近红外光谱结合Stacking集成学习的猕猴桃糖度检测研究

利用近红外光谱技术Stacking集成学习对猕猴桃糖度的无损检测。以湖北“云海一号”猕猴桃为研究对象,采用红外分析仪获取了280个样本的光谱数据,包含了4000~10000cm^(-1)范围内的1557个波长数据,使用折射仪测量糖度值。通过蒙特卡洛随机采样结合T检验的奇异样本识别算法筛除异常值样本。利用SPXY算法按照4∶1的比例划分训练集和测试集。使用多元散射校正(MSC)、SG平滑滤波(SG)、趋势校正(DT)、矢量归一化(VN)、标准正态变换(SNV)五种方法对数据进行预处理。使用无信息变量消除法(UVE)、竞争性自适应重加权算法(CARS)和区间变量迭代空间收缩特征选择算法(iVISSA)提取特征波长,使用连续投影算法(SPA)进行二次提取,消除共线性变量。由于单一模型的泛化能力有限,为了扩大建模能力,设计了一种基于Stacking算法的集成学习模型。选择贝叶斯岭回归(BRR)、偏最小二乘回归(PLSR)、支持向量机回归(SVR)以及人工神经网络(ANN)作为基学习器,线性回归(LR)作为元学习器建立集成模型,比较不同组合下集成模型的性能。使用Pearson相关系数分析基学习器与集成模型之间的关系。结果表明:在五种预处理方法之中,矢量归一化的效果最佳。对预处理后的光谱进行特征波长提取,结果显示VN-CARS-PLSR模型效果最好,在测试集上的RP2为0.805,RMSEP为0.498。模型提取了177个特征波长,数据量相比于原始光谱减少了88.6%。通过Stacking算法对基学习器进行融合,对比不同的组合方式,发现PLS+SVR+ANN集成模型预测精度最高,RP2达到了0.853,RMSEP下降至0.433。通过Pearson相关系数分析了基学习器对集成模型性能的影响。研究表明,与单一模型相比,Stacking集成模型能够进行更加全面的建模,具有更高的泛化能力,该方法为猕猴桃糖度品质的无损检测提供了技术支持。

基于组合时域特征提取和Stacking集成学习的燃煤锅炉NO_(x)排放浓度预测

为提高火电厂锅炉出口NO_(x)排放浓度的预测精度,提出一种考虑组合时域特征的Stacking集成学习模型。首先,为挖掘数据深层信息,采用时序分析、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)和统计学计算数据标准差、偏度等特征的方法进行组合时域特征提取以构建重构数据;其次,考虑到重构数据中存在的冗余变量对模型的精度有所影响,利用遗传算法(genetic algorithm,GA)对重构数据进行特征降维;最后,为充分发挥各个模型的优势以提高模型的预测精度,构建以极限学习机(extreme learning machines,ELM)、深度神经网络(deep neural networks,DNN)、多层感知器(multilayer perceptron,MLP)、极限梯度提升算法(extreme gradient boosting,XGBoost)为基模型和以回声状态网络(echo state network,ESN)为元模型的Stacking集成学习NOx排放浓度预测模型。实验结果表明:该预测模型在不同数据集下都有着不错的预测效果,预测误差均小于2%,能够对锅炉NOx排放浓度实现精准预测。

基于Stacking算法集成学习的页岩油储层总有机碳含量评价方法

总有机碳含量(TOC)是页岩油储层评价的重要参数,而传统总有机碳含量测井评价方法精度较低且普适性较差,机器学习模型在一定程度上提高了总有机碳含量预测精度,但结果存在不稳定性。为了进一步提高页岩油储层总有机碳含量预测精度,基于有机质岩石物理特征和不同总有机碳含量测井响应特征的深入分析,优选出深侧向电阻率、声波时差、补偿中子和密度测井曲线作为总有机碳含量的敏感测井响应,并将其作为输入特征,以岩心分析总有机碳含量作为期望输出值,分别建立了决策树模型、支持向量回归机模型、BP(Back Propagation)神经网络模型,并建立了以决策树模型为基模型、支持向量回归机模型为元模型的Stacking算法集成学习模型。利用B油田A区块的岩心样本数据和实际井数据对不同模型预测总有机碳含量结果进行了验证,结果表明,基于Stacking算法的集成学习模型的总有机碳含量预测精度最高,相较于决策树模型、支持向量回归机模型、BP神经网络模型和改进的ΔlgR法,预测精度有较大提高。因此,基于Stacking算法的集成学习模型为该研究区最有效的总有机碳含量计算方法,这为准确地评估页岩油储层的生烃潜力、确保页岩油储层的高效开采及资源利用奠定了基础。

基于Stacking集成学习的声波时差测井曲线复原研究

声波时差测井曲线在石油勘探中发挥着不可或缺的作用,但是受地质或仪器的影响,经常会出现部分甚至完整的声波测井曲线缺失的情况。针对这一问题,提出了一种基于Stacking集成学习的声波时差测井曲线复原方法,该模型使用随机森林(RF)、梯度提升决策树(GBDT)、轻量梯度提升机(LightGBM)和极限梯度提升(XGBoost)作为基学习器,支持向量回归(SVR)作为元学习器,同时采用5折交叉验证的方法。实验选取了大庆油田某区块的实际测井数据,分别进行了同井和异井间的缺失声波时差测井曲线复原实验,结果表明,所提方法比单一模型预测更加准确,验证了此方法的可行性。

基于VMD-Stacking集成学习的新能源发电功率预测模型

在“双碳”背景下,新能源发电功率的准确预测对于电力系统的平稳运行至关重要。提出了一种自适应性的VMD-Stacking集成模型,以解决数据集变化时传统学习模型预测精度不高的问题。利用皮尔逊相关系数选择与发电功率强相关的气象特征,通过变分模态分解(Variational mode decomposition,VMD)将功率数据分解为多个模态分量,由此构成新的数据集。运用贝叶斯优化算法调整超参数,综合评判随机森林等8种学习模型的评价指标,自适应选出预测性能最优的3种模型作为基学习器,并选用稳定性和泛化能力相对较强的线性回归(Linear Regression)作为元学习器,建立Stacking融合模型。对各分量的预测值叠加,得到最终预测结果。以某新能源场站为例,对风、光电站的发电功率进行预测。算例验证结果表明,该模型在面对不同数据集时,体现出较强的适应性,预测性能也得到显著的提升。

基于Stacking集成学习的远程资源传输负荷预测

传统电网远程资源传输负荷预测方法忽略了对资源的集成训练,导致电网负荷预测结果与实际值偏差较大。为此,提出基于Stacking集成学习的远程资源传输负荷预测方法。构建Stacking集成学习模型,同时通过长短时记忆网络构建Stacking-LSTM网络混合模型,利用时间滑动窗口构建影响因素数据特征图,并将其输入网络混合模型,利用Stacking基础学习训练层实现训练,并将训练结果输入LSTM网络层,完成电网远程资源传输负荷预测。实验结果表明:该方法的网络收敛速度较快,获取特征的贡献度较高,且负荷预测结果接近实际值,可以较好地跟踪负荷变化情况。

坝基灌浆量预测ISSA-Stacking集成学习代理模型研究

灌浆量预测对坝基灌浆施工具有重要意义.由于灌浆工程隐蔽且复杂,传统方法难以实现准确高效的灌浆量预测.代理模型是一种能够建立影响因素与响应值之间近似关系的快速求解方法,然而单一代理模型的预测稳定性和准确性较低,组合代理模型仅将单一模型结果进行加权平均,预测精度仍有待提高.为解决上述问题,本文提出一种ISSA-Stacking集成学习代理模型新方法用于灌浆量预测研究.首先,针对灌浆量预测具有数据量小、影响因素与灌浆量之间非线性关系复杂且预测不确定性较大等特性,基于Stacking集成学习策略,选取在小样本预测中表现优越的支持向量回归(SVR)、具有良好非线性拟合能力的BP神经网络(BPNN)和预测泛化性能及稳定性高的随机森林(RF)等算法作为基学习器,采用自适应学习和不确定性处理能力强的自适应神经模糊推理系统(ANFIS)作为元学习器以集成上述机器学习算法的优势,构建具有更优预测性能和泛化能力的Stacking集成学习方法作为代理模型;其次,为进一步提高模型预测精度,采用混沌理论和Lévy飞行策略改进的麻雀搜索算法(ISSA)对集成学习代理模型进行参数同步优化;最后,将所提ISSA-Stacking集成学习代理模型应用于某实际灌浆工程的灌浆量预测并与其他方法进行对比分析.结果表明,所提方法具有较高的预测精度,绝对平均误差仅为0.21 m^(3);与组合代理模型及单一代理模型(SVR、BPNN和RF)相比,平均精度分别提高24.34%、30.84%、32.68%和26.56%,为灌浆量预测提供了一种新思路.

基于Stacking集成学习的轨道交通短时客流量预测研究

针对轨道交通客流量预测问题,文章以南宁市轨道交通1号线为对象,提出了一种基于多模型Stacking集成学习的方法,对客流量进行预测并进行评估。通过融合XGBoost、LightGBM和LSTM模型,利用各模型优势互补,降低过拟合风险,提高预测准确性和泛化能力。结果显示:Stacking模型在客流量预测中表现优异,与实际值接近,评价指标表现良好,可有效提高运营效率和管理决策水平。

基于Stacking集成学习模型的苹果树逐日蒸散量模拟研究

为准确模拟苹果树逐日蒸散量,以支持向量机(SVM)、多层感知机(MLP)、随机森林(RF)和梯度提升决策树(GBDT)为初级学习器,以多元线性回归(MLR)为次级学习器,基于Stacking策略建立集成学习模型(LSM),将LSM模型的模拟精度与MLR、SVM、MLP、RF、GBDT模型的模拟精度进行对比。结果表明,影响苹果树蒸散量的主要因子为日平均太阳辐射、相对湿度、风速、温度和日序数,最大互信息值分别为0.97、0.72、0.63、0.62、0.60,表层土壤温度及土壤含水率对蒸散量的影响较小。相比于MLR、SVM、MLP、RF、GBDT模型,LSM模型的模拟精度最高,MLR模型的模拟精度最低;使用日平均太阳辐射、相对湿度、风速、温度及日序数5个特征参数在准确模拟苹果树蒸散量的同时,还能降低特征的获取成本。研究结果可为苹果树逐日蒸散量的精准模拟提供有效方法。

基于Stacking集成学习的剩余使用寿命预测

剩余使用寿命(RUL)预测对于设备维护策略的制定有着关键作用。面对可变环境和多样的操作条件,单一寿命预测模型的性能波动较大,泛化能力弱。针对这一问题,提出一种融合多个相异模型的Stacking集成模型,纠正单一模型的预测误差。首先,对状态监测数据进行滑动时间窗口处理,获得具有时间序列信息的性能退化数据;然后,以提高模型的准确性和多样性为目标,确定基学习器的种类;最后,将梯度提升决策树(GBDT)作为元学习器,整合基学习器的预测结果,输出最终结果。基于NASA C-MAPSS数据集,对提出的集成模型进行验证,结果表明:Stacking集成模型的预测精度显著高于基学习器,与其他传统预测模型相比,也具有明显优势。

基于Stacking集成学习的分频地震属性融合储层预测方法

地震属性蕴含大量储层信息,融合多种地震属性可提高储层预测精度。由于地下地质结构复杂、非均质性强,依据单一的地震属性融合方法难以精细刻画储层特征。为此,提出了一种基于Stacking集成学习的分频地震属性融合储层预测方法。该方法主要包括3个部分:①根据不同厚度储层的振幅与频率关系,利用多个频率的地震信息,降低地震属性的多解性;②联合相关性分析和无监督聚类技术优选地震属性,剔除冗余属性特征;③利用能够综合多个差异化模型优势的Stacking集成学习模型,融合不同频段的地震属性,提高地震属性的解释精度。将该方法用于渤海湾盆地埕岛油田,并使用线性公式定量分析法进一步评估Stacking模型的泛化效果。结果显示:与单类预测模型相比,Stacking模型的综合预测性能和可靠性均有显著提升;对应的地震属性融合结果高值区形态更加清晰,融合属性与砂体厚度的相关系数可达到0.92,这表明该方法具有良好的应用前景。

基于Stacking集成学习的枣树智能灌溉系统设计与试验

南疆降雨量少,气候干燥,农业用水紧张,水资源节约尤为重要,针对此问题设计一套智能灌溉系统。系统使用阿里云服务器作为上位机,树莓派作为下位机,并搭建相应的操作页面。根据Penman-Monteith公式中需要的气象数据、过去7天需水量以及前1天气象数据为输入向量,作物需水量为输出向量,构建基于随机森林、BP神经网络与岭回归的Stacking集成学习预测模型。结果表明Stacking集成学习预测模型拟合系数R 2为0.973,且MAE、RMSE、MAPE三类误差更小,Stacking集成学习预测模型预测效果更强。灌溉试验中自动灌溉决策正确,系统运行稳定,为新疆地区农业提高水资源利用问题提供思路。

基于Stacking集成学习的机械钻速预测方法

机械钻速是评估石油天然气钻井作业效率的重要指标。为准确预测新疆工区某油田钻井机械钻速,基于该工区的历史钻井数据,利用局部离群因子检测算法对数据进行预处理,建立了基于Stacking集成学习的机械钻速预测模型,该模型通过Stacking集成策略融合K近邻算法(KNN)、支持向量机算法(SVM)和随机森林算法(RF)进行预测验证。预测验证结果显示,分类准确度不高。运用遗传算法进行各基础模型参数优化。优化后,基于KNN、SVM、RF及Stacking集成4种算法,预测机械钻速准确率分别为73.7%、78.9%、81.6%及97.4%,其中Stacking集成模型预测准确率最高。基于Stacking集成学习的机械钻速预测方法开发了机械钻速预测软件,运用软件预测其他2套施工参数下的机械钻速,结果表明,预测机械钻速与实际机械钻速一致,且性能稳定,表明该模型拥有较强的泛化性和较高的预测精度。该智能算法可为新疆工区的该油田机械钻速预测与钻井施工参数优化提供一种新手段。

基于Stacking集成学习的无缝钢管连轧电耗预测

无缝钢管生产作为高能耗行业的典型代表,其节能降耗一直都备受关注。通过预测电耗,企业可以找到节能降耗的有效途径,从而减少生产过程中的电能消耗,提升生产效率。为提高无缝钢管连轧电耗预测精度,采用一种改进的Stacking集成学习模型对电耗进行预测。首先,对采集到的电耗数据进行预处理,并基于嵌入法采用XGBoost和LightGBM进行特征选择;然后,采用随机搜索和贝叶斯优化结合的方法对基学习器开展超参数优化,在Stacking集成模型的首层中,选择LightGBM、ET和MLP作为基学习器;最后,根据基学习器在数据上的预测表现来赋予它们相应的权重,同时将原数据集也加入元学习器训练。结果表明:改进的Stacking集成学习模型具有最好的预测效果,其R^(2)为0.975 7,预测精度比单一基学习器和传统的Stacking集成学习模型都要高,证明了所提方法的有效性。

基于Stacking集成学习的盾构掘进地表沉降预测方法

为提高盾构施工中地表最终沉降预测模型的准确性和泛化性,结合主成分分析(PCA)和多层堆叠集成算法(Multi-layer Stacking)提出PCA-Stacking盾构掘进地表沉降预测方法。该方法利用PCA算法对盾构掘进过程中产生的大量数据进行处理,以减少特征维度并提取关键信息;此外,通过多层Stacking算法将多个异质模型进行融合,在提高模型预测性能的同时避免子模型间的优化比选。依托上海市北横通道超大直径盾构隧道工程,对盾构工程中的多源数据进行处理,对比PCA处理前后Stacking模型的性能,并将PCA-Stacking模型与RF、XGBoost模型进行对比。研究结果表明:1)PCA处理前后,Stacking模型的R 2分别为0.792和0.831,PCA对Stacking模型性能有一定提高;2)超参数优化后,RF和XGBoost的R 2分别为0.748和0.612,其性能弱于未进行超参数优化的PCA-Stacking;3)PCA-Stacking模型对地表隆起、沉降变化高度都具有良好的预测能力;4)在盾构掘进地表沉降预测方面,异质子模型的PCA-Stacking算法优于同质子模型的集成算法。

基于WOA-Stacking集成学习的注塑产品尺寸预测

在现有的基于机器学习的注塑产品尺寸预测模型中,存在单一模型预测精度不高的问题,为了提高实时监测注塑产品尺寸变化的精度,提出了一种基于鲸鱼优化算法(WOA)优化Stacking集成学习的注塑产品尺寸预测方法。首先,整合注塑过程收集到的数据,使用3σ准则进行异常值筛选,再通过随机森林法和互信息法选取关键的特征,作为后续模型的输入特征;其次,在Stacking集成学习框架中,选择K近邻、随机森林和轻量级梯度提升机作为基学习器,选择弹性网络回归作为元学习器,使用WOA优化各个基学习器中的超参数,构建WOA-Stacking集成学习预测模型;最后,将所提的模型应用到注塑产品尺寸预测并与其他模型进行对比分析,以验证本方法的有效性。以第四届工业大数据创新竞赛数据为例,在包含3种集成模型和3种单一模型的对比实验中,选择产品的三维尺寸作为预测目标,实验结果表明WOA-Stacking集成学习模型具有更高的预测精度和拟合能力。

基于Stacking集成学习的窃电检测研究

基于单一模型的传统窃电检测精度有待提高,应用Stacking集成学习策略,提出一种新的窃电模型,并根据实际业务需要构造MAP(mean average precision)检测指标。为实现降维效果,按时间多维度拆解用户日用电量特征,并采用Embedding特征选择,选取其中的重要度高特征;采用贝叶斯优化调参,结合XGBoost、LightGBM和CatBoost集成模型对数据进行交叉验证和预测;分别拼接验证结果和预测结果,Stacking的基分类器采用逻辑斯蒂回归进行集成训练,输出最终预测结果。以2016 CCF竞赛数据为算例,验证了所提出的窃电模型的有效性和可行性。

基于空间相关性与Stacking集成学习的风电功率预测方法

针对目标气象预报数据缺失导致风电预测精度不足的问题,提出一种基于空间相关性和Stacking集成学习的风电功率预测方法。首先,分析目标风电场与相邻气象站点之间的空间相关性,根据相关系数极值点确定延迟时间,构建风速时移数据集;其次,利用Stacking集成方法融合多元算法,从多个数据观测角度预测目标风电场的风电功率,实现不同算法的优势互补,提升整体泛化能力,并采用粒子群优化算法搜索模型超参数,较好地平衡搜索时间与模型效果;最后,采用华东地区某风电场的实测数据验证了文中所提方法的有效性和准确性。结果表明,通过考虑不同位置的信息偏差,从数据输入和预测模型两方面可有效提高数据缺失情况下的风电预测精度。

基于残差注意力自适应去噪网络和Stacking集成学习的局部放电故障诊断

针对传统局部放电(Partial Discharge,PD)故障诊断方法在处理复杂含噪PD信号存在局限性并依赖于人工去噪和专家经验,难以学习到PD特征多样化表达等问题,分别提出残差注意力自适应去噪网络(Residual Attention Adaptive Denoising Network,RAADNet)和基于Stacking集成学习的PD故障诊断模型。RAADNet基于残差网络结构设计,通过集成CAM注意力机制和软阈值函数实现自适应去噪;Stacking集成模型的基学习器分别由基于卷积神经网络的RAADNet、基于多头自注意力机制的Transformer以及基于Boosting集成策略的XGBoost多个差异化模型共同构建构成。实验结果表明,提出的RAADNet优于其他先进方法,识别准确率达到93.99%,Stacking集成模型则通过学习多样化特征表达,进一步提高模型性能,达到96.79%识别准确率。

VMD-Stacking集成学习的多特征变量短期负荷预测模型

针对当前短期电力负荷预测结果准确度不够高的问题,提出一种由变分模态分解(variational modal decomposition, VMD)和Stacking集成学习框架组合的多特征变量短期负荷预测模型。在预测前使用VMD算法将负荷数据分解,然后加入对模型重要性较高的特征变量,再建立由轻量级梯度提升机(light gradient boosting machine, LightGBM)与极限梯度提升机(extreme gradient boosting, XGBoost)融合的Stacking集成学习预测模型,并比较不同天气情况下对预测模型准确度的影响。经实际算例对比验证表明:多特征的VMD-Stacking集成学习预测模型的误差较小。采用VMD算法分解历史负荷序列,分解后子模态分量的周期性体现了出来,让模型预测波动性较大的负荷时更容易;温度、天气、农历和节假日情况等影响负荷变化的关键因素有被考虑到,模型的准确度得以提高;Stacking集成学习模型对各算法取长补短,泛化能力增强,预测的准确度高于单一模型。