基于mRBF-ELM集成模型的排土场滑坡预警模型研究

为了解决排土场滑坡造成的事故多发、伤亡严重的问题,提出了一种基于mRBF-ELM集成模型的排土场滑坡预警方法,将排土场预警指标数据输入到经过训练完成的多径向基函数极限学习机集成模型中,结合所有子模型的稳定系数输出,集成模型的输出结果为综合所有子模型预测结果后的输出。作为对比,将应用mRBF-ELM集成模型得到的预测结果与应用人工神经网络(ANN)、极限学习机(ELM)、高斯径向基函数极限学习机(RBF-ELM^(1))、双曲正切径向基函数极限学习机(RBF-ELM^(2))、逆多二次径向基函数极限学习机(RBF-ELM^(3))的预测结果进行对比分析,从平均相对误差、均方根误差、拟合优度3个方面验证模型的可靠性。结果表明,该预警模型评估非常可靠,有很好的推广应用价值。

基于狄拉克符号的异构模型集成方法

针对数字工程中异构模型集成仿真的问题,提出了一种基于狄拉克符号的系统建模方法。该方法可以屏蔽子系统的建模逻辑和模型实现差异,描述全系统的集成模型和动力学演化。利用类TNEA中间件提供的状态定义和方法调用机制,可以将异构模型映射为具有相同建模逻辑和软件接口的对象模型,构成数字主线,开展虚实融合系统集成试验。该方法可以支撑航天“簇”演进模式下的新技术快速插入、新系统原位替代和新状态快速验证,并针对数字航天开展全要素虚实融合试验,在虚拟环境中摸边探底,验证核心指标。

基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型

针对风电场短期风速预测准确度不高的问题,提出一种基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型。首先,为突出短期风速的局部特征并降低建模难度,通过互补集成经验模态分解算法将短期风速分解为若干个稳定分量。然后,利用信息熵和近似熵来判定各分量的复杂度,高复杂度分量选择最小二乘支持向量机、低复杂度分量选择随机配置网络作为对应的预测模型。利用Stacking算法对每个模型的预测值进行融合,使预测精度得到提升。最后,通过一组实际的短期风速数据作为研究对象,将提出的预测模型应用于其预测。对比结果表明,所提预测模型可提高短期风速的预测精度。

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测

为了实现对变压器油中溶解气体体积分数的精确预测,同时克服仅使用单一预测模型导致预测精度及泛化能力不足的局限,提出了一种基于改进完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)和灰色关联系数时变权重集成预测模型的变压器油中溶解气体预测方法。首先将溶解气体含量序列模态分解为一系列具有不同时间尺度的子序列。然后,使用门控循环神经网络和麻雀搜索算法优化支持向量机对各子序列进行训练,组合为一个集成预测模型;并比较不同预测方法的预测精度,计算灰色关联系数时变权重,形成各子系列的预测结果。最后将各子序列的预测结果叠加重构,得到最终预测结果。算例分析结果显示:该方法单步预测的均方根误差、平均绝对误差和相关系数分别为0.593、0.422和0.768,相比其他算法在预测精度上有明显提升,同时具有很强的泛化性能,可以为油浸式变压器内部状态监测提供依据。

基于技术接受模型论制造执行系统和人力资源管理系统的集成

制造执行系统和人力资源管理系统集成可以整合智能制造和人力资源管理实践,提升制造的效益和效率、决策精准性,从而促进组织的创新、发展和竞争力。通过案例分析梳理集成技术采纳的技术和业务积累,基于技术接受模型(technology acceptance model, TAM)的视角,从感知易用性和感知有用性两个技术采纳决定因素对用户的态度和意愿进行论证。在智能工厂和人力资源管理定位转型的背景前提下,从现有集成技术条件和提升业务效益方面推演,得出集成制造执行系统和人力资源管理系统具有高可预见性和高可行性。

一种基于自适应Kriging集成模型的结构可靠性分析方法

基于Kriging模型的复杂结构可靠性分析结果高度依赖于Kriging模型的拟合精度,在构建Kriging模型的过程中,不同相关函数和回归函数的选择均会影响模型精度。为解决模型的不确定性对可靠性分析结果的影响,同时兼顾计算效率和精度,基于Kriging模型和蒙特卡罗模拟(MCS)方法,提出了一种结合自适应集成策略和主动学习函数的结构可靠度计算方法。该方法考虑Kriging模型的建模不确定性,将多种Kriging模型组合,构建了一种综合考虑样本点贡献和样本点距离的主动学习函数,通过主动学习函数迭代更新集成Kriging模型直至满足收敛条件,最后通过构建的集成Kriging模型和MCS方法进行结构可靠性分析。数值算例和工程算例结果验证了所提方法的有效性,该方法与其他主要方法相比稳健性更好,在保证计算精度的同时,计算效率更高。

基于Blending-Clustering集成学习的大坝变形预测模型

【目的】变形是反映大坝结构性态最直观的效应量,构建科学合理的变形预测模型是保障大坝安全健康运行的重要手段。针对传统大坝变形预测模型预测精度低、误报率高等问题导致的错误报警现象,【方法】选取不同预测模型和聚类算法集成,构建了一种Blending-Clustering集成学习的大坝变形预测模型,该模型以Blending对单一预测模型集成提升预测精度为核心,并通过Clustering聚类优选预测值改善模型稳定性。以新疆某面板堆石坝变形监测数据为实例分析,通过多模型预测性能比较,对所提出模型的预测精度和稳定性进行全面评估。【结果】结果显示:Blending-Clustering模型将预测模型和聚类算法集成,均方根误差(RMSE)和归一化平均百分比误差(nMAPE)明显降低,模型的预测精度得到显著提高;回归相关系数(R~2)得到提升,模型具备更强的拟合能力;在面板堆石坝上22个测点变形数据集上的预测评价指标波动范围更小,模型的泛化性和稳定性得到有效增强。【结论】结果表明:Blending-Clustering集成预测模型对于预测精度、泛化性和稳定性均有明显提升,在实际工程具有一定的应用价值。

机理模型与集成学习混合驱动的机器人关节摩擦建模方法

机器人一体化关节广泛应用于医疗、协作机器人等领域,其摩擦特性是影响机器人性能的关键因素.为此,提出了一种机理模型与集成学习混合驱动的机器人关节摩擦建模方法,以提高模型精度.首先,综合考虑转速、负载等关节摩擦特性的影响因素及其周期波动特性,基于先验知识和物理分析分别建立了伺服电机与谐波减速器的参数化机理模型,描述摩擦特性的变化规律.然后,针对机理建模中因线性假设、忽略高阶项等产生的非线性残差,提出了基于eXtreme gradient boosting(XGBoost)的残差补偿模型建模方法,通过采用Boosting集成学习策略,提高残差补偿模型的泛化能力.同时,采用贝叶斯优化方法进行XGBoost模型的超参数寻优,以提高模型精度和训练效率.相比于传统的参数化机理模型,本文所提出的混合驱动模型具有更高精度.与反向传播神经网络、支持向量机、长短时记忆神经网络等多种典型方法的对比实验表明,本文所提出的基于XGBoost的残差补偿模型具有更强的特征提取能力,能够较好地预测强非线性的波动摩擦残差,有效地提高了整体模型的精度.

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.

基于集成特征选择的中小微企业信贷风险分类模型研究

文章以客户违约率作为中小微企业信用风险的评价标准,尝试构造基于集成特征选择的中小微企业信用风险分类模型,结合互信息矩阵、基于k折交叉验证的随机森林和支持向量机对模型进行分析。研究表明企业的信誉等级、销项有效率和最高销项对信用风险有显著影响,其他因素对信用风险的影响不显著,实验说明基于k折交叉验证的支持向量机具有可靠的信贷风险预测能力,对中小微企业信用风险评估有较强的参考价值。

面向简化规则的集成学习模型及规则约简策略

随着机器学习模型的广泛应用,研究者们逐渐认识到这类方法的局限之处。这些模型大多数为黑盒模型,导致其可解释性较差。为了解决这一问题,以集成学习模型为基础,提出了一种基于规则的可解释模型以及规则约简方法,包括生成优化的随机森林模型、冗余规则的发现和约简等步骤。首先,提出了一种随机森林模型的评价方法,并基于强化学习的思想对随机森林模型的关键参数进行了优化,得到了更具可解释性的随机森林模型。其次,对随机森林模型中提取的规则集进行了冗余消除,得到了更加精简的规则集。在公开数据集上的实验结果表明,生成的规则集在预测准确率和可解释性方面均表现优秀。

低压货舱多参数火灾探测集成模型的优化选择

针对低压飞机货舱环境下单模型的烟雾探测算法不灵敏的问题,给出了一种基于二次优化选择(Quadratic Optimization Choice,QOC)策略的集成分类模型。首先,对多种火灾特征参数包括CO体积分数、温度、湿度、红外和蓝光波长光散射功率信号、烟颗粒索特平均直径及对应增长率进行增益评估,筛选出关联度高的参数作为属性,通过特征工程和性能对候选分类器进行排序,然后采用QOC策略和软投票法集成机制确定次级分类器,最后指定多层感知器(Multilayer Perceptron,MLP)作为元分类器的模型集成方法,以提高烟雾探测模型在真实飞行环境的准确性和鲁棒性。模型性能将基于精确率、召回率和F1、F2、F3指标进行比较。结果表明,集成模型应用于60 kPa低压环境烟雾探测结果优于K邻近算法(K Nearest Neighbor,KNN)和MLP,对榉木和航空汽油可燃物分别具有0.9724和0.9601的分类精确率,较原始算法KNN分别提高了0.0872和0.0626,较原始算法MLP分别提高了0.0368和0.1822,集成模型具有更好的性能。

基于异质集成的井漏预警模型

钻井井漏事故具有突发性和难以控制的特点。因此,迫切需要建立一种有效的井漏预测方法。将随机森林、支持向量机和反向传播神经网络模型相结合的异质积分器Stacking应用于青海省柴达木盆地英西地区。首先对目标区块的数据集进行处理,运用灰色关联对数据进行相关性分析,选择其中10个相关性高的参数,后设置两层堆叠集成,第一层选择随机森林、支持向量机和BP神经网络模型作为基础学习器,第二层选择逻辑回归模型作为元学习器。结果表明,异质集成模型提高了预测精度(0.981的准确率、0.970的精确率、0.963的召回率和0.960的F 1分数),克服了同质分类器的局限性。强调了综合井漏预警预报中考虑多种地质因素的重要性。

基于特征和公差重构的结构化多态模型集成方法研究

针对当前航天器结构产品设计制造一体化需求,在新一代GPS标准体系框架下,研究并提出了基于特征和公差重构的结构化多态模型集成方法,对现有三维数字化设计模型信息解构和重构,对现有三维数字化设计模型信息解构和重构,形成符合新一代GPS标准体系的多态设计模型和充分表征设计信息的结构化数据集,突破数字化检定认证手段难以与设计信息关联复用的困难,为航天器结构产品设计制造一体化推广应用提供有益借鉴。

基于自蒸馏与自集成的问答模型

知识蒸馏结合预训练语言模型是构建问答模型的主要方法之一,然而,这类方法存在知识转移效率低下、训练教师模型耗时严重、教师模型和学生模型能力不匹配等问题。针对上述问题,提出了一种基于自蒸馏与自集成的问答模型SD-SE-BERT。其中:自集成基于滑窗机制设计;学生模型采用BERT;教师模型由训练过程中得到的若干学生模型基于其验证集性能进行加权平均组合得到;损失函数利用集成后的输出结果和真实标签指导当前轮次的学生模型进行训练。在SQuAD1.1数据集上的实验结果表明,SD-SE-BERT的EM指标和F_1指标相比较BERT模型分别提高7.5和4.9,并且模型性能优于其他代表性的单模型和蒸馏模型;相较于大型语言模型ChatGLM-6B的微调结果,EM指标提高4.5,F_1指标提高2.5。证明SD-SE-BERT可以利用模型自身的监督信息来提高模型组合不同文本数据特征的能力,无须训练复杂的教师模型,避免了教师模型与学生模型不匹配的问题。

基于SDL-LightGBM集成学习的软件缺陷预测模型

为提高软件缺陷预测准确性和预测模型的可解释性,提出一种Spearman+DE+LIME+LightGBM(SDL-LightGBM)集成学习的软件缺陷预测模型。使用混合特征选择方法Spearman+LightGBM确定最佳特征子集,在保证模型预测性能的情况下降低模型复杂度;使用集成学习算法LightGBM(light gradient boosting machine)对特征子集建立预测模型,并使用差分进化(differential evolution, DE)算法优化模型的重要超参数;使用局部可解释的模型无关技术(local interpretable model-agnostic explanations, LIME)对模型进行局部可解释分析。实验通过12个项目的35个版本的结果表明,SDL-LightGBM算法优于现有的软件缺陷预测方法,F1值平均提高8.97%,AUC值平均提高11.42%,模型训练时间缩短43.6%。

基于存算一体集成芯片的大语言模型专用硬件架构

目前以ChatGPT为代表的人工智能(AI)大模型在参数规模和系统算力需求上呈现指数级的增长趋势。深入研究了大型模型专用硬件架构,详细分析了大模型在部署过程中面临的带宽问题,以及这些问题对当前数据中心的重大影响。提出采用存算一体集成芯片架构的解决方案,旨在缓解数据传输压力,同时提高大模型推理的能量效率。此外,还深入研究了在存算一体架构下轻量化-存内压缩协同设计的可能性,以实现稀疏网络在存算一体硬件上的稠密映射,从而显著提高存储密度和计算能效。

整车集成正向开发价值能力评价模型

整车集成正向开发是一个汽车企业研发能力和水平的表现,客观科学地比较不同车企之间的整车集成正向开发价值能力具有指导意义。根据整车集成正向开发的工作内容,采用了V字形正向开发流程并作出了修正,定义了评价整车集成正向开发价值能力的9个一级指标和33个二级指标,构建了整车集成正向开发价值能力评价模型,并且基于该模型,对自主品牌7个不同车企的整车集成正向开发价值能力进行了量化对比。研究结果表明,产品策划权重系数最大,对整车集成正向开发价值能力的贡献最大。从综合水平上看,车企J的综合表现最优,在产品策划、项目管理、整车性能集成和整车功能定义方面有明显的优势,且没有明显的短板指标;其他车企因为短板指标影响了综合得分。

基于IWOA-stacking集成学习模型的抽油机故障诊断方法

针对抽油机故障诊断问题,提出一种基于振动特征和IWOA-stacking集成模型的抽油机故障诊断方法。首先,基于stacking算法构建了两层集成模型,模型第一层采用最小二乘支持向量机、随机森林、梯度提升模型和XGBoost模型作为基学习器,第二层采用多元线性回归作为元学习器;其次,基于改进鲸鱼优化算法对四个基学习器的超参数进行优化;最后,针对采集的振动数据优选用于故障诊断的时域特征指标,用超参数优化后的集成模型进行学习和诊断,并与4种基模型进行对比。实验结果表明,所提模型具有更高的识别效果且具有很好的泛化能力。