基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于CEEMD-LSTM-Adaboost模型的白糖期货跨期套利策略

以白糖期货合约SR2201和SR2109的5 min高频数据为研究对象,在验证二者存在长期均衡关系的条件下,构建GARCH模型来刻画残差的ARCH效应,将互补集合经验模态分解(CEEMD)方法与长短期记忆网络(LSTM)、自适应提升算法(Adaboost)相结合,通过预测价差涨跌进行套利操作,设置不同开平仓阈值,在样本区间内进行4种神经网络套利策略对比研究。结果表明:基于CEEMD-LSTM-Adaboost模型的神经网络套利策略应用于白糖期货市场可行有效,并且其在模型预测精度和套利效果方面均比BP、LSTM和LSTM-Adaboost神经网络更具优势。

基于PCA-Adaboost-GBDT的短期风电功率预测

为解决单一预测模型难以准确预测风电功率的问题,提出了一种基于主成分分析(principal component analysis,PCA)-自适应增强(adaptive boosting,Adaboost)-梯度提升树(gradient boosting decision tree,GBDT)的风电功率短期预测方法。使用PCA方法对数据降维分析,使用Adaboost-GBDT组合模型对风电功率数据进行训练。结果表明,所提算法在准确性和效率方面都具有明显的优势。研究结果为风电功率准确预测提供参考与借鉴。

ELM-AdaBoost模型在光纤陀螺温度误差补偿中的应用

针对光纤陀螺零偏与温度之间复杂的非线性关系,引入极限学习机(extreme learning machines,ELM)模型补偿光纤陀螺的零偏温度误差;针对单个ELM在预测准确性和稳定性不足及其对奇异样本敏感的问题,引入自适应增强算法(adaptive boosting,AdaBoost)建立ELM-AdaBoost预测模型改善光纤陀螺性能,分析光纤陀螺的温度误差机理及模型参数对预测精度的影响,给出ELM算法隐含层神经元个数及AdaBoost算法迭代次数的确定方法。仿真结果表明:基于ELM-AdaBoost预测模型的补偿效果优于多元线性回归模型和单个ELM神经网络模型,并具有良好的泛化性能和温度适用性,补偿后陀螺零偏均方根误差降低93%以上,显著改善了光纤陀螺零偏稳定性能。

基于随机搜索算法和AdaBoost模型预测LF精炼过程脱硫率

脱硫是LF精炼过程的主要任务之一.为达到稳定脱硫率的目的,利用AdaBoost模型对某钢铁厂LF精炼过程的实际生产数据进行建模,通过对比网格搜索算法、随机搜索算法及贝叶斯优化算法对AdaBoost模型超参数的优化效果和优化时间的影响,讨论了实际应用中AdaBoost模型的超参数优化方案.此外,根据实验对比结果及实际应用情况,确定了基于随机搜索算法和AdaBoost模型的LF精炼过程脱硫率预测模型.结果表明:该模型可以实现脱硫率误差在±0.07,±0.06和±0.05时,准确度分别为95.3%,93.0%和86.0%.

SMOTE_ENN结合AdaBoost在临床预测模型中的应用探析

目的探讨SMOTE_ENN混合采样结合AdaBoost算法在不平衡临床数据分类模型中的预测效果。方法采用网格搜索,设置不同采样比例,结合真实数据应用ROS_RUS、SMOTE_RUS、SMOTE_Tomek、SMOTE_ENN四种混合采样方法,分别基于DT、SVM、AdaBoost三种分类算法建模并比较性能。选取Recall、F1值、AUC三个评价指标,五折交叉验证重复三次取平均值。另选取两个UCI数据集对模型进行外部验证。结果12个分类模型中,SMOTE_ENN混合采样结合AdaBoost的模型性能最优,Recall、F1值和AUC分别为0.747、0.751和0.776,且最佳采样率为50%SMOTE过采样联合70%ENN欠采样。结论SMOTE_ENN混合采样结合AdaBoost模型可有效提升HT患者不平衡数据的临床结局预测效能,且按最佳比例抽样可有效解决以往重抽样没有明确采样率的问题。经公开的UCI数据集进一步验证后,该模型可推广应用。

一种可用于鉴别肝癌呼气信号的改进AdaBoost算法

提出一种改进的AdaBoost强化学习算法,并将其应用于鉴别健康者和肝癌患者的呼气信号。首先采集志愿者(包括健康对照组和肝癌患者)的呼气信号,利用Relief算法提取其主要特征;接着融合Stacking模型,基于传统的机器学习算法训练得到若干基分类器组,构建一个个子分类器。为减少训练样本对分类器性能的影响,利用K折交叉,先后得到k个基分类器,形成一个基分类器组;进一步,由投票法得到该基分类器组,即子分类器对测试集的预测结果;然后根据各子分类器对训练集的预测错误率调整训练样本,并获得各子分类器的权重系数;最后将多个子分类器的预测结果进行加权组合,得到最终预测结果。实验结果表明,相比传统的AdaBoost算法,改进的AdaBoost算法在鉴别肝癌呼气和健康对照组呼气时,错误率明显下降,鲁棒性有所提升。该算法在鉴别肝癌呼气时,准确率可以达到90%左右,特异性和精确度也均超过95%。因此,改进的AdaBoost算法可有效提升肝癌呼气鉴别精度,对通过呼气鉴别肝癌、实现早期诊断的研究具有重要意义。

基于代价敏感的AdaBoost双层分类社会救助预测模型

社会救助服务是保障社会公平的重要举措之一。针对社会救助业务中被救助人员类型的精准识别问题具有极度不平衡性和传统算法在极度不平衡数据分类中具有强偏好性这两大难点进行研究,提出一种新的不平衡多分类模型—基于代价敏感的AdaBoost双层分类(Cost sensitive AdaBoost-Softmax,CA-SF)模型。首先,基于数量均衡原则设计一种“多变二”机制将多分类问题转化为二分类问题,利用具有代价敏感的AdaBoost模型以降低救助数据的极度不平衡性对分类效果的影响。其次,采用能有效规避多重共线性的Softmax回归来解决平衡数据的二次分类。综合实验结果表明CA-SF与多种常用模型相比在社会救助的精准识别上有更高的预测精度和更强的稳定性,能为精准社会救助提供科学且有效的辅助决策手段。

AdaBoost结合改进高斯混合模型的人体检测算法

室内视频监控的客流量统计场景由于背景光照变化、人群拥挤等因素影响,导致背景更新、目标提取和识别的准确率较低,同时由于算法的实时性满足不了高帧率视频(60 fps)的要求,使得识别统计的准确率低于95%。针对以上问题设计室内人体检测识别算法,首先通过将运行期均值法与高斯混合背景建模相结合,根据像素值进行去重合并,以减少相似像素重复计算,并将噪音点在一定范围内采用均值法,进一步从实时性上提高背景提取效果;其次通过自适应阈值法,根据区域光照强度变化,自适应调节分割阈值,从而避免光照不均而影响检测结果;识别采用一种基于AdaBoost的人体头肩定位与最短距离分类器相结合的方法对人体进行识别,根据运动物体的实际位置,对人体头肩进行初步定位,然后提取关于人体头部的特征量:圆形度、肩宽比等,最后通过结合最短距离分类器,对人体进行分类识别。在高帧率视频实验中对复杂多人的每帧图片的处理耗时基本在15 ms以内,人体识别准确率达到98%。实验证明方法能够解决复杂变化背景与多人场景下的高帧率视频多目标人体检测、识别与统计。

BA-Adaboost模型的黑土区土壤养分含量高光谱估测

黑土中的有机质、磷和钾等养分元素在作物生长过程中起着至关重要的作用,研究黑土养分元素的分布特征,开展元素含量的定量计算,对黑土地的科学管理和环境保护具有重要意义。基于黑龙江省讷河市80份黑土样品和高光谱实测数据,分析了光谱反射率、反射率一阶微分、反射率倒数对数、反射率倒数对数一阶微分与土壤有机质、磷元素和钾元素含量的相关性,并利用相关系数法提取敏感波段。针对机器学习模型中参数值优化选择问题,引入蝙蝠算法(BA)并与Adaboost模型相结合,利用BA对Adaboost模型中的最大迭代次数n和弱学习器权重缩减系数v两个核心参数进行寻优计算,选择CART决策树为模型的弱回归学习器,决定系数作为参数优化的目标函数值,构建BA-Adaboost土壤养分含量高光谱预测模型,定量估测土壤有机质、磷元素和钾元素含量,结果表明:BA-Adaboost组合模型可以快速搜索全局最优参数,经BA优化后的Adaboost模型精度和可靠性显著提高, 3种元素中,土壤有机质估测精度最高,决定系数和均方根误差分别为0.864和0.152 g·kg^-1,对比优化前模型预测精度提高了14.2%和25.4%,说明构建的BA-Adaboost模型在土壤元素含量高光谱估测中具有一定的应用前景,是一种高效的估测方法。

基于集成算法的腐蚀管道失效压力预测研究

为了提高腐蚀管道剩余强度的预测精度、解决单一预测模型易受训练数据的质量影响而发生运行及预测输出不稳定的问题,引入两种集成模型方法。首先对于串行结构集成方法,以支持向量回归(SVR)融合正余弦策略改进的黑猩猩优化算法(IChOA)为基础建立AdaBoost-IChOA-SVR模型;其次对于双层并行结构方法,根据预测问题筛选出相关性低且学习效果良好的预测算法作为第一层基预测器,调节新数据集形成方式及相关参数设置,建立Stacking堆叠集成模型。以含腐蚀缺陷管道失效压力爆破数据为例,利用MATLAB分别进行仿真模拟,与基础SVR和PSO-ELM模型的预测结果及评价指标进行对比分析。研究结果表明:集成预测模型具有更好的预测输出性能,且串行结构的AdaBoost集成学习模型的构造流程较为简洁,运行速度及精度更高;该模型对腐蚀缺陷管道失效压力预测问题的拟合度可达0.996,相对误差均值可达3.69%,可为后续腐蚀管道相关预测模型建立和防护维修策略制定提供参考。

基于Adaboost和码本模型的手扶电梯出入口视频监控方法

针对传统视频监控方法无法对密集前景目标进行准确分割的问题,提出一种基于Adaboost和码本模型的多目标视频监控方法。首先,通过训练得到Adaboost人头分类器,利用码本算法为垂直拍摄的手扶电梯出入口图像建立背景模型,提取前景图像对其进行人头检测和跟踪;之后,剔除行人目标得到物件目标,对物件目标进行跟踪;最后,根据行人和物件的运动特征进行监控。对12段出入口视频序列的实验结果表明,监控方法能够准确稳定地跟踪行人和物件,完成逆行检测、客流统计、行人拥堵和物件滞留等监控任务,处理速度达到36帧/秒,目标跟踪准确率达到94%以上,行为监控准确率达到95.8%,满足智能视频监控系统鲁棒性、实时性和准确性的要求。

改进Adaboost算法的人体步态识别方法

为了在人体步态识别中更加准确地进行动作分类,提出了一种基于改进Ada Boost算法的人体步态识别方法。首先利用Kinect传感器捕获姿态序列,并表示为8个选定四肢的角向量（欧拉角）,进一步通过稀疏表示建模作为候选特征;然后使用支持向量机（SVM）对每一个动作特征进行训练,得到弱分类器;最后利用Adaboost算法进行训练,得到相应的动作特征集和强分类器,并对强分类器进行融合实现动作识别。通过大型数据集的测试以及与几种最新方法的比较,证明了该方案的有效性,识别精度能够达到94%左右。

基于改进自适应增强算法的混煤发热量预测方法

为解决传统多元线性回归(Multivariate linear regression,MLR)模型在煤炭发热量预测方面精度不足和适用性有限的问题,提出了一种基于改进自适应增强算法(Adaptive boosting,Adaboost)的煤发热量的预测模型。将随机森林(Random forest,RF)作为Adaboost的基学习器,以提高模型在工业煤质分析中的发热量预测精度和泛化能力。研究基于某电厂1万组入炉煤的工业分析数据,选取水分、挥发分、灰分和固定碳作为模型输入,建立煤炭低位发热量的预测模型。通过与传统的多元线性回归方程及其他非线性模型比较,模型展现出更高的预测精度和更好的泛化能力。大样本测试的实验结果表明,本模型的平均绝对百分比误差为0.5417%,均方根误差为0.1304 MJ/kg,拟合度(R^(2))达到0.9799,其在煤炭发热量预测方面优于其他模型。此外,200组真实的混煤工业分析数据的模拟验证,进一步确认了本模型较优的泛化性能。

AdaBoost集成神经网络在冲击地压预报中的应用

为提高单一BP神经网络预测精度,利用AdaBoost.R2集成学习算法,将单一BP(Back-Propagation)神经网络集成,并针对AdaBoost.R2集成BP网络的特点,提出了一种新的模型更新方法,在有效地实现模型更新的同时克服了传统更新方法的不足。将该新方法应用到抚顺老虎台矿冲击地压预报中,对冲击地压发生的主要因素进行了分析并将其作为模型的输入,使用AdaBoost.R2集成BP网络作为核心智能算法,建立了冲击地压预报模型,取得了较好的预测效果。

基于AdaBoost的汉语方言辨识

为了在训练样本受限的情况下,提高汉语方言辨识的效果,提出了一种基于AdaBoost的汉语方言辨识新方法.该方法将GMM与语言模型组成的辨识系统看成一组弱分类器,然后对这组弱分类器所得的分类结果进行加权投票,最终决定汉语方言测试语音的所属类别.实验结果表明:增加GMM或弱分类器的个数,可以有效提高系统的辨识效果;测试语音越长,系统辨识效果越好;当训练样本有限的情况下,采用AdBoost方法比采用ANN方法具有更高的辨识率.

基于Adaboost的安全带检测系统

安全带检测是智能交通系统中的一个重要研究课题。介绍了一个在公路复杂背景下,基于Adaboost的安全带检测算法。该算法的主要思想是,首先通过Adaboost算法检测车窗、驾驶员和安全带3个部件,对各部件进行粗定位,然后使用车辆各部件位置关系和各部件检测的得分训练一个高斯混合模型,最后通过高斯混合模型对安全带区域进行精细定位。该方法在收集的动态摄像头数据库和静态摄像头数据库上均表现良好。

基于AdaBoost混合模型的LF炉钢水终点温度软测量

本文针对LF精炼炉冶炼过程中物理化学反应过程及传热过程的复杂性,采用混合模型对钢水温度进行软测量,将传统的机理模型与智能方法相结合,并采用改进AdaBoost.RT集成BP网络作为智能模型部分校正机理模型中难以准确获得的参数,再用机理模型进行预测。这种混合模型既克服了传统机理模型难以准确实现的不足也避免了"黑箱"模型过分依赖数据的缺陷。同时改进的AdaBoost.RT集成BP网络算法可以提高传统单神经网络的预测精度和稳定性。实验结果表明,此混合模型具有较好的预测结果,终点温度预测误差不大于±5℃的炉次大于85%。

基于AHP与AdaBoosting的软件可靠性组合模型

目前的各类软件可靠性模型的评估效果依赖于对失效行为的假设,导致模型适用性较差。为此,借助层次分析法选择合适的软件可靠性模型,依据AdaBoosting算法,对合适的可靠性模型进行组合建模。在失效数据集上对多个参与组合的模型进行学习训练,从而建立AMCM模型。在AMCM模型与4个经典软件可靠性模型上的应用结果表明,该组合建模方法是有效的,可明显提升模型的评估性能。

基于适应加权非对称AdaBoost HMM的三维模型分类算法

针对三维模型的分类问题,提出了一种适应性加权非对称AdaBoost隐马尔克夫模型(HMM)分类算法.算法中提出了由三维模型表面的绝对法向量表示的两种新特征,将经过归一化和姿态调整的三维模型划分为若干部分,各部分对应HMM的一个状态,对各部分提取特征并用主成分分析(PCA)降维,对模型的4种特征对应的弱分类器使用非对称AdaBoost算法进行boosting.HMM的结构及参数初始值由模型姿势调整的可能形式及观测顺序确定,训练过程中参数用期望最大化方法计算,最后使用加权相似度计算对三维模型分类.分析及试验结果表明,与基于分布函数的分类算法相比,该算法明显提高了正确率.适应性加权后,分类正确率可进一步提高.