基于XGBoost分类算法的热舒适预测模型

为考虑个性化因素对热舒适的影响,建立一种基于XGBoost分类算法的热舒适预测模型。利用独热编码的方法对原始数据进行特征参数转换,将转换后的数据作为XGBoost分类算法的输入,经迭代训练后获得最佳的公共建筑中人体热舒适预测模型;利用SHAP值对模型特征参数进行解释,得出影响个性化热舒适的关键因素。结果显示:XGBoost分类算法的热舒适预测模型在受试者工作特征(ROC)曲线下的面积(AUC)和准确率分别为0.95,89%,均优于随机森林、逻辑回归、支持向量机、神经网络等算法模型,表现出较高的预测精度;影响个性化热舒适的关键因素为空气温度、相对湿度、空气风速和体重。

基于改进StackCNN网络和集成学习的脑电信号视觉分类算法

针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。

基于因素空间理论的扫类连环多分类算法

为解决多分类问题,基于因素空间理论中因素显隐的思想,在扫类连环分类算法基础上,定义类别的合并,提出因素显隐的合并扫类连环分类方法,给出算法步骤,并用数值算例进行分析;定义类别的两两组合,提出因素显隐的两两扫类连环分类方法,给出算法步骤,并用数值算例进行分析。提出采用因素显隐的差额绝对值方法解决两个算法执行过程中出现的决策类别分不开的问题;对UCI数据集中3个实例与支持向量机作了算法对比分析,研究结果表明:提出的合并扫类连环分类方法、两两扫类连环分类方法实现了因素显隐,分类算法的精确度优于支持向量机。多分类学习的因素显隐研究结论拓展了因素空间的理论及应用研究。

基于XGBoost算法的人—虎共存区域风险等级划分

以2014—2019年珲春地区红外相机拍摄的东北虎数据为基础,基于XGBoost算法构建了虎出没区域风险等级划分模型。由模型检验可知:模型的准确率为93.51%,精确率为93.85%,召回率为93.08%,F1值为93.31%,Cohen s Kappa统计系数为90.2%。研究结果表明:基于XGBoost算法构建的人-虎共存区域风险等级划分模型分类效果好、预测准确度高,运用该模型对人-虎共存区域进行风险等级划分是可行的。

基于XGBoost算法的v_(P)/v_(S)预测及其在储层检测中的应用

鄂尔多斯盆地碳酸盐岩地层蕴含着丰富的油气资源。在勘探实践中发现,大牛地气田马家沟组断层发育、断距小,类型多样且成因复杂,给勘探、开发带来了较多挑战。为了应对这些挑战,提高储层预测的精度变得至关重要。在分析大牛地气田敏感弹性参数的基础上,建立地震属性与储层纵横波速度比(v_(P)/v_(S))的关系,提出一种基于XGBoost算法的地震多属性v_(P)/v_(S)预测方法。为了进一步提升XGBoost算法的预测精度和泛化能力,采用贝叶斯算法对XGBoost算法的超参数进行优化,从而找到最佳的超参数组合,以确保模型在训练集和测试集上的性能均能得到提升。将XGBoost算法应用于Marmousi 2模型进行横波速度预测,预测值与实际值相关系数超过0.88,而均方误差、平均绝对百分比误差分别低于6.55×10^(-7)和4%,验证了该方法的准确性和可靠性。在鄂尔多斯盆地大牛地气田,应用该方法获得的v_(P)/v_(S)成功识别出含气储层,结果与实际钻井数据一致。理论模型和实际数据应用结果表明,XGBoost作为一种强大的机器学习算法预测精度较高,为直接由叠后地震属性预测v_(P)/v_(S)提供了一种有效的途径。

基于遗传算法优化C-LSTM模型的心律失常分类方法

结合遗传算法全局寻优的特点提出一种GC-LSTM模型,该模型通过特定遗传策略的遗传算法自动迭代搜寻C-LSTM模型最佳超参数配置。利用遗传迭代结果配置模型,并按照医疗仪器促进协会制定分类标准在MIT-BIH心律失常数据库上进行验证。经过测试,本文提出的GC-LSTM模型在分类准确率(99.37%)、灵敏度(95.62%)、精确度(95.17%)、F1值(95.39%)上相较于手动搭建模型均有所提升,且与现有主流方法相比亦具备一定优势。实验结果表明该方法在避免大量实验调参的同时取得较好的分类性能。

基于改进级联算法的不平衡数据集分类检测算法

以提升不平衡数据集分类检测为研究目标,提出基于改进级联算法的不平衡数据集分类检测算法.首先,采用卡尔曼滤波法进行数据去噪预处理,利用小波阈值去噪算法二次消除噪声数据,并对去噪结果进行归一化预处理;利用DPC算法提取数据的局部密度特征,利用时间编码挖掘数据的时序性特征,采用Apriori算法的强关联规则提取数据集特征;利用模糊层次聚类算法对支持向量机进行优化,实现数据类型的划分;利用改进的级联算法联合布谷鸟算法实现不平衡数据集分类检测.实验结果表明本方法的分类协方差低于0.15,检测准确率高于95%,检测时间低于2.2 ms,有效提升了不平衡数据集分类检测效果.

基于XGBoost算法的低渗透致密气井动静一体化分类模型

子米气田为典型的低渗透致密气田,不同气井储层物性及生产特征差异大,开发策略亟需改善。针对该问题,提出了一种基于XGBoost算法的致密气井分类方法。通过计算特征参数的皮尔逊相关系数,判断4个动态、5个静态特征参数与气井产能的相关程度,以此确定模型的输入特征。然后基于XGBoost算法,通过参数优化,完成模型训练并对子米气田进行气井分类。研究表明:影响气井分类的主要因素为生产配产、原始地层压力、有效厚度、孔隙度和无阻流量;子米气田1、2类气井产能主要受到储层厚度和基质渗透率的影响,3类气井产能主要影响因素为有效厚度和含气饱和度;与专家划分结果相比,模型分类结果准确率为92.3%。该研究提高了气井分类实效性,降低了人为主观性,分类结果切合矿场实际,对气井分类管理和开发策略的制订有一定的指导意义。

基于贝叶斯优化XGBoost算法的电影评分预测研究

电影评分是反映观众对电影喜爱程度的重要依据。针对当前电影评分预测模型涵盖影响电影评分特征因素不足、预测准确率不高、模型过于简化等问题。为解决这些问题提出了一种基于贝叶斯优化XGBoost算法预测模型。该模型整合了影响电影评分的13个关键因素。首先收集电影网站数据,并进行数据预处理和文本向量化等操作,然后结合优化的贝叶斯算法筛选出与电影评分高度相关的特征,并进行最佳参数确定,最后根据最佳参数评估模型。实验表明,评价指标中的决定系数由优化前的0.577提升到0.763,增加了32.2%,均方误差和平均绝对误差分别降低了44.1%和29.7%。因此该模型具有较高的预测准确性,有望在实际应用中取得良好效果。

基于改进遗传算法的垃圾分类回收选址-路径优化研究

本文主要针对垃圾回收选址-路径问题进行研究,加入了垃圾分类。建立了考虑垃圾分类的垃圾回收中转站选址-路径模型,最小化物流总成本。根据问题模型特点,设计了改进遗传算法来对问题进行求解。采用自适应交叉、变异算子、变邻域算法以及精英保存策略来对算法进行改进。

基于机器视觉的垃圾分类算法研究与应用

垃圾分类识别算法是目前研究的热点问题,本文通过引入色块追踪模块Lab颜色模型对YOLOv3算法进行优化,利用优化后的算法搭建训练模型。并针对目前垃圾类别利用网络爬虫爬取日常生活中常见的垃圾图像并进行分类,形成数据集。其次通过优化的YOLOv3算法对处理好的数据集进行模型训练,将训练后的模型进行模型检测。最后通过实际测试,优化后的YOLOv3算法识别的平均准确率达到了94.33%,与原始算法相比,优化后的算法在稳定性和准确度上都有了明显的改善。

基于改进SPRINT分类算法的数据挖掘模型

为解决目前数据挖掘模型分类时间长、挖掘准确率不高的问题,提出基于改进决策树分类算法(SPRINT)的数据挖掘模型。先采用最大-最小规范化公式完成原始数据线性变换,利用改进后的SPRINT分类算法按照输入数据特性进行分类,使用协同过滤技术生成与数据相近的属性集,计算数据属性相似度,生成语义规则集,为用户提供更优的数据服务。选取某公司营销数据集作为样本进行对比实验,结果表明,与对比模型相比,所提出的数据挖掘模型分类时间更短,挖掘准确率更高,能为用户提供更优质的数据服务。

数据故事化解释中分类型预测结果的反转点识别方法研究——基于LIME算法

[目的/意义]实现数据故事化中的反转点识别,有助于非专业人士理解分类型预测结果的产生原因,同时对于推动故事情节发展并使其快速到达故事高潮点具有促进作用。[方法/过程]提出故事点与反转点概念,基于LIME解释技术和反转点识别过程,设计了用于数据故事化中反转点识别的算法方案,并提出了面向分类模型的反转点识别流程。[结果/结论]将反转点识别算法应用到贷款数据集,证明此算法在数据故事化过程中寻找反转点的有效性,在获得用户期望的预测结果和快速识别反转点方面具有应用价值。

基于ADASYN-XGBoost算法的光伏出力预测研究

随着光伏发电大规模并入电网,由此产生的源端可供电量不确定性问题日益突出,精准预测光伏出力,对电网资源优化配置、提升光伏消纳能力起着关键的支撑作用。通过研究影响光伏出力的关键要素,以历史气象特征数据为输入构建光伏出力预测模型,在实践过程中,对存在的主客观问题,从算法层面进行了模型优化。(1)针对光伏电站历史运行样本量小、气象特征变化多,导致诸多稀疏特征样本的问题,引入了ADASYN自适应采用算法,进行数据集重平衡;(2)通过XGBoost算法搭建了基于气象特征的光伏出力模型,并与传统的BP神经网络进行比较。通过某光伏电站的实际历史数据预测结果比较,结合ADASYN过采样和XGBoost算法,能有效提升模型的准确性;较BP神经网络相比,ADASYN-XGBoost算法的MAE、RMSE、MAPE和R2分别提高了66.7%、68.9%、58.0%和1.6%,评估指标明显优化。

基于XGBoost算法的烤烟采收成熟度图像识别

【目的】为实现智能精准识别烟叶采收成熟度。【方法】以云烟87为试验材料,利用OpenCV和灰度共生矩阵(GLCM)提取图像特征,构建极限梯度提升(XGBoost)算法模型从而实现对鲜烟叶成熟度识别。【结果】①鲜烟叶图像特征中,R(红,red)、G(绿,green)、B(蓝,blue)分量和ASM(角二阶矩)随着成熟度的增加呈现较为明显的上升趋势,其他图像特征变化不显著;②经F分数(F-score)、AUC值(受试者工作特征曲线与坐标轴之间的面积)和准确率逐步筛选,得出R1(R分量均值)、G1(G分量均值)、B1(B分量均值)、S2(S分量方差)和B2(B分量方差)等5个特征参数,据此建立的XGBoost算法模型对烟叶成熟度识别准确率达到95.85%,比22维特征参数建模的准确率高0.41%,比BP神经网络模型高4.71%。【结论】基于机器视觉下的XGBoost算法可准确、高效地识别鲜烟叶成熟度。

基于XGBoost算法的船舶油耗预测模型

船舶油耗预测是实现船舶能效评估与优化决策的基础与前提,对船舶航线航速设计,实现船舶能效优化有重要的意义。基于船舶实测航行数据和环境数据,通过相关性分析提取对船舶油耗影响较大的特征因素,并将特征因素作为模型的输入参数;通过数据清理技术并参照相关国际标准对特征因素进行筛选,得到建模的样本数据;把样本数据按0.8∶0.2的比例随机分为训练样本和测试样本,采用XGBoost算法建立油耗预测模型,并通过预测测试样本的油耗验证模型的准确性。该模型决定系数达到0.967,运行时间为2.723 s,与神经网络模型的准确率几乎一致且运行时间缩短了70%,适用于船舶航行决策中的油耗快速计算和实时预测。

基于SA-PSO算法优化CNN的电能质量扰动分类模型

针对传统电能质量扰动分类模型中扰动特征复杂、识别步骤繁琐的问题,提出了一种通过模拟退火(SA)算法与粒子群优化(PSO)算法相结合来优化卷积神经网络(CNN)的电能质量扰动分类模型。将CNN卷积层中的二维卷积核替换成一维卷积核;采用SA算法对PSO算法进行改进,规避PSO算法陷入局部最优的困境;采用改进后的PSO算法对CNN进行参数寻优;利用优化CNN提取和筛选合适的特征,根据这些特征利用分类器得到最终分类结果。通过算例分析得出,使用基于SA-PSO算法优化的CNN的电能质量扰动分类模型能精确地识别出电能质量扰动信号。

结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类

由于湿地类别多样且结构复杂,湿地遥感分类工作极具挑战性。本文以珠江口滨海湿地为研究区,基于珠海一号高光谱影像获取的光谱特征、形状特征、纹理特征和指数特征构建优选特征集,采用极端梯度提升(XGBoost)算法和面向对象技术提取湿地类型和空间分布,并对比分析基于支持向量机(SVM)算法和随机森林(RF)算法的湿地分类结果。结果表明:(1)珠海一号高光谱影像能够有效应用于湿地分类,且光谱特征在湿地分类中发挥了重要作用;(2)使用的机器学习算法中XGBoost算法的湿地分类效果最佳,总体精度为87.2%,Kappa系数为0.84;(3)优选的影像特征能够保证更高的湿地类型识别精度,验证了特征筛选有助于提高分类效果。本文发展了一种基于珠海一号高光谱影像和集成学习的大区域湿地类型识别方法,可为湿地资源调查提供有效的技术参考,服务于湿地的保护与开发利用。

基于参数优化VMD与XGBoost算法的玉米蛋白粉价格预测

玉米蛋白粉价格稳定对饲料工业可持续发展和国家粮食安全具有重要意义,但其价格序列具有非平稳、非线性特征,难以精确预测。试验旨在基于XGBoost算法,构建玉米蛋白粉价格预测模型。首先,利用鲸鱼算法(WOA)优化变模分解(VMD)的K值和惩罚参数,对原始价格序列进行自适应分解,降低数据噪声。其次,将Pearson特征筛选后的变量作为极限梯度提升树(XGBoost)模型的输入,进行训练和测试。最后,使用10折交叉验证和学习曲线检验模型性能,并结合SHAP模型分析关键影响因素的非线性效应。结果显示,上一期豆粕期货价格对本期玉米蛋白粉价格波动具有显著的正向影响。研究表明,贝叶斯算法(BO)优化的XGBoost模型具有较好的预测性能,优于基准模型。

融合文本分类算法的皮肤病辅助诊疗模型

针对当前皮肤病辅助诊断中生物医学特征建模规模较小且耗费巨大人工成本,而患者疾病特征的时间序列同样无法准确描述等难点,本研究运用融合文本分类算法,融合常用的文本分类模型TextLSTM、TextCNN、RCNN得到皮肤疾病辅助诊疗模型(TLNN模型),通过提取图像传感器医学特征向量化后进行预处理减少焦块数量以及消除偏差较大的特征信息,提高决策数据精度。在ISIC2018和PH2数据集进行对照实验,TLNN模型的准确率为72.36%,高于其余3种文本分类模型。在与医生主观诊断对比实验中,模型诊断准确率为92%,接近于医生94%的平均准确率,而有效诊断效率(1.17min/例)明显高于医生人工诊断(4.57min/例),整体效率提升幅度达290%,结果表明对比传统人工诊断,融合文本分类算法模型能以更短时间获得精确的诊断。TLNN模型可以应用于疾病诊断,辅助医生医疗决策,为患者提供优质便捷的智能诊疗服务。