基于Adaboosting算法的表面裂纹图象检测

Adaboosting算法是一种利用仅比随机预测略好的弱检测器构成高精度的强检测方法,利用它构建了新型的表面裂纹检测系统。该系统提供一种普适性的检测方法。实验证明,该系统具有检测速度快。

SVR和AdaBoosting算法在孔隙型碳酸盐岩储层孔隙度解释中的应用

孔隙度是地层评价、储量研究中的重要参数,对于四川盆地C气田雷四上亚段气藏来说,由于矿物组分多样、密度曲线受扩径影响较大、开发井测井资料丰富程度不足等原因,导致使用体积物理模型方法求取孔隙度时,在开发井模型搭建、解释精度和效率等方面,都难以获得满意的结果.为更准确地计算孔隙度,在敏感测井响应分析基础上,尝试使用了SVR和AdaBoosting算法:SVR算法将低维度数据映射到高维空间,满足了把与孔隙度呈复杂非线性关系的电阻率曲线纳入至模型中的需要,和常规的多元、多项式回归相比,提升了模型准确度和稳定性;AdaBoosting算法采用了“集成学习”的思维,通过对简单模型进行迭代,将多个形式相同的简单模型提升为一个复杂的学习器,从而克服了使用单一模型算法灵活性差、精度低的缺点.使用上述方法进行孔隙度解释,并从误差和分布范围两个角度对模型进行了评价,认为相较于传统的体积物理模型,上述算法结果具有更高的精度、更强的稳定性,更能满足储层评价的需要.

基于Adaboost回归算法的安徽省物流需求短期预测研究

【目的】物流需求预测有助于调整物流资源的分配,对促进物流业发展具有重要意义。【方法】选取安徽省1995—2022年与物流需求相关的指标数据为原始样本数据,用货运量来表征物流需求。通过XGBoost特征选择算法筛选出6个用于预测的指标。在此基础上,使用3种方法分别构建模型,并对这些模型进行对比分析。最终,选择精度最高的Adaboost回归算法来预测安徽省短期物流需求。【结果】2023—2026年,安徽省的物流需求预测值分别为402 942.428万t、369 877.222万t、380 884.375万t、382 319.5万t。【结论】未来四年,安徽省物流的货运量呈不稳定发展态势。根据安徽省的区位优势及疫情的全面开放,安徽省物流业表现出较大的发展潜力。

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。

基于BP-Adaboost算法的输电塔-线结构整体可靠性分析

针对传统结构可靠性分析方法的应用局限性和计算成本较大等不足,引入BP-Adaboost集成学习算法,提出一种准确高效、简单易行的输电塔线结构整体可靠性分析方法。首先,建立输电塔线结构有限元分析模型,分析结构的失效准则并推导相应的极限状态功能函数;然后,将BP-Adaboost集成学习算法与蒙特卡洛模拟方法相结合,建立高精度预测模型来替代分析过程复杂的有限元模型,提出基于BP-Adaboost模型的输电塔线结构整体可靠性分析方法;最后,通过数值算例对所提方法进行应用与验证,证明所提方法具有更高的精度和效率,并进一步将其应用于实际输电塔线结构工程,分析多失效模式下输电塔线结构的整体可靠性。

基于AdaBoost算法的新能源汽车电机异常故障检测

新能源汽车的电机系统包含许多复杂的部件和子系统,部件之间的相互作用使得异常故障的检测变得复杂,而电机异常故障检测主要采用人工检测方式,即通过耳朵听声音,用眼睛观察,用手触摸找出故障位置,导致故障检测精度较低。因此,提出AdaBoost算法下新能源汽车电机异常故障检测方法。通过传感器采集电机信号,采用距离相似度、模糊隶属度函数提取信号特征,借助遗传算法的编码操作、交叉操作及其变异操作获取关键信号特征,运用自适应增强(Adaptive Boosting,AdaBoost)算法将信号特征分成正常信号和异常故障,以此实现对新能源汽车电机异常故障检测。实验结果表明,所提算法电机异常故障检测精度高,且耗时短。

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。

代价敏感惩罚AdaBoost算法的非平衡数据分类

针对非平衡数据分类问题,提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中,引入一种新的自适应代价敏感函数,赋予少数类样本及分错的少数类样本更高的代价值,并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机(Support vector machine,SVM)优化模型作为基分类器,采用带有方差减小的随机梯度下降方法(Stochastic variance reduced gradient,SVRG)对优化模型进行求解。对比实验表明,本文提出的算法不但在几何均值(G-mean)和ROC曲线下的面积(Area under ROC curve,AUC)上明显优于其他算法,而且获得了较大的平均间隔,显示了本文算法在处理非平衡数据分类问题上的有效性。

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。

基于Adaboost算法的人脸图像情绪识别

提出一种基于Adaboost算法对人脸图像进行情绪识别的方法。先将视频进行图像数据采集,再通过基于Haar特征值的自适应增强计算,即Adaboost计算检测人脸特征,将迁移机器学习技术运用到多任务的卷积式神经网络,然后利用卷积神经网络的情绪回归计算人脸表情的效价和唤醒度得分。不但可以解决对复杂背景图像的高误检率问题,而且还可以解决对多姿态单人脸图像的低检率问题。经仿真试验证明,该方法对单人脸、多人脸和复杂背景多人图像都有较好的测量效果,实用性较强。

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Adaboost算法的房地产特征价格评估模型研究

房地产价格评估在推动房地产业和我国经济的可持续发展方面具有重要意义。为了实现对房地产价格的精准评估,本文建立了基于Adaboost算法的房地产特征价格评估模型。本文从某房地产网站获取区位特征、邻里特征和建筑特征数据并建立模型,然后利用Adaboost算法对房价进行评估。为了对比模型的效果,本文同时建立了Adaboost回归模型、随机森林模型和XGBoost回归模型,以均方误差、均方根误差、平均绝对误差、平均绝对百分比误差和拟合优度作为模型评定标准。对比结果表明,Adaboost回归模型预测精度高、泛化能力好,其多项评估指标优于其他两种模型。模型的特征重要性排序表明,区位特征和邻里特征对房价的影响远高于建筑特征;政府应均衡配置公共资源,以增强偏僻地段房地产的区位优势和邻里优势。本研究旨在提高房地产价格评估精度,促进房地产业的长远健康发展。

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。

基于层次分析与Adaboosting的电力用户信用评价方法

我国电力市场化改革进程不断推进,将作为市场主体的电力用户信用评价问题分析清楚对电力市场的构建具有重要而深远的意义。针对电力用户信用评价问题提出一种基于层次分析与Adaboosting的电力用户信用综合评价方法。基于电力用户数据信息,建立了归一化综合评价指标体系;构建了基于层次分析法的信用评价模型,从典型分类算法中遴选出合适的备选分类算法;采用Adaboosting算法对备选分类算法进行线性动态赋权,通过对样本数据训练建立组合分类模型。基于实际电力用户信息数据对提出的综合评价方法进行应用验证,结果表明:相比已有的分类算法,所提出的综合评价方法的评价准确率与曲线下面积(AUC)值均较高,具有较好的适用性。

改进A^(*)算法和人工势场法的路径规划

A^(*)算法存在折线路径多和搜索节点多的问题,人工势场(artificial potential field,APF)法存在局部最优和不可到达的问题,针对两种算法存在的问题进行了研究。利用欧氏距离与投影距离提出一种新的混合式启发函数,依据该函数对A^(*)算法的流程进行改进,减少A^(*)算法的搜索节点,提高搜索效率。利用新A^(*)算法生成的最优节点作为APF算法的局部目标点,辅助机器人摆脱局部最优点;通过加入机器人和目标点的位置关系改进势场函数,修改斥力的增益,优化斥力的生成方向。在改进的基础上将两种算法融合提出一种新的算法,利用APF法的势场函数引导A^(*)算法的搜索。从路径长度、避障效果、迭代次数对改进算法进行对比分析,仿真结果表明,提出的改进算法搜索效率高,实现避障的同时保证计算的路径最优。

算法嵌入政府治理:逻辑、风险与规制

伴随着现代信息技术的迅猛发展,智能算法在推动经济社会不断发展的同时也成为推动国家治理现代化的重要驱动力。现阶段如何推进算法技术更有效地嵌入政府治理,在充分发挥技术效益的同时反制技术滥用,实现公共价值最大化目标是亟须关注的时代命题。从“技术—权力—规则”三个维度搭建研究算法嵌入政府治理的分析框架,探索算法技术赋能政府治理的价值意蕴与运作逻辑。聚焦算法技术黑箱阻滞公共责任认定、算法权力削弱政府与民众自主性、算法规则偏好导致治理正义性减损等风险与挑战,提出在实践中要推进技术适度透明化以明晰责任关系链条、规范算法权力运作并坚持人本主义治理理念、明确算法规则决策限度以强化治理正义性等实践进路。

算法解释制度的体系化构建

算法解释在算法治理中举足轻重。算法解释承载着权益保障、社会交往和风险治理三重意义,其在技术层面上的障碍正在逐渐被突破,可以通过多种技术机制实现。在算法治理活动中,应根据常规场景、关键场景和争议场景分别限定选择解释的路径选择和技术方案,通过冻结机制、抽样机制和镜像机制固定算法解释,并使之接受外部的验证与审查,确保算法解释真实、有效。算法解释的系列机制应被进一步构建为体系化的算法解释制度,在这一制度框架内,对解释路径与精度、解释时限、解释瑕疵责任等要素的合理配置,可以实现社会效益与规制负担的精细平衡。

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。