基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法

智能电网的建设和电力市场的发展对短期负荷预测的精度和速度提出了更高的要求。应用一种仿生算法来改善负荷预测的精度和运算速度,提出一种基于细菌群落趋药性优化算法的最小二乘支持向量机(least squares-support vector machine based on bacterial colony chemotaxis optimization,BCC-LS-SVM)模型,通过细菌群体趋药性优化算法快速、合理地确定最小二乘支持向量机(least squares-support vectormachine,LS-SVM)的超参数。研究表明,与前馈(back-propagation,BP)神经网络算法和单纯的LS-SVM算法相比,BCC-LS-SVM算法具有较强的全局搜索能力,易于操作,能够实现更高的预测精度及更好的运算速度,更适用于当前中国短期负荷预测的需要。

改进支持向量机模型的旋转机械故障诊断方法

针对支持向量机在旋转机械的故障诊断中存在的模型超参数选择的不确定性,利用超参数相关理论和先验知识界定模型超参数选择区间,结合全局搜索和局部搜索实现参数优化组合,运用泛化模式搜索的模型超参数选择方法,并将改进的支持向量机模型引入旋转机械的故障诊断。结果表明,改进的模型具有较高的搜索效率和参数优化选择性能,提高了故障诊断的精度。

基于支持向量机分位数回归的部分变系数动态模型的估计

本文研究部分变系数动态模型,一些参数的值可以成为协变量的函数,并提出了参数和非参数函数系数的估计。本文提出一个基于支持向量机分位数回归的部分变系数动态模型,及它的三步估计法和迭代加权最小二乘法估计模型的参数和非参数函数,提出的方法能被简单有效地应用到线性和非线性分位数回归光滑变量的高维情况。同时,本文也提出模型的惩罚参数、核参数的选择方法——交叉验证方法。

基于两类Boosting的财务造假识别方法对比

针对财务造假问题,使用XGBoost和CatBoost两类boosting方法进行财务造假识别。对于超参数选择,通过GridSearchCV对两类boosting方法预训练,寻找最优超参数。将超参数应用于两类boosting方法上,从时间、准确度和性能的角度对比分析方法识别效果。结果表明,CatBoost方法相比于XGBoost方法,财务造假识别准确率更高,性能更优。

FastCrack:实时路面裂缝分割

在公路的使用过程中,其表面会产生危害结构健康的裂缝,研究高效精确裂缝分割算法已成为交通运输领域的一个重要课题.在现有的基于图像的裂缝分割方法中,由数据驱动的深度学习技术展现出了强大的适用性.但基于神经网络的裂缝分割模型普遍缺乏对模型实时性的关注,为平衡模型精度和速度,选择合适的架构超参数,设计了一套架构超参数挑选框架,提出了实时路面裂缝分割模型(FastCrack-SPOS).首先,设置不同的待选宽度(16,32,48,64,80)、深度(D1,D2,D3)、下采样倍率(1/4,1/8,1/32),构建出45组不同结构模型,分析每种参数对模型性能的影响;然后,使用神经架构搜索技术为模型每层自动搜索合适类型的卷积块,进而构建出最终模型.实验结果表明:所提架构超参数挑选框架在轻量级裂缝分割模型的设计上十分有效;构建出的FastCrack-SPOS在路面裂缝数据集上的交并比达62.88%;参数量仅0.29×106,相比现有模型,减少95%;处理1024×1024的图像的速度达147 frame/s,在速度和精度间取得了平衡,具有较高的实际应用价值.

元自步学习

自步学习是近年来机器学习领域提出的一种启发于人和动物"由易到难"学习过程的学习机制.尽管自步学习已取得可喜的理论与应用进展,但是当前的自步学习算法仍存在超参数选择的瓶颈问题.针对该问题当前主要采用一些启发式的手工设计方法或者交叉验证方法,然而此类方法效率很低,缺乏理论性指导,难以推广应用到广泛的实践问题中.针对这一挑战性问题,本文提出一种基于元学习机理的自步学习算法,该方法能使自步学习中涉及的超参数以数据驱动的方式自动习得,从而大大减弱了自步学习的这一核心问题.特别地,我们针对3种典型的自步学习实现格式,将所提元学习策略实质性嵌入,通过回归和分类实验验证了所提算法的准确性和泛化性,特别验证了相比于传统超参设置方法的显著优越性.

基于B样条的众数回归模型

文章给出一种基于B样条的非参数众数回归模型以及一种适合于众数回归模型的交叉验证超参数选择准则.现有的非参数局部多项式众数回归模型估计效果良好,但该方法计算复杂度较高.为了弥补该缺陷,利用B样条的优良性质,给出了一种基于B样条的非参数众数回归方法.和局部多项式模型相比,该方法估计效果相近,但计算复杂度大为降低.另外,针对常用的交叉验证超参数选择准则不适用于众数回归这一现象,给出了一种新的交叉验证超参数选择准则,模拟和实例结果表明,该方法在超参数选择中表现优良.