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。

基于集成算法的腐蚀管道失效压力预测研究

为了提高腐蚀管道剩余强度的预测精度、解决单一预测模型易受训练数据的质量影响而发生运行及预测输出不稳定的问题,引入两种集成模型方法。首先对于串行结构集成方法,以支持向量回归(SVR)融合正余弦策略改进的黑猩猩优化算法(IChOA)为基础建立AdaBoost-IChOA-SVR模型;其次对于双层并行结构方法,根据预测问题筛选出相关性低且学习效果良好的预测算法作为第一层基预测器,调节新数据集形成方式及相关参数设置,建立Stacking堆叠集成模型。以含腐蚀缺陷管道失效压力爆破数据为例,利用MATLAB分别进行仿真模拟,与基础SVR和PSO-ELM模型的预测结果及评价指标进行对比分析。研究结果表明:集成预测模型具有更好的预测输出性能,且串行结构的AdaBoost集成学习模型的构造流程较为简洁,运行速度及精度更高;该模型对腐蚀缺陷管道失效压力预测问题的拟合度可达0.996,相对误差均值可达3.69%,可为后续腐蚀管道相关预测模型建立和防护维修策略制定提供参考。

基于Stacking集成学习的远程资源传输负荷预测

传统电网远程资源传输负荷预测方法忽略了对资源的集成训练,导致电网负荷预测结果与实际值偏差较大。为此,提出基于Stacking集成学习的远程资源传输负荷预测方法。构建Stacking集成学习模型,同时通过长短时记忆网络构建Stacking-LSTM网络混合模型,利用时间滑动窗口构建影响因素数据特征图,并将其输入网络混合模型,利用Stacking基础学习训练层实现训练,并将训练结果输入LSTM网络层,完成电网远程资源传输负荷预测。实验结果表明:该方法的网络收敛速度较快,获取特征的贡献度较高,且负荷预测结果接近实际值,可以较好地跟踪负荷变化情况。

基于机器学习的2型糖尿病风险预警分析系统

近年来2型糖尿病的发病率呈上升趋势,是危害人类健康的常见疾病之一。通过机器学习构建2型糖尿病风险预警分析系统变得迫在眉睫,针对单一的机器学习算法在对糖尿病预测时存在准确率和精度率不高的问题,设计采用Stacking策略对支持向量机、CatBoost、XGBoost进行算法融合,实验证明,融合算法在准确率,精度率,容错率方面都有大幅提高,能够更有效地辅助医生进行糖尿病的早期诊断和干预。

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。

一种结合代码片段和混合主题模型的软件数据聚类方法

使用主题模型进行文档聚类是众多文本挖掘任务中一种常见的做法。许多研究针对软件问答网站的数据,利用主题模型进行聚类来分析不同领域在社区的发展情况。然而,这些软件相关数据往往包含代码片段且文本长度分布不均,使用传统单一的主题模型对文本数据建模,易得到不稳定的聚类结果。文中提出了一种结合代码片段和混合主题模型的聚类方法,并使用Stack Overflow作为数据源,构造了在该平台上被提问数量排名前60的Python第三方库数据集,经过建模,该数据集最终划分为以下6个不同的领域:网络安全、数据分析、人工智能、文本处理、软件开发和系统终端。实验结果表明,在自动评估和人工评估的指标上,使用代码片段结合文本进行主题建模,在聚类结果划分的质量上表现良好,而联合多个模型进行实验,一定程度上提高了聚类结果的稳定性和准确性。

贝叶斯优化与集成学习在弹载雷达目标识别中的应用

空空导弹在打击低空、超低空目标时,弹载雷达区分目标和杂波的性能下降。本文针对弹载雷达目标识别问题,应用多种集成学习算法和贝叶斯优化算法,建立了多个目标识别模型,测试并对比了模型性能。通过特征提取、数据标准化和特征选择,构建了优选特征的目标杂波数据集。使用贝叶斯优化算法进行调参,构建了XGBoost、LightGBM和CatBoost目标识别模型并测试。测试结果表明,XGBoost、LightGBM、CatBoost的目标识别效果优于随机森林、支持向量机和AdaBoost。选择XGBoost、LightGBM和CatBoost和随机森林为基分类器,构建了Stacking目标识别模型并测试。测试结果表明,Stacking的目标识别准确率达到98.88%,优于组成它的四个单一模型,但运行效率大幅降低。综合来看,CatBoost的目标识别准确率达到98.03%,虽不是最优,但其测试时间为0.011 s,运行效率的优势更明显。

集成卷积神经网络和视觉Transformer的隧道掌子面岩性判识研究

为研究综合高效的隧道掌子面岩性智能分类方法,首先,通过收集高铁沿线施工隧道高清掌子面照片、地质素描图及工程地质说明,筛选并统计出灰岩、泥岩、砂岩、玄武岩4种岩性,在此基础上,采用图像增强扩充样本数量并构建岩性样本集;然后,基于上述样本集分别构建ResNet50V2岩性分类迁移模型及VIT岩性分类模型,对比二者岩性分类效果,并采用Stacking方法集成2种模型的分类特点;最后,通过对比3种元学习器(逻辑回归、支持向量机、决策树)对2种模型的集成融合效果来选取最适用的元学习器。结果表明:采用逻辑回归集成ResNet50V2及VIT所构建的集成模型对岩性的分类效果最好,能充分融合掌子面岩性的全、局部特征来进行分类,模型准确率达到93.8%。

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。