基于RF-RFECV和Stacking集成学习的脑卒中预测研究

脑卒中具有发病率高、死亡率高和致残率高的特点,提早发现和治疗显得至关重要。在脑卒中预测方法中,机器学习相对于其他方法具有更好的表现。针对传统的单一机器学习模型在预测的精度或稳定性上都存在局限性的问题,提出了一种基于RF-RFECV和Stacking集成学习的脑卒中预测方法。通过实验证明,该方法可以有效地降低特征维度,获得最优特征子集,与其他的单一模型以及其他集成算法模型相比,Stacking模型的预测精度明显提升,可以更有效地预测脑卒中。

基于XGBoost-RFECV算法和LSTM神经网络的PEMFC剩余寿命预测

针对质子交换膜燃料电池(PEMFC)寿命预测方法中PEMFC特征对其寿命的影响程度未知和模型预测精度低的问题,提出一种基于XGBoost-RFECV算法和长短期记忆(LSTM)神经网络的PEMFC剩余寿命预测方法。首先通过等间隔采样和SG卷积平滑法对PEMFC原始数据进行重构和平滑处理,有效提取PEMFC退化趋势。然后利用XGBoost-RFECV算法计算PEMFC不同特征的重要度,并选择平均交叉验证均方误差最小的10个PEMFC特征组成最优特征子集。最后将最优特征子集输入构建的双层LSTM神经网络实现PEMFC的剩余寿命预测。实验结果表明,该方法的平均绝对误差和均方根误差分别为0.0019和0.0025,决定系数R^(2)为0.974,与XGBoost-RNN、XGBoost-LSTM和XGBoost-RFECV-RNN方法相比预测精度更高,能够有效地预测PEMFC剩余寿命。

基于RFECV-随机森林特征选择的地铁空调制冷剂充注量故障诊断

地铁车辆车厢空调能耗占整车能耗的25%~40%,若长期处于故障运行状态会造成大量的能源浪费,且影响乘客的乘车体验甚至危害乘客身体健康。地铁车辆空调故障中,制冷剂充注量故障发生频繁却难以察觉,短期内不会引发故障报警,但会使空调长期偏离正常工况。针对地铁空调的制冷剂充注量故障诊断,文章采用基于交叉验证的递归特征消除法进行了特征选择,筛选出含18个特征变量的较优特征子集,然后根据随机森林特征重要性度量选择出重要性得分在0.03以上的8个特征作为最优特征子集,并将该子集分别用于构建基于支持向量机、K-最近邻算法和反向传播神经网络的诊断模型,以验证最优特征子集的故障诊断效果。验证结果显示,该特征选择算法经过两步筛选得到最优特征子集,在2种制冷工况和4种制冷剂充注量水平下,3种故障诊断模型的总准确率分别为99.83%、99.98%、99.96%。