基于GBDT-LR和信息量模型耦合的滑坡易发性评价

[目的]探索准确、快速的滑坡易发性区划方法,为区域安全监测提供参考,为政府治理滑坡灾害提供科学依据。[方法]以安徽省池州市贵池区为研究区域,采用梯度提升决策树—逻辑回归(GBDT-LR)和信息量(I)模型耦合的方法,实现区域滑坡易发性评价。该方法通过对原样本地学习,组合产生新的模拟样本,从而增强易发性评价模型对滑坡的拟合能力;采用Borderline-Smote算法解决样本数据不对称的问题。选用r.slopeunits软件划分的斜坡单元作为最小评价单元,选取坡度、坡向、地形曲率、剖面曲率、平面曲率、地形湿度指数(TWI)、地形起伏度、归一化植被指数(NDVI)、距断裂距离和距水系距离总计10个评价因子。分别从频率比、滑坡灾害点及隐患点密度、ROC曲线3个方面对构建的滑坡易发性模型进行评价。[结果]试验结果表明:耦合模型I-GBDT-LR分别比I,LR,I-LR模型的高易发区频率比所占比例提升约10%,13%,7%,高易发区滑坡灾害点及隐患点密度分别提升约9,11,7,ROC精度提升约10%,9%,5%。[结论]从检验指标综合来看,耦合模型的精度均高于单一模型,所提出耦合模型精度又高于I-LR耦合模型,为滑坡易发性评价提供了一种有效的、新型的评价方法。

一种基于集成学习的入侵检测算法

作为机器学习领域的一个重点研究方向,集成学习相比于单分类器有着更高的检测精度,被广泛应用于异常入侵检测.但是,现有基于集成学习的入侵检测算法在对原问题进行划分过程中会存在一定的边缘信息与整体信息的丢失,且最终的模型融合也是一个耗时、复杂的调整参数过程.基于此,提出一种改进的基于集成学习的入侵检测算法,将原问题转化成多个二分类问题,并把多个分类器的概率预测结果作为先验知识加入到原本的特征中,再进行多分类模型的学习;借助于Facebook提出的梯度提升决策树(GBDT)和逻辑回归(LR)的融合模型对其中的二分类问题进行学习.通过在KDD CUP’99数据集的实验与分析,验证了所提算法的有效性.

基于模型特征匹配的BIM模型混合推荐算法

为了辅助地铁工程的专业设计人员从BIM模型实例库中快速获取匹配当前设计需求的参考模型,提出一种基于特征匹配的BIM模型混合推荐算法。首先基于Revit二次开发从BIM模型中获取特征数据;随后,利用模型特征参数等基本信息,采用熵权灰色关联模型计算模型实例的推荐度;然后,结合用户交互数据,采用梯度提升决策树算法(GBDT)与逻辑回归(LR)算法的融合模型计算模型实例的推荐度;最后,根据训练数据集的规模动态调整2种推荐度的组合比例。实验表明,该方法不仅避免了系统冷启动问题,并且在足够的用户交互数据支持下有更好的BIM模型推荐质量。

基于图像处理的燃气锅炉燃烧状态检测研究

天然气作为一种环保、清洁且运输成本较小的燃料,目前广泛应用于各地区的集中供暖。在供暖设备运行过程中,需要对燃气锅炉内部的燃烧状态进行监控,动态地调整入氧量和天然气用量,以保证设备的正常运行,从而提高生产的效率和系统的稳定性。为了对燃气锅炉进行有效监控,基于电荷耦合器件(CCD)相机拍摄的燃气锅炉火焰进行图像预处理和特征提取。针对火焰光照不均匀的现象,提出基于HSV空间S分量的阈值分割法对图像分割进行优化,然后通过提取火焰图像特征参数建立数据集。由于火焰图像的单调性,火焰特征表达较为局限,因此提出使用梯度提升决策树(GBDT)和逻辑回归(LR)的组合模型对火焰特征进行自动特征交叉,以增强特征的表达能力。最后,进行燃烧状态检测的三分类任务,准确率达到93%。试验证明,与SVM、DNN相比,GBDT+LR在各项指标上都能够取得更好的效果,且更加稳定。

基于GBDT和LR算法的用户流失监控技术研究

由于电信领域的移动用户数量难以增长,企业把焦点放在如何维持现有用户上,因此移动用户流失与否关系到企业核心收益,如何预防用户流失成为电信领域的一个重大挑战。传统的潜在用户流失识别技术无法有效地识别精准的流失用户,而采用机器学习算法的用户流失预防技术则有更高的准确度。针对上述问题,提出了一种基于梯度提升决策树算法(GBDT)和逻辑回归(LR)算法的用户流失预防模型,对参数特征进行调整,对已有移动用户流失数据进行计算,能达到高于85.91%的用户流失预测准确度识别,与已有其他常用预测对比表明,该算法的识别速度和准确率均拥有更好的预测效果。

GBDT与LR融合模型在加密流量识别中的应用

随着网络应用服务类型的多样化以及网络流量加密技术的不断发展,加密流量识别已经成为网络安全领域的一个重大挑战。传统的流量识别技术如深度包检测无法有效地识别加密流量,而基于机器学习理论的加密流量识别技术则表现出很好的效果。因此,本文提出一种融合梯度提升决策树算法(GBDT)与逻辑回归(LR)算法的加密流量分类模型,使用贝叶斯优化(BO)算法进行超参数调整,利用与时间相关的流特征对普通加密流量与VPN加密流量进行识别,实现了整体高于90%的流量识别准确度,与其他常用分类模型相比拥有更好的识别效果。