基于Stacking融合模型的Web攻击检测方法

随着计算机技术与互联网技术的飞速发展,Web应用在人们的生产与生活中扮演着越来越重要的角色。但是在人们的日常生活与工作中带来了更多便捷的同时,却也带来了严重的安全隐患。在开发Web应用的过程中,大量不规范的新技术应用引入了很多的网站漏洞。攻击者可以利用Web应用开发过程中的漏洞发起攻击,当Web应用受到攻击时会造成严重的数据泄露和财产损失等安全问题,因此Web安全问题一直受到学术界和工业界的关注。超文本传输协议(HTTP)是一种在Web应用中广泛使用的应用层协议。随着HTTP协议的大量使用,在HTTP请求数据中包含了大量的实际入侵,针对HTTP请求数据进行Web攻击检测的研究也开始逐渐被研究人员所重视。本文提出了一种基于Stacking融合模型的Web攻击检测方法,针对每一条文本格式的HTTP请求数据,首先进行格式化处理得到既定的格式,结合使用Word2Vec方法和TextCNN模型将其转换成向量化表示形式;然后利用Stacking模型融合方法,将不同的子模型(使用配置不同尺寸过滤器的Text-CNN模型搭配不同的检测算法)进行融合搭建出Web攻击检测模型,与融合之前单独的子模型相比在准确率、召回率、F1值上都有所提升。本文所提出的Web攻击检测模型在公开数据集和真实环境数据上都取得了更加稳定的检测性能。

基于FIR-Stacking的刀具磨损预测

针对铣刀加工工件时传感器信号存在噪声、单一传统机器学习模型预测效果不理想的问题,提出一种基于自适应FIR滤波器和Stacking集成模型的刀具磨损预测方法。首先,采用自适应FIR滤波器去噪,计算时域、频域和时频域常用统计量作为信号特征,并对同一信号的多源信号特征进行拼接,经Pearson相关系数筛选保留相关系数大于0.2的特征;最后,以LightGBM、支持向量回归(support vector regression,SVR)、多层感知机(multilayer perceptron,MLP)作为基模型,Lasso作为元模型,构建Stacking集成模型进行刀具磨损预测。使用铣削加工数据集进行验证,结果表明该方法可有效提高预测准确性。

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Stacking集成算法的抛石护岸水毁破坏预测研究

抛石护岸在顶冲等极端情况下易发生水毁破坏,给人民的生命财产带来威胁。通过水槽试验获取496组样本数据,利用互信息(MI)筛选出6个关键特征属性,并采用支持向量机(SVR)、广义回归神经网络(GRNN)和随机森林(RF)等机器学习算法构建多个预测模型。然后,将这些模型作为基学习器,结合BP神经网络(BPNN)作为元学习器,采用Stacking集成学习方法构建抛石护岸破坏程度预测模型。最后,通过决定系数(R^(2))、均方根误差(R_(RMSE))及平均绝对误差(M_(MAE))等评价指标对模型性能进行评估。结果表明,Stacking模型在抛石护岸破坏高度、长度、范围上的平均R^(2)为0.98、RRMSE为0.02、M_(MAE)为0.03,相较于单一模型(SVR、GRNN、RF),Stacking模型的R_(RMSE)、M_(MAE)皆为最小,R2最高。在抛石护岸水毁破坏程度的预测中,融合的Stacking模型展现出更高的准确性与稳定性。

基于Stacking模型的学术论文多标签分类系统构建

学术论文高质量多标签自动分类是推动学术研究发展的关键程序之一。本研究利用Stacking模型将随机森林、支持向量机、极限树、极端梯度提升和神经网络五个分类器融合为一个异质集成分类器,并利用基于问题转换思想的多二分类模型将该分类器应用于学术论文多标签分类。根据学术论文的特点,依次实现了与之配套的论文特征提取模块、TF-IDF加权模块、数据预处理模块,最终构建成一个面向学术论文的多标签分类系统。仿真实验验证了本研究构建的学术论文多标签分类系统在处理学术论文多标签分类问题时,较传统的单模型分类器或同质集成模型分类器在泛化能力、稳定性与准确率方面都有一定程度的提升。图9。参考文献21。

基于Stacking融合模型的PHEV复合储能系统实时能量分配策略

为了解决插电式混合动力汽车单一电池低比功率、无法响应暂态功率需求的问题,设计了电池和超级电容并联式复合储能系统。同时针对采用动态规划法优化负载电流分配时缺乏实时性的问题,利用不同驱动工况下动态规划优化的结果构成训练集进行训练,并综合GRU网络以及XGBoost算法,提出了一种Stacking集成学习框架下多模型融合的能量分配策略。仿真结果表明,与仅使用单一电池的储能系统相比,基于Stacking融合模型的实时能量分配系统在UDDS和US06两种循环工况下,电池峰值电流分别降低了48.7%和50.8%,有效削弱了电池的峰值电流,提升了电池的整体性能。

基于Stacking融合的LSTM-SA-RBF短期负荷预测

为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singular spectrum analysis,SSA)和Stacking框架相结合的短期负荷预测方法。利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为负荷数据降噪,简化模型计算过程;基于Stacking框架,结合长短期记忆(long and short-term memory,LSTM)-自注意力机制(self-attention mechanism,SA)、径向基(radial base functions,RBF)神经网络和线性回归方法集成新的组合模型,同时利用交叉验证方法避免模型过拟合;选取PJM和澳大利亚电力负荷数据集进行验证。仿真结果表明,与其他模型比较,所提模型预测精度高。

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。

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模型融合策略的日本俯冲带板缘地震动预测

高精度的地震动预测模型有助于提高地震灾害的预警和应对能力。传统回归方法构建地震动预测模型时提前设定了方程的形式,此种方法存在一定局限性,难以反映地震动传播过程中的复杂规律,因此越来越多的学者尝试应用机器学习方法构建地震动预测模型。但采用单一的机器学习算法,难以从数据中捕捉到更多规律,最终导致模型精度难以提升。本文基于日本KiK-net和K-Net强震台网收集到的俯冲带板缘地震动记录,使用Stacking模型融合策略,以LightGBM、XGBoost和CatBoost算法作为基学习器,线性回归算法作为元学习器,引入客观且高效的贝叶斯优化算法对模型进行超参数优化,最终训练并提出了一种适用于日本俯冲带板缘地震动预测的融合模型Stacking-Interface。对比分析所提出模型、单一机器学习模型和传统模型,发现机器学习模型的精度普遍高于传统模型,且相较于单一的机器学习模型,融合模型的预测能力有一定的提升;通过与实际地震动记录的对比和特征参数敏感性分析,验证了所提模型的可靠性和泛化能力。研究方法和结果能够为地震风险分析提供参考。

Stacking相异模型融合的实验室异常用电行为检测

针对当前高校实验室异常用电行为,提出一种基于Stacking相异模型融合的异常行为检测方法。考虑相异基学习器挖掘实验室用电行为规律的差异性,对相异基学习器进行优选。利用随机森林作为元学习器,充分融合相异基学习器的优势,弥补各基学习器的缺陷,构建基于Stacking相异模型融合的集成学习模型。通过算例对比分析,验证了基于Stacking相异模型融合的集成学习模型能有效提升单一分类器的异常检测效果,在准确率、F1分数、ROC曲线下面积和误检率上均优于Bagging、Voting、Adaboost等集成学习方法并能适应样本不平衡的情况。

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的DDoS攻击检测方法

近年来DDoS攻击检测多采用机器学习的方法,Stacking便是其一,现阶段Stacking初级学习器的配置方法多为固定搭配,但由于DDoS攻击的复杂性和动态性,静态的配置策略显得灵活性较差。对此提出QGA-Stacking算法,即利用量子遗传算法(QGA)动态地选取Stacking中评价指标最高的一组学习器组合,从而提高检测模型的准确性和灵活性;提出一组最佳特征集来节省计算成本。经过实验对比,充分证明了QGA-Stacking算法相较于其他3种主流算法,其检测性能更加显著,最佳特征集的选取也较为合理。

Stacking集成学习应用于近视矫正中的角膜塑形镜临床验配

针对角膜塑形(orthokeratology,OK)镜临床验配难度系数大和过程繁琐费力的问题,提出一种stacking集成学习方法预测OK镜参数值,实现OK镜智能验配。通过基于F检验的特征衍生和基于方差-改进Boruta算法的特征选择,构建出最适合目标变量的特征集合。研究了以随机森林(random forest,RF)、梯度提升决策树(gradient boosting decision tree,GBDT)和支持向量回归(support vector regression,SVR)作为第一层基学习器,线性回归(linear regression,LR)作为第二层元学习器的stacking集成学习预测模型。实验结果表明模型预测结果和临床诊断结果高度一致,验证该模型可作为一种有效的辅助临床验配方法。

基于Stacking集成学习的商品销量预测研究

销量预测准确度的提升能够帮助电商企业更有效地规划库存,从而提高供应链管理的效率。文中利用Stacking集成学习方法融合多模型来预测销量,研究通过对基学习器进行选择,以RF、SVM、XGBoost、LSTM算法为第一层模型,线性回归为第二层模型,通过历史销售数据集进行验证。研究发现,相较于单一模型,Stacking集成学习方法的预测效果更优。此研究方法可以有效融合多种模型优势,得到更准确的销量预测结果,从而为电商企业制定库存和生产计划提供依据。

基于FBG微气象传感数据的输电线覆冰厚度Stacking预测

输电线路在覆冰荷载的作用下,容易引发倒塔、断线等安全事故,为了对输电线路覆冰进行提前预警,需要对线路上的覆冰厚度进行预测。本文基于数据驱动的方式,融合性能各异的覆冰预测模型,构建由初级层与次级层组成的输电线路覆冰厚度预测的Stacking集成模型。根据覆冰在线监测系统采集的气象数据与等值覆冰厚度,提取关联特征参数,训练Stacking覆冰预测模型的初级层(随机森林、最小二乘支持向量机、XGBoost、LSTM模型);通过初级层输出值对次级层的学习器进行训练,预测最终的覆冰厚度。结果表明,Stacking覆冰预测模型的MSE降低为0.5897 mm, R^(2)值达到0.9894。Stacking覆冰预测模型能够预测输电线路上的覆冰厚度,达到输电线路覆冰的安全预警作用,可以有效指导电网的抗冰工作。

面向Stacking算法的差分隐私保护研究

为解决同质集成学习算法对噪声更敏感,难以兼顾较好的预测性能和有效的隐私保护这一问题,提出一种基于差分隐私的DPStacking算法,将异质Stacking算法与差分隐私技术相结合,以优化算法的隐私保护和预测性能。但是,由于Stacking算法的低层和高层模型都可以由不同的学习器构成,若对某个具体学习器设计隐私预算分配方案来提供差分隐私保护,该方案往往无法适用于由任意基学习器和元学习构成的Stacking算法。基于此,设计了一种基于元学习器的隐私预算分配方案,此方案根据皮尔逊相关系数及差分隐私并行组合的特性为元学习器输入的不同构成体分配不同的隐私预算。通过理论与实验验证,DPStacking算法符合ε-差分隐私保护,与基于差分隐私的随机森林算法(DiffRFs)、Adaboost算法(DP-AdaBoost)、XGBoost算法(DPXGB)相比,能有效保护数据隐私的同时拥有更好的预测性能,并较好地解决了单一同质集成学习算法对噪声更加敏感的问题。