顾及地球物理效应的GNSS高程时间序列AdaBoost预测和插值方法

传统的GNSS高程时间序列预测和插值方法仅考虑时间变量,具有明显的局限性。本文顾及地球物理效应的影响,通过温度、大气压强、极移等数据和GNSS高程时间序列数据构建回归问题,使用自适应提升(AdaBoost)算法建模。为了验证模型的预测和插值性能,试验选取4个GNSS站的高程时间序列进行分析。建模试验表明,相较于Prophet模型,AdaBoost模型的拟合精度提升了约35%;预测结果表明,在12个月的预测周期内,AdaBoost模型在4个GNSS站的MAE值为4.0~4.5 mm,RMSE值约为5.0~6.0 mm;插值试验表明,相较于三次样条插值方法,AdaBoost插值模型的精度约提升了15%~28%。预测和插值试验表明,顾及地球物理效应的AdaBoost模型可以应用于GNSS高程时间序列预测与插值。

基于PCA-Adaboost-GBDT的短期风电功率预测

为解决单一预测模型难以准确预测风电功率的问题,提出了一种基于主成分分析(principal component analysis,PCA)-自适应增强(adaptive boosting,Adaboost)-梯度提升树(gradient boosting decision tree,GBDT)的风电功率短期预测方法。使用PCA方法对数据降维分析,使用Adaboost-GBDT组合模型对风电功率数据进行训练。结果表明,所提算法在准确性和效率方面都具有明显的优势。研究结果为风电功率准确预测提供参考与借鉴。

基于KPCA融合AdaBoost-IBOA-ELM模型的TE过程故障诊断

为了保障化工系统的安全运行和高质量生产,准确判别化工过程的故障就显得尤为重要。针对田纳西-伊斯曼(Tennessee Eastman,TE)过程故障难以区分以及神经网络等方法在故障诊断中分类准确率较低、分类不稳定等问题,提出一种优化改进极限学习机(extreme learning machine,ELM)的TE过程故障诊断模型。首先利用核主成分分析(kernel principal components analysis,KPCA)方法对TE过程数据进行降维和特征提取,然后采用改进蝴蝶算法(improved butterfly optimization algorithm,IBOA)优化ELM的权值和阈值,最后利用自适应提升(adaptive boosting,AdaBoost)算法对分类器进行集成,完成故障分类。仿真结果表明,IBOA比其他优化算法具有更好的寻优能力,改进效果显著,AdaBoost-IBOA-ELM模型能够对测试集中的不同故障进行准确分类,最后的分类准确率高达98.5%,通过和其他网络对比,进一步验证了模型的合理性和优越性。

基于VMD与AdaBoost-SCN的海缆振动信号识别方法

海底光缆的在线监测和振动信号识别是保证其正常运行的关键技术。搭建了基于布里渊光时域分析系统,模拟不同工况下的海缆振动信号。针对海缆振动信号信息丰富、信噪比低,使用单一随机配置网络(stochastic configuration network,SCN)模型对信号识别准确率不高的问题,提出了自适应增强(adaptive boosting,AdaBoost)算法优化的随机配置网络(AdaBoost-SCN)识别方法。首先用变分模态分解(variational mode decomposition,VMD)算法分解海缆振动信号,构建特征向量;然后采用AdaBoost-SCN算法对振动信号分类。结果表明,所提方法有着很高的精度,并且具有很强的鲁棒性与泛化能力,提高了布里渊光时域分析系统振动信号识别的有效性。

基于CNN-ADABOOST的车载设备故障诊断

列控车载设备故障量大,其诊断依赖于专家经验且故障信息数据分布不平衡。以CTCS3-300T型列控车载设备中CTCS-3控制单元(ATPCU)记录的故障词条为样本,提出一种卷积神经网络(convolutional neural networks,CNN)与自适应增强(adaptive boosting,Adaboost)算法结合的车载设备故障诊断方法。考虑到列控车载日志为半结构化文本,采用skip-gram模型对故障词条进行处理生成词向量,通过CNN进行特征提取,将CNN作为基分类器,通过Adaboost更新样本权重与基分类器权重生成强分类器对分布不平衡的故障数据进行分类,实现列控车载设备的故障诊断。实验数据为某铁路局电务段原始车载日志,研究结果表明,基分类器迭代步数与数目是影响模型性能的关键因素,通过确定基分类器数目与单个基分类器训练步数,可显著提升模型对于不平衡数据样本的分类能力。研究成果为车载设备故障诊断提供了一种智能且有效的方法。

基于自适应模糊PID算法的锂电池组双层均衡控制

为提高电池重组时的均衡效率,在传统Buck-Boost均衡拓扑电路的基础上,设计了一种锂电池组双层均衡拓扑电路。组内采用Buck-Boost电路均衡,组间利用双向反激变压器进行均衡。均衡控制策略采用自适应模糊PID算法,以电池荷电状态(state of charge, SOC)为均衡变量,利用模糊控制算法对PID参数进行调节,缩短了均衡时间,提高了均衡效率。在Matlab/Simulink中搭建了锂电池组双层均衡拓扑电路和自适应模糊PID控制算法模型。实验结果表明:在不同工作状态下,所提出的电池组均衡拓扑及其控制策略将均衡时间效率平均提高了58.36%,验证了该方案的有效性。

基于集成学习的交通事故严重程度预测研究与应用

目前自动驾驶技术重点是关注如何主动避免碰撞,然而在面对其他交通参与者入侵而导致不可避免的碰撞事故场景时,预测车辆在不同行驶模式下的碰撞严重程度来降低事故严重程度的研究却很少。为此,提出一种双层Stacking事故严重程度预测模型。基于真实交通事故数据集NASS-CDS完成训练,模型输入为车辆传感器可感知得到的事故相关特征,输出为车内乘员最高受伤级别。在第1层中,通过实验对不同学习器组合进行训练,最终综合考虑预测性能以及耗时挑选K近邻、自适应提升树、极度梯度提升树作为基学习器;在第2层中,为降低过拟合,采用逻辑回归作为元学习器。实验结果表明,该方法准确率达到85.01%,在精确率、召回率和F1值方面优于其他个体模型和集成模型,该预测结果可作为智能车辆决策规划模块先验信息,帮助车辆做出正确的决策,减缓事故损害。最后阐述了模型在L_(2)辅助驾驶与L_(4)自动驾驶车辆中的应用,在常规车辆安全防护的基础上进一步提升车辆的安全性。

基于Elman_AdaBoost强预测器的目标威胁评估模型及算法

目标威胁评估是协同目标攻击中的关键问题.为提高空战目标威胁评估的准确性和实用性,建立了E-lman_AdaBoost强预测器目标威胁评估模型及算法.首先,介绍了Elman_AdaBoost强预测器;其次,建立了Elman_Ad-aBoost强预测器目标威胁评估模型;最后,提出了基于Elman_AdaBoost强预测器目标威胁评估模型的算法.采集75组数据用于实验,其中60组作为训练集,15组作为测试集.分别选择Elman网络隐层节点数L=7,11,14,18和弱预测器数目K=6,10,16,20进行实验,结果表明,Elman_AdaBoost强预测器算法预测误差远小于弱预测器且在L=7和K=6时误差达到最小.Elman_AdaBoost强预测器目标威胁评估模型和算法具有很好的预测能力,可以快速、准确地完成作战目标威胁评估.

BP-AdaBoost模型在光纤陀螺零偏温度补偿中的应用

针对光纤陀螺零偏漂移随温度呈复杂的非线性变化,建立了BP-AdaBoost(Back Propagation neural network,Adaptive Boosting)模型对零偏进行补偿,改善了光纤陀螺的零偏稳定性能.同时,研究了模型参数对预测精度的影响,给出了BP神经网络隐含层神经元个数的选择以及AdaBoost模型迭代次数的确定方法.运用AdaBoost算法提升单个BP神经网络的预测能力,提高了集成模型整体的预测精度.对采集的光纤陀螺输出实测数据进行了事后仿真,结果表明,BP-AdaBoost模型相比传统的线性回归模型、混合线性回归模型、单个BP神经网络模型的补偿效果更显著,验证了该模型的有效性,具有重大的工程应用参考价值.

支持向量机与AdaBoost的结合算法研究

将支持向量机与AdaBoost算法相结合,称其为Boost-SVM。从提升泛化性能和预测精度等方面对支持向量机的学习算法进行了研究与比较。Boost-SVM实验结果表明,该算法提高了支持向量机的预测精度并优化了学习机的性能。

P300 Speller中基于AdaBoost SVM的导联筛选研究

P300 Speller是目前少数可以用于临床残疾人功能补偿的脑-机接口系统,P300 Speller的字符识别效率与脑电信号采集的头皮表面电极位置密切相关,过多的电极不但增加了使用者的不适感,且易引入噪声干扰进而影响系统的稳定性。采用并发展了一种基于AdaBoost SVM(adaptive boosting support vector machine)的特征筛选方法,对脑电导联进行优化筛选,通过对6位受试者的实验数据处理及分析,结果表明该方法可以在不显著影响识别效率的基础上降低导联数量76%以上。另外,相较于经典的SVM-RFE特征筛选方法,该方法极大降低了计算复杂度,更适用于训练数据庞大的脑电特征优化问题。

基于分类器相关性的Adaboost人脸检测算法

为了提高传统Adaboost算法的集成性能,提出一种基于分类器相关性的Adaboost算法。该方法在弱分类器的训练过程中加入分类器的相关性判定,使每一个弱分类器的生成不仅与当前分类器有关,而且与前面若干个分类器相关,并将由此生成的弱分类器组合成新的强分类器。在CMU正面人脸检测集上的仿真结果表明,较传统的Adaboost算法,基于分类器相关性的Adaboost人脸检测算法具有更好的检测效率,同时降低了误检率。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

基于相关性的AdaBoost人脸检测算法

为提高传统AdaBoost算法的集成性能,降低算法复杂度,提出2种基于分类器相关性的AdaBoost算法。在弱分类器的训练过程中,加入Q统计量进行判定。每个弱分类器的权重更新不仅与当前分类器有关,而且需要考虑到前面的若干分类器,以有效降低弱分类器间的相似性,剔除相似特征。仿真结果表明,该算法具有更好的检测率,同时可降低误检率,改进分类器的整体性能。

基于K-means聚类与集成学习算法的小流域山洪灾害易发性评估

为了更好地分析空间异质性对山洪灾害易发性评估的影响,建立了基于K-means聚类与集成学习算法的小流域山洪灾害易发性评估模型。首先,选取中国江西省12338个小流域为研究区,对各时段不同频率降雨量指标进行K-means聚类。其次,以误差平方和与平均轮廓系数为聚类效果评价指标,将小流域分为2个类内聚集、类外分散的子集。最后,针对不同子集,从几何特征、环境特征以及降水特征3个方面选取平均坡度、形心高程、形状系数、最长汇流路径比降、地形湿度指数、归一化植被指数、距离河流最近距离、降雨量、洪峰模数以及汇流时间10个山洪影响因素,应用自适应增强算法与极致梯度提升算法进行山洪灾害易发性评估。研究发现,降水是导致山洪灾害的重要因素,江西省高降水区域山洪灾害易发程度普遍高于低降水区,同时省内高风险区分布较为分散,主要分布在东北区域与西北边缘区域。对聚类后两类相似小流域分别进行山洪易发性评估,接受者操作特征曲线下面积值均在0.90以上,精度较聚类前有所提高。聚类策略作为易发性评估模型的前驱过程,可以有效解决小流域异质性问题。

结合加权KNN和自适应牛顿法的稳健Boosting方法

Boosting是机器学习领域中重要的集成学习方法,以AdaBoost为代表的Boosting算法通过在组合弱学习器时不断加强对错分类样本的关注以构建性能优异的强学习器,而该训练机制对噪声点的无差别对待易引发学习器对噪声过拟合,从而削弱算法的稳健性.针对该问题,提出结合加权KNN和自适应牛顿法的稳健Boosting方法.该方法首先通过加权KNN估计样本的噪声先验概率,然后使用噪声先验概率修正Logit损失构建一种新的损失函数,最后采用自适应牛顿法进行损失函数的优化求解.提出方法引导分类器在给予错分类样本更高权重的同时,对噪声先验概率大的样本给予相应的惩罚,使噪声样本的权重得到有效的缩减.结果表明,与其他稳健Boosting方法对比,在不同噪声水平下以及真实的医疗数据集的不同评价指标下,该方法表现出更好的稳健性,具有明显的应用价值.

基于AdaBoost的改进模糊分类规则集成学习

基于集成学习提出了一种新的模糊分类规则的产生算法。将分类规则的前件、后件模糊化,在自适应提升(Adaptive Boosting,AdaBoost)算法的迭代中,调整训练实例的分布,利用遗传算法产生模糊分类规则。并在规则学习的适应度函数中引入训练实例的分布,使得模糊分类规则在产生阶段就考虑相互之间的协作,产生具有互补性的分类规则集。从而改善了模糊分类规则的整体识别能力,提高了分类识别精度。

标记样本的Adaboost算法

提升(Boost)学习算法中,可以划分为多数提升和Adaboost两类。Adaboost是目前比较流行的分类方法,目前在多媒体和计算机视觉领域得到了广泛的应用。文中介绍了Adaboost方法的原理与方法,通过在提升过程中对训练集中部分样本的标记,提出了一种新的Adaboost算法的训练方法,并且用实验数据对该方法进行验证。该方法通过对前一轮提升后权值较小的那部分样本作标记,增加了后一轮提升抽样的有效容量,从而使算法中的分类器能够更快速地关注那些很难分类的样本。

基于GAN-AdaBoost-DT不平衡分类算法的信用卡欺诈分类

针对传统单个分类器在不平衡数据上分类效果有限的问题,基于对抗生成网络(GAN)和集成学习方法,提出一种新的针对二类不平衡数据集的分类方法——对抗生成网络-自适应增强-决策树(GAN-AdaBoost-DT)算法。首先,利用GAN训练得到生成模型,生成模型生成少数类样本,降低数据的不平衡性;其次,将生成的少数类样本代入自适应增强(AdaBoost)模型框架,更改权重,改进AdaBoost模型,提升以决策树(DT)为基分类器的AdaBoost模型的分类性能。使用受测者工作特征曲线下面积(AUC)作为分类评价指标,在信用卡诈骗数据集上的实验分析表明,该算法与合成少数类样本集成学习相比,准确率提高了4. 5%,受测者工作特征曲线下面积提高了6. 5%;对比改进的合成少数类样本集成学习,准确率提高了4. 9%,AUC值提高了5. 9%;对比随机欠采样集成学习,准确率提高了4. 5%,受测者工作特征曲线下面积提高了5. 4%。在UCI和KEEL的其他数据集上的实验结果表明,该算法在不平衡二分类问题上能提高总体的准确率,优化分类器性能。

Boosting算法及其在动态视频图像中的应用

Boosting是一种有效的分类器组合方法,它用某个分类算法生成一系列的基分类器,每个基分类器的训练依赖于在其之前产生的分类器的分类结果,基分类器在训练集上的错误率用于调整训练样本的概率分布,最终分类器通过单个基分类器的加权投票建立起来。将Boosting算法应用在动态车型图像检测中,大大提高了对运动过程中车辆的识别能力,对智能交通系统的发展起着推动作用。