基于层叠泛化策略的母线负荷预测模型

基于层叠泛化策略SG(stacked generalization)提出一种新的母线负荷预测方法。该方法包含两级学习层,第1层针对原始母线负荷样本空间,对一组支持向量机SVM(support vector machine)进行交互验证式训练,训练完成后得到新的特征空间,该特征空间由这些支持向量机的输出和对应的真实值组成;第2层对输出进行线性组合,将新特征空间中的输出序列作为观测,对应的输出权值作为状态,使用卡尔曼滤波对权值进行递推估计。实例仿真证明,采用所提方法模型的泛化能力得到改善,从而提高母线负荷的预测精度。

基于层叠泛化算法的神经网络及其矿业应用

为提高神经网络的泛化能力 ,本文论述了基于层叠泛化算法的神经网络 。

基于PCA-RBF层叠泛化网络的硝酸生产工艺历史数据建模

硝酸工业对国民经济、国防工业的发展起着重要的支持作用,而成品酸流量是硝酸生产过程重要的技术指标。提出了一种基于层叠泛化策略的成品酸流量的预测建模方法。首先,用主成分分析(PCA)对原始数据降维,提取前5个主成分作为影响因子集合;然后,构建两级RBF网络学习层,第一级针对影响因子空间,对一组RBF神经网络进行交互验证式训练得到输出值和对应的真实值所组成的的特征空间;第二级由单个RBF网络将第一级网络得到的特征空间进行非线性组合;最后,将模型用于预测出口成品酸流量,并与相应实测值进行比较以验证其合理性。结果表明,本文建立的层叠泛化网络模型具有较高的预测精度和泛化性能,对于硝酸生产工艺的分析和优化具有显著的指导意义。

适于城市交通时序空间数据预测的层叠泛化模型

受地理过程的动态随机性影响,时序空间数据建模普遍存在先验知识缺乏与模型参数设置问题,导致单一模型难以有效地反映地理系统的整体运行状态。本文提出了一个普适性的集成学习框架,设计了基于异态集成学习的层叠泛化模型,按照组合模型最大化减小原始预测误差原则改进了层叠泛化模型平均输出的混合策略,并基于error-ambiguity decomposition对提出的层叠泛化模型的有效性进行了数学证明。基于北京市交通路网通行状态数据的实验结果表明,层叠泛化模型的均方根误差与平均绝对误差均小于单一模型;平均绝对误差方差均小于基于数理统计的混合模型,验证了层叠泛化模型在时序空间数据预测方面的优越性。