聚类性能和模型精度,采用有监督的GA-SFCM算法进行聚类,降低了聚类复杂度,建立的多LS-SVM集成模型比单一LS-SVM模型有更好的泛化能力。

基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测

为了实现对变压器油中溶解气体体积分数的精确预测,同时克服仅使用单一预测模型导致预测精度及泛化能力不足的局限,提出了一种基于改进完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)和灰色关联系数时变权重集成预测模型的变压器油中溶解气体预测方法。首先将溶解气体含量序列模态分解为一系列具有不同时间尺度的子序列。然后,使用门控循环神经网络和麻雀搜索算法优化支持向量机对各子序列进行训练,组合为一个集成预测模型;并比较不同预测方法的预测精度,计算灰色关联系数时变权重,形成各子系列的预测结果。最后将各子序列的预测结果叠加重构,得到最终预测结果。算例分析结果显示:该方法单步预测的均方根误差、平均绝对误差和相关系数分别为0.593、0.422和0.768,相比其他算法在预测精度上有明显提升,同时具有很强的泛化性能,可以为油浸式变压器内部状态监测提供依据。

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

口令攻击的集成学习模型构建方法

多年来,研究者们提出了多种不同的口令模型,提高了口令攻击的效率,其中包括基于概率上下文无关模型、马尔可夫模型等不同原理的方法,它们分别捕捉了口令中不同方面的特征,这使得通过这些不同特征结合到一起来提高攻击效率成为可能.另一方面,在机器学习领域被广泛使用的集成学习方法能够整合多种模型来学习数据集中的不同特征,因此本文提出将集成学习应用于口令生成领域.本文提出了可扩展的集成口令攻击方法,并重点描述它的两个实例,通过分析多个重要的影响因素,以及进行大量实验来研究它们对攻击性能的影响.本文提出的集成口令攻击方法可以显著提升攻击效率,实验结果表明它相对于经典口令模型有着更高的攻击成功率,尤其是在跨站攻击的场景中,有近20%的提升.

基于Stacking集成学习的热轧带钢凸度诊断模型

在热连轧生产过程中,凸度是重要的质量指标,过程数据的非平衡性限制了数据驱动模型的预测效果,为提高模型的预测精度,提出一种融合SMOTE和Stacking集成算法的热轧带钢凸度诊断模型。首先,采用SMOTE过采样方法处理凸度相关数据集,降低数据非平衡分布导致的影响;然后,构建以轻量级梯度提升机(LightGBM)、支持向量机(SVM)、K近邻(KNN)和随机森林(RF)为基学习器,逻辑回归(LR)为元学习器的Stacking集成模型,最后,使用某2160 mm热轧带钢实际生产数据进行模型验证。研究结果表明,诊断模型的准确率、少数类召回率、平衡F分数、几何平均值和ROC曲线下面积分别为0.9580、0.9595、0.9573、0.9589和0.9579,与XGBoost、LightGBM、KNN、SVM和随机森林模型对比,预测效果最优,证明了Stacking集成算法能够有效增强诊断模型的泛化能力,具有优良的诊断性能。

采用集成深度森林模型实现退役电池容量估算

针对退役锂离子电池容量估算面临历史数据缺失,传统机器学习算法存在过拟合和单个模型估算不稳定的问题,提出一种基于集成深度森林的容量估算模型。首先,从退役电池一次满充数据中提取恒流充电时间和充电电流面积特征;然后,利用提取的特征和容量训练多个深度森林建立集成深度森林模型,并设计一种可信状态决策剔除集成模型中波动较大的估算值,取剩余估算值平均值作为最终估算结果。采用自测和公开数据集对所提方法进行验证,结果表明,该方法能实现退役电池剩余容量的准确稳定估算,最大误差仅为0.08 Ah,与传统机器学习算法相比,该方法能获得更高的容量估算精度。

基于BP神经网络、ARIMA和LS-SVM模型的集成预测研究——1978-2017年陕西省苹果产量实证

利用单一预测模型进行产量预测时,由于各模型的数学原理不同,对同一数据的处理只能基于数据的部分特征,在预测时无法深度挖掘数据的潜在规律,易出现较大的预测偏差。基于以上问题,笔者以1978-2017年陕西省苹果产量数据为研究对象,将1978-2012年产量作为预测模型的训练数据,2013-2017年产量作为测试数据,选取BP神经网络、ARIMA、LS-SVM 3种在数学原理上具有明显差异的预测模型,采用集成预测策略,依据3种预测模型对训练数据的平均相对预测误差确定各模型的预测权重,最终对各模型预测的2013-2017年数据进行加权获取集成预测值。实证分析表明,集成预测值的平均相对误差在2.5%以内,其预测结果比单一预测模型更加准确和稳健,可有效实现苹果产量高精度预测。

基于狄拉克符号的异构模型集成方法

针对数字工程中异构模型集成仿真的问题,提出了一种基于狄拉克符号的系统建模方法。该方法可以屏蔽子系统的建模逻辑和模型实现差异,描述全系统的集成模型和动力学演化。利用类TNEA中间件提供的状态定义和方法调用机制,可以将异构模型映射为具有相同建模逻辑和软件接口的对象模型,构成数字主线,开展虚实融合系统集成试验。该方法可以支撑航天“簇”演进模式下的新技术快速插入、新系统原位替代和新状态快速验证,并针对数字航天开展全要素虚实融合试验,在虚拟环境中摸边探底,验证核心指标。

基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型

针对风电场短期风速预测准确度不高的问题,提出一种基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型。首先,为突出短期风速的局部特征并降低建模难度,通过互补集成经验模态分解算法将短期风速分解为若干个稳定分量。然后,利用信息熵和近似熵来判定各分量的复杂度,高复杂度分量选择最小二乘支持向量机、低复杂度分量选择随机配置网络作为对应的预测模型。利用Stacking算法对每个模型的预测值进行融合,使预测精度得到提升。最后,通过一组实际的短期风速数据作为研究对象,将提出的预测模型应用于其预测。对比结果表明,所提预测模型可提高短期风速的预测精度。

基于状态划分和集成学习的轴承剩余使用寿命预测模型

针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警范围,结合连续触发机制自适应确定DST;然后,采用具有自适应噪声的完全集成经验模态分解(CEEMDAN)对退化阶段信号序列进行了自适应分解;最后,构建了集成学习模型,考虑分量的不同特性进行了多步滚动预测,融合预测结果得到了轴承RUL,采用滚动轴承XJTU-SY公开数据集进行了试验验证。研究结果表明:与基于长短时记忆神经网络(LSTM)、反向传播神经网络(BPNN)的预测方法相比,该方法预测结果的平均绝对误差分别降低了11.7%以及5.6%,相对均方根误差分别降低了12.2%以及10.7%,验证了该方法在轴承RUL预测中的有效性和优越性。

基于异构集成模型的连续刚构桥预拱度预测

预拱度在大跨度悬臂桥梁的施工线形监控中扮演着重要角色,提高预测精度能够确保施工阶段和成桥状态的线形尽可能符合设计要求。为获得更好的预测性能,本文提出了一种基于自适应集合加权的SSA-BPNN-RF(sparrow search algorithm-back propagation neural network-random forest)异构集成模型。该模型利用不同算法之间的协作来提高预测性能,为了验证该模型的可行性,将训练好的模型应用于湖南某连续刚构桥预拱度预测,并与BPNN、RF、BPNN-RF、SSA-BPNN和SSA-RF 5种预测模型进行对比。研究结果表明:SSA-BPNN-RF异构集成模型在平均绝对误差、均方根误差和拟合度等评价指标上表现最佳。此外,BPNN-RF集成和SSA分别对BPNN和RF都有积极的影响,进一步验证了异构集成的有效性。因此,SSA-BPNN-RF异构集成模型具有高精度和更好的适应性,在工程实践中具有重要的指导意义。

基于技术接受模型论制造执行系统和人力资源管理系统的集成

制造执行系统和人力资源管理系统集成可以整合智能制造和人力资源管理实践,提升制造的效益和效率、决策精准性,从而促进组织的创新、发展和竞争力。通过案例分析梳理集成技术采纳的技术和业务积累,基于技术接受模型(technology acceptance model, TAM)的视角,从感知易用性和感知有用性两个技术采纳决定因素对用户的态度和意愿进行论证。在智能工厂和人力资源管理定位转型的背景前提下,从现有集成技术条件和提升业务效益方面推演,得出集成制造执行系统和人力资源管理系统具有高可预见性和高可行性。

坝基灌浆量预测ISSA-Stacking集成学习代理模型研究

灌浆量预测对坝基灌浆施工具有重要意义.由于灌浆工程隐蔽且复杂,传统方法难以实现准确高效的灌浆量预测.代理模型是一种能够建立影响因素与响应值之间近似关系的快速求解方法,然而单一代理模型的预测稳定性和准确性较低,组合代理模型仅将单一模型结果进行加权平均,预测精度仍有待提高.为解决上述问题,本文提出一种ISSA-Stacking集成学习代理模型新方法用于灌浆量预测研究.首先,针对灌浆量预测具有数据量小、影响因素与灌浆量之间非线性关系复杂且预测不确定性较大等特性,基于Stacking集成学习策略,选取在小样本预测中表现优越的支持向量回归(SVR)、具有良好非线性拟合能力的BP神经网络(BPNN)和预测泛化性能及稳定性高的随机森林(RF)等算法作为基学习器,采用自适应学习和不确定性处理能力强的自适应神经模糊推理系统(ANFIS)作为元学习器以集成上述机器学习算法的优势,构建具有更优预测性能和泛化能力的Stacking集成学习方法作为代理模型;其次,为进一步提高模型预测精度,采用混沌理论和Lévy飞行策略改进的麻雀搜索算法(ISSA)对集成学习代理模型进行参数同步优化;最后,将所提ISSA-Stacking集成学习代理模型应用于某实际灌浆工程的灌浆量预测并与其他方法进行对比分析.结果表明,所提方法具有较高的预测精度,绝对平均误差仅为0.21 m^(3);与组合代理模型及单一代理模型(SVR、BPNN和RF)相比,平均精度分别提高24.34%、30.84%、32.68%和26.56%,为灌浆量预测提供了一种新思路.

一种基于自适应Kriging集成模型的结构可靠性分析方法

基于Kriging模型的复杂结构可靠性分析结果高度依赖于Kriging模型的拟合精度,在构建Kriging模型的过程中,不同相关函数和回归函数的选择均会影响模型精度。为解决模型的不确定性对可靠性分析结果的影响,同时兼顾计算效率和精度,基于Kriging模型和蒙特卡罗模拟(MCS)方法,提出了一种结合自适应集成策略和主动学习函数的结构可靠度计算方法。该方法考虑Kriging模型的建模不确定性,将多种Kriging模型组合,构建了一种综合考虑样本点贡献和样本点距离的主动学习函数,通过主动学习函数迭代更新集成Kriging模型直至满足收敛条件,最后通过构建的集成Kriging模型和MCS方法进行结构可靠性分析。数值算例和工程算例结果验证了所提方法的有效性,该方法与其他主要方法相比稳健性更好,在保证计算精度的同时,计算效率更高。

基于存算一体集成芯片的大语言模型专用硬件架构

目前以ChatGPT为代表的人工智能(AI)大模型在参数规模和系统算力需求上呈现指数级的增长趋势。深入研究了大型模型专用硬件架构,详细分析了大模型在部署过程中面临的带宽问题,以及这些问题对当前数据中心的重大影响。提出采用存算一体集成芯片架构的解决方案,旨在缓解数据传输压力,同时提高大模型推理的能量效率。此外,还深入研究了在存算一体架构下轻量化-存内压缩协同设计的可能性,以实现稀疏网络在存算一体硬件上的稠密映射,从而显著提高存储密度和计算能效。

基于Blending-Clustering集成学习的大坝变形预测模型

【目的】变形是反映大坝结构性态最直观的效应量,构建科学合理的变形预测模型是保障大坝安全健康运行的重要手段。针对传统大坝变形预测模型预测精度低、误报率高等问题导致的错误报警现象,【方法】选取不同预测模型和聚类算法集成,构建了一种Blending-Clustering集成学习的大坝变形预测模型,该模型以Blending对单一预测模型集成提升预测精度为核心,并通过Clustering聚类优选预测值改善模型稳定性。以新疆某面板堆石坝变形监测数据为实例分析,通过多模型预测性能比较,对所提出模型的预测精度和稳定性进行全面评估。【结果】结果显示:Blending-Clustering模型将预测模型和聚类算法集成,均方根误差(RMSE)和归一化平均百分比误差(nMAPE)明显降低,模型的预测精度得到显著提高;回归相关系数(R~2)得到提升,模型具备更强的拟合能力;在面板堆石坝上22个测点变形数据集上的预测评价指标波动范围更小,模型的泛化性和稳定性得到有效增强。【结论】结果表明:Blending-Clustering集成预测模型对于预测精度、泛化性和稳定性均有明显提升,在实际工程具有一定的应用价值。

机理模型与集成学习混合驱动的机器人关节摩擦建模方法

机器人一体化关节广泛应用于医疗、协作机器人等领域,其摩擦特性是影响机器人性能的关键因素.为此,提出了一种机理模型与集成学习混合驱动的机器人关节摩擦建模方法,以提高模型精度.首先,综合考虑转速、负载等关节摩擦特性的影响因素及其周期波动特性,基于先验知识和物理分析分别建立了伺服电机与谐波减速器的参数化机理模型,描述摩擦特性的变化规律.然后,针对机理建模中因线性假设、忽略高阶项等产生的非线性残差,提出了基于eXtreme gradient boosting(XGBoost)的残差补偿模型建模方法,通过采用Boosting集成学习策略,提高残差补偿模型的泛化能力.同时,采用贝叶斯优化方法进行XGBoost模型的超参数寻优,以提高模型精度和训练效率.相比于传统的参数化机理模型,本文所提出的混合驱动模型具有更高精度.与反向传播神经网络、支持向量机、长短时记忆神经网络等多种典型方法的对比实验表明,本文所提出的基于XGBoost的残差补偿模型具有更强的特征提取能力,能够较好地预测强非线性的波动摩擦残差,有效地提高了整体模型的精度.

基于集成时变矩模型和动态蒙特卡洛方法的防洪风险分析

与作为水利水电工程设计依据的历史水文情势相比,未来受到全球气候变化影响的水文情势将与之产生偏差,进而导致流域内各水电工程水文分析成果的改变。这些成果的改变又将对流域梯级水库群中长期的运行安全和防洪调度产生影响。本文以雅砻江流域为研究区域,通过耦合SWAT水文模型和全球气候模式,定量识别未来气候变化条件下的流域气象水文要素变化情况,在此基础上提出能同时考虑非一致性和历史特大洪水的集成时变矩模型方法,最后选取流域内杨房沟水电站,基于动态蒙特卡洛方法进行未来气候变化条件下的调洪演算。主要结果如下:率定好的SWAT模型模拟精度较高,且在雅砻江流域有较好的空间适用性。在未来气候变化条件下,麦地龙站洪峰流量序列在SSP1-2.6情景下,从现在到2070年左右小幅上升,随后小幅下降;在SSP2-4.5情景下,从现在到2070年左右明显上升,然后趋于稳定;仅在SSP5-8.5情景下持续上升,且上升趋势非常明显。在未来气候变化条件下,除SSP1-2.6情景的超校核洪水位风险率外,其他情景下杨房沟水电站超设计洪水位、校核洪水位风险率较设计标准均明显增大。未来全球气候变化将对雅砻江流域水循环和陆气水分交换产生显著影响,导致水文极端事件更加突出,流域内基于稳定环境下水文情势及水文分析成果规划建设的水电站(水库)将面临更大的防洪风险。本文提出的融合集成时变矩和动态蒙特卡洛模型的防洪风险分析方法,在考虑未来全球气候变化导致的非一致性基础上同时融入了历史特大洪水信息,经验证适用性较好。研究成果可为相关运行管理部门应对相应风险和指导实际生产提供一定参考。

基于集成特征选择的中小微企业信贷风险分类模型研究

文章以客户违约率作为中小微企业信用风险的评价标准,尝试构造基于集成特征选择的中小微企业信用风险分类模型,结合互信息矩阵、基于k折交叉验证的随机森林和支持向量机对模型进行分析。研究表明企业的信誉等级、销项有效率和最高销项对信用风险有显著影响,其他因素对信用风险的影响不显著,实验说明基于k折交叉验证的支持向量机具有可靠的信贷风险预测能力,对中小微企业信用风险评估有较强的参考价值。

面向简化规则的集成学习模型及规则约简策略

随着机器学习模型的广泛应用,研究者们逐渐认识到这类方法的局限之处。这些模型大多数为黑盒模型,导致其可解释性较差。为了解决这一问题,以集成学习模型为基础,提出了一种基于规则的可解释模型以及规则约简方法,包括生成优化的随机森林模型、冗余规则的发现和约简等步骤。首先,提出了一种随机森林模型的评价方法,并基于强化学习的思想对随机森林模型的关键参数进行了优化,得到了更具可解释性的随机森林模型。其次,对随机森林模型中提取的规则集进行了冗余消除,得到了更加精简的规则集。在公开数据集上的实验结果表明,生成的规则集在预测准确率和可解释性方面均表现优秀。