基于Bagging改进算法变压器油中气体故障诊断研究

针对变压器故障征兆与故障类型间映射关系的不确定性及模糊性问题,以变压器油中溶解气体数据作为变压器故障类型的判断依据,利用Bagging算法把弱分类器变为强分类器的特点,提出了Bagging的改进算法,并对该算法的性能进行了测试,测试结果表明该方法具有较好的分类精度。将Bagging改进算法应用到变压器油中气体故障诊断中,仿真实验结果表明,基于Bagging的改进算法优于boost集成算法及BP神经网络和支持向量机等最新方法。该方法精度达到90.67%。

基于集成学习的软件缺陷检测

近年来,使用机器学习方法来预测软件缺陷得到了广泛的关注。在实际工程中,软件缺陷特征的构造需要相关领域知识及大量时间,使得到的软件特征一般较少。并且,有缺陷的软件样本会大大少于无缺陷的软件样本,造成样本的高度不平衡。这里,通过显式的特征构造方法,把有限的原特征映射到高维度的特征空间;通过改进的Bagging以及随机特征子空间的方法,在得到类平衡的训练样本集的同时,提高模型的泛化能力。通过上述方法,得到一系列弱分类器。最后,使用一个简单的线性分类器训练得到各个弱分类器的权重来融合所有弱分类器,得到更好的分类效果。

车载激光点云道路场景杆状地物分类研究

针对车载激光点云数据中杆状地物分类效果不理想以及单一分类算法具有局限性的问题,该文提出一种基于多重投票方式的改进引导聚集(Bagging)集成学习方法。根据地物点云特征值组成特征向量,利用样本集数据分别对多种机器学习算法进行训练并构建分类模型,获取每个分类器识别能力的先验知识;利用改进的Bagging集成分类算法对识别能力较强且可能存在互补信息的算法进行集成;采用多重投票方法实现杆状地物的自动分类。实验结果表明,该文算法对道路场景中杆状地物的分类精度可达98.58%,高于其他单分类器,对点云自动化分类具有一定的参考。