代价敏感惩罚AdaBoost算法的非平衡数据分类

针对非平衡数据分类问题,提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中,引入一种新的自适应代价敏感函数,赋予少数类样本及分错的少数类样本更高的代价值,并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机(Support vector machine,SVM)优化模型作为基分类器,采用带有方差减小的随机梯度下降方法(Stochastic variance reduced gradient,SVRG)对优化模型进行求解。对比实验表明,本文提出的算法不但在几何均值(G-mean)和ROC曲线下的面积(Area under ROC curve,AUC)上明显优于其他算法,而且获得了较大的平均间隔,显示了本文算法在处理非平衡数据分类问题上的有效性。

惩罚性赔偿与职业索赔正当性问题研究

在正当性存疑的前提下,职业索赔人以私人身份参与公共管理,其管理效果难以通过效率原则的检验。造成此结果的原因,不仅在于职业索赔人自身行为的动机与公共利益不相符,而且在于立法给了职业索赔人“小题大做”的空间,却没有给司法者一定的裁量空间来对职业索赔人进行抑制。对职业索赔的讨论,从形式主义的论辩慢慢走向功能主义的分析,但最终应以效率原则为标准。若能在司法和立法层面双管齐下,将促使职业索赔人关注真正重要的食品安全问题。此外,完善的行政举报制度,不仅能化解对职业索赔正当性的质疑,还能发挥与职业索赔相同的社会效果。

基于Adaboost-INGO-HKELM的变压器故障辨识

针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次,利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率,通过结合Adaboost集成算法,构建Adaboost-INGO-HKELM变压器故障辨识模型。最后,将提出的Adaboost-INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap-GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%,均高于其他模型,验证了该模型对变压器故障辨识具有很好的效果。

基于Adaboost回归算法的安徽省物流需求短期预测研究

【目的】物流需求预测有助于调整物流资源的分配,对促进物流业发展具有重要意义。【方法】选取安徽省1995—2022年与物流需求相关的指标数据为原始样本数据,用货运量来表征物流需求。通过XGBoost特征选择算法筛选出6个用于预测的指标。在此基础上,使用3种方法分别构建模型,并对这些模型进行对比分析。最终,选择精度最高的Adaboost回归算法来预测安徽省短期物流需求。【结果】2023—2026年,安徽省的物流需求预测值分别为402 942.428万t、369 877.222万t、380 884.375万t、382 319.5万t。【结论】未来四年,安徽省物流的货运量呈不稳定发展态势。根据安徽省的区位优势及疫情的全面开放,安徽省物流业表现出较大的发展潜力。

机械臂多目标最优轨迹的自适应惩罚MOEA/D规划

为了减少机械臂的工作时间和工作过程中的冲击量,提出了基于自适应惩罚MOEA/D算法的时间-冲击多目标规划方法。介绍了PUMA560机械臂结构,并建立了机械臂的连杆坐标系。建立了以减小机械臂工作时间和冲击为综合目标的优化模型,并分析了5次多项式插值函数。通过编码和建立适应度函数,将轨迹规划问题转化为最优基因搜索问题。根据邻域内解的密度设置了自适应惩罚因子,提出了机械臂轨迹的自适应惩罚MOEA/D规划方法。经仿真验证,自适应惩罚MOEA/D算法搜索的Pareto前沿解质量高于标准MOEA/D算法、文献[10]新型MOEA/D算法。且经过优化,机械臂工作时间减少了7.68%,冲击减少了17.32%。实验结果表明,自适应惩罚MOEA/D算法在机械臂轨迹规划中具有优越性。

两维异质性面板分位数模型的双惩罚回归方法

文章关注系数具有两维异质性结构的面板分位数模型,基于SCAD惩罚函数和MCP惩罚函数提出双惩罚最小加权绝对偏差目标函数,同时进行参数估计和两维异质性结构识别。利用ADMM算法求解目标函数,并使用BIC信息准则通过网格搜索选择最优调节参数。根据蒙特卡洛模拟结果验证了所提方法的有限样本性质,最后使用实际数据检验了其应用效果。研究结果表明:所提出的方法能够准确识别两维异质性结构,并且Post估计量的参数估计精确度接近于Oracle估计量。

公私益界分下生态环境侵害惩罚性赔偿的适用研究

在生态环境侵害领域,我国存在并行的三种制度,分别是私益类的一般环境侵权制度和公益类的生态环境损害赔偿制度以及环境民事公益诉讼制度。借助于对环境权本质的探讨,公益类的生态环境侵害问题亦有在民法体系中寻求解决路径的合理性。而惩罚性赔偿作为具备多重功能的民事法律制度,能够助力生态环境侵害制度体系实现其特殊的生态功能及社会效果。同时基于对其适用于公益类案件中理论争议的回应,惩罚性赔偿应作为公私益生态环境侵害问题中的共同规则。但公私益生态环境侵害案件的差异不可忽视,确有必要在公私益区分下对惩罚性赔偿的适用要件进行不同解释,以合理限制公益类生态环境侵害惩罚性赔偿的适用。具体而言,相较于私益类生态环境侵害,公益类生态环境侵害惩罚性赔偿的行为加重要件应采狭义理解;主观加重要件不应纳入“重大过失”。在结果加重要件上,无论公益类还是私益类,都应重新审视对“严重后果”的要求。

基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法(BWO)优化的长短期记忆神经网络(LSTM)与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明:所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数R^(2)为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。

生态环境侵权惩罚性赔偿的适用问题研究

《民法典》第1232条规定的惩罚性赔偿,是生态文明建设中用最严格的制度、最严密的法治保护生态环境的制度创新。关于生态环境侵权惩罚性赔偿责任及其司法解释的理解与适用问题:首先,在适用范围方面,惩罚性赔偿应当适用于生态环境损害领域。其次,在责任构成要件方面,应在明确“违反法律规定”内涵与范围的基础上,区分“违反法律规定”与“违反国家规定”之间的区别与联系,并针对“严重后果”的认定标准进行具体化规范。再次,在生态环境损害惩罚性赔偿金的计算方面,应以生态环境损害赔偿费用作为惩罚性赔偿金的计算基数。最后,在惩罚性赔偿金的归属和履行方面,对于污染环境、破坏生态造成人身、财产损害的情形,惩罚性赔偿金归被侵权人所有,应优先于刑事罚金、行政罚款履行;对于污染环境、破坏生态造成生态环境损害的情形,惩罚性赔偿金应与罚金、罚款折抵后,统一上缴国库。

公益诉讼惩罚性赔偿责任的体系定位

独立的制度空间是发挥独立价值的基础,公益诉讼惩罚性赔偿首先需要厘清的是其与刑事罚金、行政罚款的关系,讨论在刑事罚金和行政罚款之下还有无独立的制度空间。在功能上,三者具有同质性,均旨在惩罚遏制违法行为;在适用的案件范围上,食品公益诉讼惩罚性赔偿与食品犯罪趋同,并被行政处罚所包含;在金钱罚手段上,针对食品违法行为,《刑法》与《食品安全法》规定了足够的金钱罚手段,客观上无需公益诉讼惩罚性赔偿予以补足。因此,公益诉讼惩罚性赔偿并无大范围适用的必要。但公益诉讼惩罚性赔偿相对于刑事处罚与行政处罚具有自身的制度优势,其适用范围应据此确定,以形成相互区分又有机衔接的规制体系。

威慑视角下著作权惩罚性赔偿责任构成的反思

鉴于著作权以激励创新为价值导向并且保护客体具有“公共产品”特征,著作权领域惩罚性赔偿的适用应格外谨慎,以避免因过度震慑而造成的消极影响。现有著作权惩罚性赔偿责任构成侧重于关注行为不法程度,但从威慑理论的基本原理出发,该做法的适用效果存在同惩罚性赔偿责任适用目的背离,并导致适用范围的不当扩张。而现有构成要件侧重行为不法程度所带来的过度震慑问题,不仅阻碍著作权事后界权模式效益最大化的实现、导致创新产出水平的降低,亦会造成国际保护视野下保护逆差的出现。根据最佳威慑理论,惩罚性赔偿的适用应当以实现个案中的完全补偿和弥补逃避追责带来损失为限。因此,通过增加“补偿性原则”“逃脱可能性”以及“创新活动例外”等评价因素有利于实现对现有构成要件的优化,从而避免著作权惩罚性赔偿责任制度适用中赔偿过度带来的负面效应。

裁判视角下商标侵权惩罚性赔偿额影响因素组态研究

现有文献侧重法学视角对商标侵权惩罚性赔偿制度的研究,暂无关注多因素对惩罚性赔偿额的联动作用。基于裁判视角,运用fsQCA,从基数、主观恶意程度、侵权情节严重程度以及其他因素四个层面8个前因条件出发探究其对商标侵权惩罚性赔偿额的协同联动效应,并探索高惩罚性赔偿额的驱动路径。得出以下结论:充分重视赔偿基数的重要作用,谨慎看待高倍数对惩罚性赔偿额的影响,商标权人在诉讼过程中应注重证据的全面性以及互补性,同时结合个案选择合适的举证路径。

基于Adaboost算法的沉积微相自动识别--以陇东气田Q区山西组为例

在油气田开发中,沉积微相识别对于明确沉积背景及单砂体刻画起着重要的作用。陇东气田地质条件复杂,主力气藏深度大、产层单一,仅山1段底部产气,对于多种资料交叉共同分析沉积微相,仅依靠人工判别沉积微相,过程复杂且容易出错,很难在沉积微相和测井数据之间建立精确的对应关系。为了充分利用测井资料,提高沉积微相划分的效率,提出一种基于Adaboost算法的沉积微相自动识别方法,为后期气田开发沉积背景及单砂体刻画提供更准确的依据。在研究中,对测井曲线进行优选,并进行预处理,运用数学统计法提取了6个特征参数作为训练的输入集,把沉积微相的类型作为训练的输出结果标签,从已解释的沉积微相数据中选取共1210组作为训练样本,其中组建的训练样本共约968组,组建测试样本242组。研究结果显示,应用该方法的训练效果和测试结果的准确性分别达到96.45%,90.4%,可以验证该方法在陇东气田Q区应用效果较好。

一种可用于肝癌呼气信号鉴别的改进AdaBoost级联分类器

为了降低呼气检测技术在肝癌筛查中的漏诊率,本研究设计一种改进的AdaBoost级联分类器,并将其应用于鉴别健康志愿者和肝癌患者的呼气信号。首先,对训练样本进行自助划分获得一组训练子集。基于该训练子集,先后利用不同的机器学习算法,采用K折交叉训练和投票法得到多个子分类器;接着,将多个子分类器加权组合得到一个改进的AdaBoost分类器;然后,再次自助划分训练样本,以新的训练子集训练得到另一个AdaBoost分类器;最后,将两个AdaBoost分类器串联形成级联分类器。测试样本送入该级联分类器后,按照级联规则,潜在的异常样本将被反复筛查。以电子鼻采集到的120名志愿者的呼气信号的Relief优化特征集为训练样本,构建改进AdaBoost级联分类器,并对40例测试样本进行鉴别。结果表明,该级联分类器可有效区分出测试组中的肝癌患者和健康人的呼气信号,平均敏感性为93.42%,明显优于传统AdaBoost级联分类器,漏诊率显著降低。此外,该级联分类器的稳定性较好,精度的变异系数仅为3.95%。可见,改进AdaBoost级联分类器可有效提升分类器对肝癌呼气信号的检测能力,对实现基于呼气检测的肝癌无创普及性筛查技术的研究具有重要意义。

基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于Gentle Adaboost的气密性检测系统

差压法气密性检测易受外部因素与预设参数影响。针对问题基于集成学习建立气密性检测系统,包含传感器终端数据采集系统、人机交互界面,并用最小二乘法对传感器进行线性拟合,利用Gentle Adaboost算法寻找每轮迭代中最佳弱分类器并更新下一轮样本权重,通过集成数轮迭代中最佳弱分类器组成强分类器,对被测物的气密性能进行判断。实验结果表明:所提系统在气密性检测中的准确度、精确度与召回率皆优于传统方法与单一分类模型,准确度达到99.8%,能有效克服外部因素对检测结果的影响,提高了差压法气密性检测的准确性与稳定性。

基于VMD-BOA-LSSVM-AdaBoost的短期风电功率预测

针对风电信号具有间歇性、非线性、波动性、非平稳性和不确定性等特征,建立一种基于变分模态分解(VMD)和蝴蝶优化算法(BOA)优化最小二乘支持向量机(LSSVM)的风电功率短期预测模型,为提高预测精度,引入自适应校正算法(AdaBoost)。首先,利用变分模态分解将原始功率信号数据分解多个子序列。其次,利用蝴蝶优化算法优化最小二乘支持向量机组合预测模型对每个子序列进行预测。最后通过自适应校正算法将多个分量预测值重构得到最终的预测值,结合西北某一风电场提供的风电功率数据为例验证模型的有效性。结果验证了建立的组合预测模型能够较好地对短期风电功率进行预测,并具有较好的预测精度。

考虑灵活爬坡辅助服务和弃风惩罚的现货电能量市场出清模型

为解决风电不确定性引起的系统爬坡能力不足、高比例风电接入时系统总运营成本偏高等问题,提出了计及改进灵活爬坡辅助服务和弃风惩罚的现货电能量市场出清模型。首先,分析了单台机组在出力状态、投入/退出过程中需要满足的爬坡速率约束,以及系统因净负荷波动需要满足的爬坡能力约束,提出了改进的灵活爬坡辅助服务产品。然后,以发电计划和机组状态为决策变量,构建了计及灵活爬坡辅助服务和弃风惩罚的目标函数。最后,通过两个算例从风电预测误差、风电渗透率和弃风惩罚成本等不同角度进行深入分析,验证所提出清模型的有效性。算例结果表明,所提出清模型既提高了系统运行的灵活性和经济性,又提升了高比例风电的消纳能力。

带障碍物惩罚因子的多机器人路径规划

轻载环境中,复杂障碍物区域将引起机器人之间局部冲突加剧,进而导致路径求解效率下降,针对该问题,提出轻载环境下带障碍物惩罚因子的多机器人路径规划方法。在基于冲突搜索(conflict-based search,CBS)算法框架的下层单机规划过程中,通过对即将拓展机器人位置的周围障碍物分布类型进行判断,赋予与之对应的障碍物惩罚因子;对路径规划过程中的惩罚因子进行累加,作为单机规划的启发值对路径进行选取;结合CBS算法框架的上层冲突消解策略进行多机器人的路径规划与冲突协调。测试结果表明,在10%障碍物分布的轻载环境中,所提算法的求解时间约为CBS算法的81.38%~83.67%,二叉约束树(constraint tree,CT)拓展量为CBS算法的60.14%~71.66%。在Gazebo中仿真表明,所提方法可减小通过复杂障碍物区域的次数。

CD-CAT中基于SCAD惩罚和EM视角的在线标定方法开发——G-DINA模型

G-DINA(the generalizeddeterministic input,noisy and gate)模型限制条件少,应用范围广,满足大量心理与教育评估测验数据的要求。研究提出一种适用于G-DINA等模型的同时标定新题Q矩阵与项目参数的认知诊断计算机化自适应测验(CD-CAT)在线标定新方法SCADOCM,以期促进CD-CAT在实践中的推广与应用。本研究分别基于模拟题库以及真实题库进行研究,结果表明:相比传统的SIE方法,SCADOCM在各实验条件下均具有较为理想的标定精度与标定效率,应用前景较好;SIE方法不适用于饱和的G-DINA等模型,其各实验条件下的Q矩阵标定精度均较低。