基于多卷积神经网络融合的当归病虫害识别方法

针对目前当归产业病虫害识别方法缺失、人工提取特征存在主观因素及卷积神经网络训练需要大量数据等不足,提出1种基于多卷积神经网络融合的当归病虫害识别方法。构建当归常见病虫害数据集;选择在当归病虫害数据集中表现性能最好的ResNet50、InceptionNetV3、VGG19、DenseNet2014个网络作为模型融合的基学习器;使用XGBoost(极度梯度提升)算法作为元学习器,得到基于多卷积神经网络融合的当归病虫害识别模型。结果表明,该融合模型比单个卷积神经网络模型具有更高的识别准确率,并优于其他融合方法融合的模型,对当归病虫害识别的查准率、查全率、F 1值分别达到98.33%、97.14%、97.68%。本研究提出的基于XGBoost融合方法融合的模型实现了当归常见病虫害的精确分类,对常见病害的识别准确率达到98.33%,为当归产业提供了一种有效的病虫害识别方法。

基于XGBoost算法的仿真混凝土材料配合比设计方法

针对传统仿真混凝土配制过程周期长、耗费成本高的问题,提出了一种快速设计仿真混凝土材料配合比的方法。基于现有仿真混凝土的研究成果,构建了仿真混凝土材料配比数据库;利用XGBoost算法对数据库中的数据信息进行训练,以不同配合比混凝土材料的抗压强度、弹性模量的预测值与实测值之间的决定系数作为目标函数,利用交叉验证和网格寻优建立仿真混凝土配合比计算模型;最后利用Python开发了仅需输入期望的抗压强度、弹性模量及允许误差即可设计出仿真混凝土材料配合比的程序。实际应用表明,仿真混凝土材料配合比设计程序运算速度快、精度高,计算的预测值与实测值吻合好,是一种方便快捷的新方法,并可大大缩短模型试验周期、降低试验成本。

基于XGBoost-MLP集成方法的离港航班延误预测

为了更准确地描述航班延误情况,为旅客出行提供参考,使用极端梯度提升(extreme gradient boosting, XGBoost)算法与多层感知机(multilayer perceptron, MLP)集成的模型对离港航班延误状态进行预测,将传统的延误、不延误细分为延误、半延误和不延误3种情况。在对航班数据和天气数据进行合并、筛选、拆分的基础上,先基于XGBoost模型进行二分类预测,然后基于二分类结果使用MLP进行三分类预测。实验结果表明,该方法比仅使用XGBoost模型或者MLP模型预测效果更佳,并且可改善半延误区间误差高的问题。

基于机器学习的跑道占用时间预测模型研究

伴随着我国民航事业的迅速发展,运输需求不断增加,通过规范跑道占用时间来提升跑道运行效率成为必然要求。采用了人工神经网络(ANN)、循环神经网络(RNN)、极度梯度提升树(XGBoost)、支持向量机(SVM)四种不同的机器学习方法构建跑道占用时间预测模型,并对建立的四种跑道占用时间预测模型预测结果进行对比分析。研究发现最适宜用来建立跑道占用时间预测模型的机器学习方法是人工神经网络,利用该方法建立的基于RNN的跑道占用时间预测模型预测效果最好,预测平均绝对误差仅为3.5130。该结论可以为未来研究跑道占用时间预测模型,规范跑道占用时间提供一定参考。

基于Stacking的个人薪资预测研究

薪水是求职者着重考虑的因素,在信息飞速发展的时代,求职者寻找工作时希望通过各种方法去合理地评估自己的薪酬区间,而人们往往难以对自己的薪资水平进行合理预测,因此合理评估能力,进而找到适合自己的薪资标准就显得格外重要。基于这个现实问题,通过对原始数据进行分析处理并结合Stacking算法,即融合随机森林、梯度提升树、XGBoost、逻辑回归等模型,对求职者的薪水进行一个合理的预测,并且通过实验显示,使用Stacking融合算法的模型具有更好的预测性能和泛化能力。