一种快速AdaBoost.RT集成算法时间序列预测研究

传统AdaBoost.RT算法的训练样本容易向小值样本集中,难以避免加权错误率低而真实错误率高的弱学习机,且迭代训练的速度较慢。针对这一问题,首先重新设计了相对误差函数和样本权重的更新方式;然后通过减少迭代训练中的样本规模提出了基于权重的自适应样本剔除快速AdaBoost.RT算法;最后将AdaBoost.RT算法应用于航空发动机起动阶段状态趋势监控。实验结果表明,快速AdaBoost.RT算法预测误差均值减少了0. 128 4和0. 263 2,误差标准差减少了0. 022 3和1. 794 4,虚警次数减少了5次,训练速度提升了53%。实验表明,快速AdaBoost.RT算法能有效监控航空发动机起动阶段的状态趋势,具有预测误差小、训练速度快、虚警率低等优点,对提高装备维护效率具有一定的参考意义。