基于Extra-Trees算法的大气环境因素对聚酯涂层老化失光影响的研究

通过在4个试验站进行的自然曝晒试验和涂层的失光率测试,结合曝晒试验站的环境数据,使用ExtraTrees算法研究了环境因素对该聚酯涂层失光率的影响,并用袋外数据进行检验。最终结果的拟合优度为0.973 5,并表明:Extra Trees算法可以应用在环境因素对涂层老化失光影响的研究上,在一定的数据条件下,其计算结果符合有机涂层的老化过程,且显示水溶性污染物更易对老化失光产生影响;应用该算法研究环境因素对材料性能的影响时,可将试验周期与环境因素一同作为输入参数计算,提升数据量的同时增加数据间的差异性,满足模型的计算要求。

基于半监督学习标签传播-极端随机树算法的光伏阵列故障诊断及定位

对光伏阵列故障进行精确诊断和定位有助于提升光伏发电系统的可靠性。针对现有的诊断方法过度依赖大量有标签样本,难以同时兼顾故障类型诊断、故障定位及低成本等问题,将多传感器法与半监督学习算法相结合,构建了一种融合标签传播算法(label propagation,LP)和极端随机树(extra-trees,ET)的半监督学习算法LP-ET。为克服工程实际故障样本较少且往往缺失故障标签的问题,搭建了光伏阵列故障仿真模型获取样本,引入LP算法,基于少量含故障类型及定位信息的有标签故障样本,实现原始故障样本集全标注;继而引入ET模型,持续构建大量决策树形成极端随机树,采用多数投票机制(Bagging)获得故障类型及定位结果。实验结果表明,所提出的LP-ET模型可以在含有大比例未标注样本数据集情况下实现短路、断路、退化及遮阴故障的较高精度诊断,兼顾单组件及多组件故障,有效解决光伏阵列故障诊断及定位问题。

基于集成学习的高炉压差预报模型研究

为了提升高炉生产的智能化水平,提出了基于集成学习算法的高炉下部压差预报模型,解决了基于在线数据精准预报下部压差的难题。通过对高炉内部机理进行系统分析,全面选取了高炉原料参数、操作参数、状态参数和指标参数作为模型的输入。并采用实际现场数据得到了变量间的相关系数,确定了高炉下部压差相关的重要特征变量。采用极限树集成算法建立了压差预报模型,并结合模型的预报精度,采用向前选择法优化了模型的输入。通过对模型算法超参数的选择,获得了最优超参数集合,该参数集合建立的下部压差预报模型精度R^(2)达到了0.8264,且MSE接近零值。测试结果证明,该模型具有良好的预报精度和泛化能力,对现场操作者提前预判高炉运行状况和调整炉况具有重要的指导意义。

基于基因表达谱的癌症亚型分类模型研究

随着机器学习和生物信息学的快速发展,癌症亚型分类成为当前研究热点之一.根据亚型的分类,可以指导癌症的治疗和预后.近年来,许多监督学习方法被用于癌症亚型分类.考虑到高维、样本数量少和数据不均衡等特点,本文首先利用LDA进行降维,其次利用SMOTE算法均衡数据,再利用Extra-Trees模型对癌症亚型进行分类,最后基于TCGA中9种癌症25种癌症亚型的3296个样本来验证模型的有效性.实验结果表明,利用给出的模型进行癌症亚型分类具有很好的效果.