基于Adaboost算法的沉积微相自动识别--以陇东气田Q区山西组为例

在油气田开发中,沉积微相识别对于明确沉积背景及单砂体刻画起着重要的作用。陇东气田地质条件复杂,主力气藏深度大、产层单一,仅山1段底部产气,对于多种资料交叉共同分析沉积微相,仅依靠人工判别沉积微相,过程复杂且容易出错,很难在沉积微相和测井数据之间建立精确的对应关系。为了充分利用测井资料,提高沉积微相划分的效率,提出一种基于Adaboost算法的沉积微相自动识别方法,为后期气田开发沉积背景及单砂体刻画提供更准确的依据。在研究中,对测井曲线进行优选,并进行预处理,运用数学统计法提取了6个特征参数作为训练的输入集,把沉积微相的类型作为训练的输出结果标签,从已解释的沉积微相数据中选取共1210组作为训练样本,其中组建的训练样本共约968组,组建测试样本242组。研究结果显示,应用该方法的训练效果和测试结果的准确性分别达到96.45%,90.4%,可以验证该方法在陇东气田Q区应用效果较好。

一种基于DBSCAN算法改进的稳健AdaBoost回归模型

传统的AdaBoost.R2算法在AdaBoost算法思想的基础上将回归问题转化为二分类问题,取得了较好的估计效果。但该算法对异常点敏感,在迭代过程中会将异常点的权重不断加大,导致模型的稳健性较差。提出一种改进的AdaBoost算法,称为AdaBoost.DBSCAN。首先,通过DBSCAN聚类算法对观测点进行分类;然后,分别针对正常点和异常点,采用不同的权重控制策略进行控制,保证异常点的权重在迭代过程中无法以指数速率增长,同时能较大程度地保存样本信息。模拟和实际应用结果表示,与传统的AdaBoost.R2、AdaBoost.RT算法以及AdaBoost.RS算法相比,该算法具有良好的稳健性,在含有不同比例异常点的数据集中都能够获得较好的表现。

基于AdaBoostSVM算法的时间序列分类方法研究

时间序列数据广泛应用于各大领域,传统的时间序列数据分类方法存在精准度低、错误分类等问题。为了提升时间序列数据分类的精准性及稳定性,提出了基于AdaBoost和SVM级联算法的时间序列数据分类方法,并针对16类UCR时间序列数据进行实验分析。实验结果表明,AdaBoostSVM算法模型平均分类精准性达96.35%,较传统的1-NN等分类方法高5%,较LSTM深度学习算法分类精准度高21%,精准性更高,稳定性更优。

基于Spark大数据平台与改进Adaboost算法的医院预分检系统研究

目的:设计基于Spark大数据平台与改进Adaboost算法的医院预分检系统,用于医院就诊患者诊前分流,加速患者就医流程。方法:基于Spark大数据平台实时采集初次进入医院就诊患者的基础数据,将区块链技术应用于数据采集、存储与传输全过程,通过改进Adaboost算法对数据进行分析,采用2011—2020年联勤保障部队第九四〇医院10年间门诊患者的就诊数据为数据集,对患者在院内就诊进行快速甄别并引导就诊。分析基于Spark大数据平台与改进Adaboost算法的医院预分检系统应用效果。结果:改进Adaboost算法设置自定义限制权重阈值为0.52时,算法准确率为95.56%,预检分诊准确率较传统Adaboost算法提高4.24%。患者平均候诊时间由采用预分检系统前的0.8 h缩短为0.5 h,患者平均就诊时间由6 min缩短为4.8 min。结论:基于大数据平台与改进Adaboost算法的医院预分检系统能够提前将医院就诊患者进行诊前分流,提高分检效率和分检准确率,缓解医院就诊压力。

基于AdaBoost算法的光伏电站中长期发电预测

该文提出了一种基于AdaBoost算法的拟建光伏电站发电量预测方法。根据现有光伏电站的历史气象数据与发电量数据,在利用AdaBoost集成学习算法对传统SVM优化的基础上,对气象因素的天气类型进行分类与识别,进而得到4种天气状态下气象因素与发电量之间的对应关系;利用拟建电站所在地的历史气象数据,根据天气类型自动选择对应的LSTM模型,对拟建光伏电站的发电量进行预测。实验结果表明,与采用单一LSTM模型相比,该文方法预测精度有明显的提高,具有一定的推广价值。

AdaBoost算法识别阿尔茨海默病药物活性成分

针对利用网络药理学研究中药药方治疗或预防阿尔茨海默病的机制存在人工筛选药方中活性成分具有武断性和不准确性的问题,提出一种基于机器学习的阿尔茨海默病药物活性成分识别算法。该算法结合疾病相关活性成分和非活性成分,利用AdaBoost算法进行训练,进而预测新药方中与疾病相关的活性成分。实验结果表明,与线性回归、K邻近回归和贝叶斯岭回归算法相比,AdaBoost算法可以更加准确地识别阿尔茨海默病相关活性成分。

基于AdaBoost的人脸检测算法

着眼于图像识别技术的研究与探索,以MATLAB仿真软件为算法验证平台,采用AdaBoost算法进行人脸检测的研究。主要过程是利用Haar-like模型来表征人脸器官,在仿真软件中通过“积分图”转换来寻求Haar-like特征数值的快速计算。利用AdaBoost算法训练出一些具备人脸特性的弱分类器,通过设置不同权重的方式,把性能最佳的弱分类器群打造成为强分类器。实验结果表明,该算法能够实现人脸的快速有效检测,在智能安防系统中有广泛应用价值。

基于改进SVM算法的电力工程异常数据检测方法设计

针对传统电力工程数据异常检测过程中存在准确度差且主观性较强的问题,文中提出了一种基于改进支持向量机的电力工程数据异常检测模型。其在传统支持向量机的基础上加入了二叉树多分类算法,从而使模型具备多特征分类能力。同时通过引入AdaBoost分类器,来改善支持向量机弱特征分类能力较差的不足。为进一步提高准确度,还使用鲸鱼算法对模型惩罚项、核函数及迭代次数进行优化。在实验测试中,所提算法的检测准确度相较其他三种对比算法分别提升了5.35%、2.17%和5.35%,说明该算法具备更为理想的性能,并可有效提升电力工程数据检测的准确度,故能为电力基建工程验收与管理提供数据支撑。

HSMOTE-AdaBoost:改进混合边界重采样集成分类算法

处理类不平衡问题时,已有的采样方法存在易受噪声影响和忽略边界样本的问题,尤其是忽略多数类样本的类内差异,位于边界的样本实例非常容易被错分,而这些样本对划分决策边界具有重要作用。将SMOTE过采样和RUS随机欠采样方法结合并进行改进,提出混合边界重采样算法(HSMOTE-AdaBoost)。HSMOTE-AdaBoost算法首先对少数类运用SMOTE过采样,提高数据的平衡度;再使用K近邻算法清除噪声和采样方法产生的重叠实例;同时,基于与少数类样本的平均欧氏距离识别并保留边界多数类样本,然后对剩余的数据进行随机欠采样;最后,利用AdaBoost算法的优势,对平衡后的数据集进行多次迭代训练得到最终的分类模型。仿真实验结果表明,与传统的SMOTE-Boost、RUS-Boost、PC-Boost及改进后的算法KSMOTE-AdaBoost相比,该分类模型在不平衡数据集上的所有性能指标F-measure,G-mean,AUC值分别最高提升了22.97%,13.88%和10.03%,具有更优的分类效果。

基于二重LOF与逆交叉验证的稳健AdaBoost回归模型

【目的】传统AdaBoost回归模型的稳健性不足,改进的AdaBoost.RT+、AdaBoost.RS算法仍然存在对异常数据抑制效果不显著和识别正确率较低等问题,增强AdaBoost方法的稳健性具有重要的实际应用价值。【方法】给出的AdaBoost.R_LOF模型,首先提出二重LOF和逆交叉验证算法,并将两种方法结合,以概率刻画数据的异常程度。然后在AdaBoost.R2算法的基础上,根据数据的异常程度,对数据设置恰当的权重系数,在不影响正常数据迭代的同时抑制异常数据的影响。【结果】使得新模型具有更好的稳健性,并且得到更小的预测均方误差。【局限】该方法需要调节的超参数有所增加,需要根据数据集分布特征进行调整。【结论】模拟和真实案例结果显示,相比于AdaBoost.R2、AdaBoost.RT+和AdaBoost.RS算法,在不同比例异常值的数据集下,该方法都具有更好的稳健性和估计效果。

混合增强型机器学习算法在稀土供应链金融中评价中小企业信用风险的研究

稀土是支撑高端技术创新和新能源产业发展的关键原材料之一,研究解决稀土供应链中小企业融资困难的问题,做强我国稀土产业链,更好地维护国家战略利益是当务之急。供应链金融作为创新型融资方式成为实现中小企业融资授信的一种主要手段,但其中信用风险问题成为融资决策中需解决的最关键问题之一。本文提出了一种混合增强型机器学习算法,首先采用动态透镜成像反向学习改进的海洋捕食者算法(IMPA)对支持向量机算法(SVM)进行优化,再采用AdaBoost算法对优化后的SVM进行集成,建立AdaBoost-IMPA-SVM模型。采用该模型对供应链金融风险进行评价,重新建立供应链金融风险体系指标,通过相关性分析进行特效选取,并从计算机通信及其他制造业选取52家中国上市中小企业2019—2021年期间140个样本作为特征变量输入模型。仿真实验结果验证了该模型相较于其他信用风险评价模型具有更好的分类识别性能。

基于改进AdaBoost.M2算法的自动调制识别方法

针对同族调制类型通信信号识别难度大、深度学习模型普遍存在泛化能力弱的问题,基于经典AdaBoost.M2算法,提出改进样本权重的AdaBoost.M2算法,用于解决大样本情况下学习率与加权后样本数据难以相适应的问题。改进后的新样本权重确保训练样本数据的数量级在加权后不变,并使算法更迅速地关注到难分类样本,提高了弱分类器综合性能,降低了加权投票模型中弱分类器重要性之间的差异。针对部分样本的统计特性易淹没于噪声中造成难分类问题,提出随机特征裁剪方法,使算法避免过度关注异常特征,降低了极难分类样本对AdaBoost.M2算法性能的负面影响,提升了算法的泛化能力,并以低信噪比数据进行实验验证。针对调制类型同族信号难分类的问题,选取同族调制类型的通信信号开展模型训练和测试。实验结果表明:相比于单一卷积长短时记忆全连接深度网络(CLDNN)算法,改进AdaBoost.M2算法对低信噪比PSK族类和QAM族类通信信号的测试集准确率分别提高了8.5%和11.25%,相比于直接集成CLDNN的经典AdaBoost.M2算法,测试集准确率分别提高了8.25%和6.5%。

基于脑电非线性特征和AdaBoost算法的诱导期麻醉深度检测

提出一种结合自适应增强学习AdaBoost算法和脑电非线性特征的麻醉深度评估方法,通过提取脑电信号中的4种非线性特征(KC复杂度、小波熵、排序熵、模糊熵)作为输入,以双谱指数作为参考输出,将诱导期麻醉深度分为清醒、轻度麻醉、中度麻醉。使用9例全麻患者的诱导期脑电信号对该方法进行评估,3种不同麻醉状态分类准确度为86.69%,Kappa系数为0.837,表明该方法可以较好地区分诱导期3种不同麻醉水平,为麻醉深度监测提供新思路。

基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法(BWO)优化的长短期记忆神经网络(LSTM)与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明:所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数R^(2)为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。

基于Adaboost-INGO-HKELM的变压器故障辨识

针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次,利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率,通过结合Adaboost集成算法,构建Adaboost-INGO-HKELM变压器故障辨识模型。最后,将提出的Adaboost-INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap-GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%,均高于其他模型,验证了该模型对变压器故障辨识具有很好的效果。

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BP-AdaBoost算法的复杂产品装配制造成熟度等级评估方法

现有复杂产品装配制造成熟度等级评估依赖专家凭经验确定指标权重和指标评分,存在主观性较强、工作量大、耗时长、无法传承评价实例所蕴含的知识等问题。为了提高复杂产品装配制造成熟度等级评估的效率以及客观性,利用成熟度等级评价实例数据,研究基于BP人工神经网络和AdaBoost算法的制造成熟度等级评估方法。构建复杂产品装配制造成熟度评价指标体系,给出基于模糊评价法和隶属函数的评价指标及成熟度等级达成度量化方法,建立基于BP神经网络的复杂产品装配制造成熟度等级评估模型,并使用AdaBoost算法优化成熟度等级评估BP神经网络模型。采用复杂产品分系统装配制造成熟度评价数据集对评估模型进行训练和实验,分析BP-AdaBoost的评估结果,获得最优评价模型。实验结果表明,基于BP-AdaBoost算法的复杂产品装配制造成熟度等级评估方法具有较好的可靠性与准确度。

基于动态阈值AdaBoost算法的风电机组发电机电气故障诊断研究

针对风场SCADA数据量庞大,难以实现风电机组发电机快速故障分类的问题,提出一种动态阈值AdaBoost算法(DTAdaBoost)。在该算法中引入动态阈值对样本集数据进行筛选,剔除训练模型贡献较小的数据,提出的算法不仅可以减小样本容量,还能使被错误分类的数据多次训练,最终实现发电机气隙不均、匝间短路、断条等电气故障的快速诊断。在与其他方法对比的实验结果表明:DTAdaBoost算法在电气故障诊断中比常规AdaBoost算法、SWTAdaBoost算法、GAAdaBoost算法运算时间快、准确率高,为风电机组的快速故障诊断提供理论基础。

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。

基于改进Adaboost算法的无线传感网络入侵检测方法

为降低无线传感网络节点入侵误检率,引进改进Adaboost算法,设计一种针对无线传感网络的全新入侵检测方法。参照无线传感网络在传输数据过程中的电能量消耗模型,设定网络连续传输节点之间的距离,计算无线传感网络节点传输消耗能量;引进改进Adaboost算法,对节点进行权值的初始化处理,计算入侵样本初始权值,设计入侵数据的分类。入侵检测一般分为探测与应答两个步骤,通过对无线传感网络流量异常的感知,实现对无线传感网络入侵的检测。对比实验结果证明:设计的检测方法可以在提高无线传感网络节点攻击样本数量检测结果精度的同时,降低网络节点入侵误检率。