一种不平衡水声目标数据的选择性集成算法

针对不平衡水声目标数据分类问题,本文提出了一种间隔和差异性融合的选择性集成算法。从理论上给出了单纯增加差异性无法改善泛化性的原因,融合间隔和差异性构造了选择性度量,利用选择性度量对基分类器进行选择性集成从而形成最终分类器。实测水声目标数据试验结果表明:本文算法整体性能优于AdaBoost算法和常规选择性集成算法,说明其更适合处理不平衡水声目标数据分类问题。

基于随机贪心选择的选择性集成算法

针对现有的基于贪心选择的选择性集成算法易过早陷入局部最优的问题,提出一种基于随机贪心选择的选择性集成算法(SERGS);该算法引入了随机化策略来扩展贪心搜索的搜索空间,从而降低了算法陷入局部最优的可能性,并且算法的计算性能也得到了改善。在UCI数据集上的实验表明,与现有的集成学习算法和选择性集成算法相比,SERGS的分类精度高于其他算法,且建模时间少于同类型的算法。

基于选择性集成算法的浸出率混合预测模型

一个精确的模型对浸出过程中浸出率预测是十分重要的。针对湿法冶金浸出生产过程中浸出率在线检测的难点,提出一种有效的混合建模方法,建立浸出率的预测模型。在对浸出过程进行分析后,建立了一个浸出过程机理模型。由于机理模型与实际之间存在着较大的误差,因此建立了混合模型来减少误差。随后,针对小样本建模问题,提出了基于二进制PSO算法的选择性bagging集成算法,并将该算法应用于混合模型的误差补偿中去。实验结果表明该混合模型的预测精度比其他模型的预测精度高。

基于特征约简与选择性集成算法的城市固废焚烧过程二噁英排放浓度软测量

城市固废焚烧(MSWI)排放的污染物二噁英(DXN)对生态环境与人类健康具有极大危害,其浓度的实时检测对MSWI过程运行优化和城市污染控制至关重要.具有痕量特性的DXN排放浓度不能实时检测,机理模型难以构建,并且其与过程变量间的映射关系复杂.针对上述问题,本文提出了一种基于特征约简和选择性集成算法的DXN排放浓度软测量方法.首先,对在线采集的MSWI过程变量和离线化验的DXN排放浓度数据进行预处理,获得具有小样本高维特性的建模样本;接着,基于变量投影重要性(VIP)值和特征约简比率值确定模型输入特征;最后,基于操纵训练样本的集成构造策略构建自适应确定核参数的选择性集成模型.采用国外文献和国内工业MSWI过程的DXN排放浓度数据仿真验证了所提方法的有效性.

基于分类问题的选择性集成算法研究

集成学习是时下非常流行的机器学习算法,它是通过集成多个模型的输出结果来实现的。但随着基学习器数目的增多,集成学习的预测速率明显下降,其所需的运行内存也迅速增加。对此,本文提出了选择性集成分类算法,该算法首先采用集成学习思想训练一定数目的分类器,然后综合多个评价标准对一些效果较差的分类器进行剔除,并使基分类器具有一定的差异性,来实现选择性集成学习,并在不同数据集进行实验论证了该算法的泛化能力与有效性。

基于小样本的集成学习研究

为了提高集成学习在小数据量的有标记样本问题中的性能,结合半监督学习和选择性集成学习,提出了一种基于半监督回归的选择性集成算法SSRES。一方面,充分利用大量的未标记样本来辅助有标记样本的学习;另一方面,使用选择性集成学习进一步提高学习系统的泛化能力。实验结果表明,SSRES算法能够利用未标记样本和选择性集成技术提高学习器的性能。