叠加泛化集成的烧结水分预测LGBM-RF-XGB混合模型

针对烧结混合料水分预测的问题,引入了基于叠加泛化集成的建模方法,提出了Robust Scaler-Rank Gauss(RS-RG)混合算法对输入叠加模型的数据进行处理,进而建立了基于叠加泛化集成的烧结混合料水分预测轻量梯度提升机-随机森林-极端梯度提升机(LGBM-RF-XGB)混合模型,可以在烧结料混合前预知水分值.LGBM-RF-XGB叠加模型的内部机制是先从LGBM和RF模型生成元数据,再使用XGB模型计算最终预测.结合烧结现场数据,将提出的叠加模型与多个基准模型进行了对比仿真实验.结果表明,所提出叠加模型的精度和误差均优于用于对比的基准模型,满足烧结工艺要求,可以用于实际生产中的烧结混合料水分提前预测,为加水量自动控制提供理论依据.

信号采样对Cs_(2) LiYCl_(6):Ce^(3+)探测器中子-伽马甄别性能的影响

针对核脉冲信号数字处理中采样率与采样深度对粒子脉冲形状甄别效果的影响问题,本文基于Cs_(2)LiYCl_(6)∶Ce^(3+)(CLYC)探测器进行^(239)Pu-Be中子场中子/伽马射线混合信号采集,研究几种中子/伽马射线脉冲波形甄别算法以及这些算法对波形采样率和采样深度的适应性。研究结果表明:基于积分算法的电荷比较法与内积算法的k-means聚类配合向量投影法对采样率、采样深度、噪声的适应能力都好于基于微分算法的脉冲梯度法;由于k-means聚类配合向量投影法对向量维度敏感,在抗低采样率方面不如改进的电荷比较法,而在抗低采样深度方面二者能力相当;XGBoost和LightGBM这2种机器学习算法在采样率降至12.5 MS/s和采样深度降至4 bit后仍可获得100%的甄别准确度,在波形采样率和采样深度较低时相比传统算法优势明显。