春季太湖叶绿素a浓度的光谱估算与分析评价

2011年3月27日于太湖梅梁湾和湖心区域进行光谱数据采集,同步水质理化分析数据得到叶绿素a浓度区间为4.99μg/L～31.06μg/L。基于较低叶绿素a浓度水平的实测光谱数据及同步的理化分析数据分别采用二波段模型、光谱反射率一阶微分模型、反射峰位置模型、三波段模型和四波段模型对梅梁湾和湖心区域的叶绿素a浓度进行建模遥感估算。5个模型的回归分析结果对应R2分别为0.775,0.811,0.786,0.826和0.846,RMSE分别为4.02μg/L,3.52μg/L,3.82μg/L,3.44μg/L和3.24μg/L。并针对春季较低叶绿素a浓度水平下的光谱估算模型在应用价值和精度方面做了比较评价。     

计及评价指标冲突的电动汽车充电负荷区间预测

电动汽车充电负荷具有强随机性,且受电池容量与用户用车行为影响。为有效预测充电负荷时序分布,本文提出一种计及评价指标冲突的充电负荷区间预测方法。首先,该方法分析日间充电负荷间时序相关性,并用强相关历史日充电负荷数据构建充电负荷预测所需的特征集。接着,采用弯曲高斯过程（warped Gaussian process , WGP）方法,并结合多种协方差函数来构建多个充电负荷区间预测模型。为解决多指标评价存在冲突和仅选择最优的一个预测模型会出现极端误差问题,本文应用面积灰关联决策方法,对各模型开展计及评价指标冲突的综合评价,并依据获取的面积灰关联贴近度,构建电动汽车充电负荷组合区间预测模型。实验结果表明,本文提出的方法能够获得更精确、覆盖率更高的充电负荷预测区间。     

近红外光谱结合反向区间偏最小二乘法检测药用辅料糊精

利用近红外光谱结合化学计量学方法快速检测了药用辅料糊精含量。首先,用近红外光谱仪采集主药与糊精共存样本的近红外光谱数据;然后,采用反向区间偏最小二乘法(Backward Interval Partial Least Squares,Bi PLS)优选光谱特征区间;最后,采用偏最小二乘法(PLS)对优选出来的区间建立药用辅料糊精近红外光谱模型。采用Bi PLS将全光谱均匀划分35个子区间,选择16个子区间[1,7,10,12,18,20,21,23~25,28~33]时,建立的模型预测效果最佳,其交叉验证均方根误差和预测均方根误差分别为1.501和2.437,校正集和验证集相关系数分别为0.9968和0.9958。因此,利用近红外光谱技术快速检测药用辅料糊精含量是可行的。     

基于DEA-BP神经网络的效率置信区间预测模型研究

效率预测是这几年比较热门的研究话题,然而随着评价系统的复杂性和不确定性,效率的点预测性能会逐渐降低。基于此,提出DEA-BP神经网络置信区间预测模型。构建非阿基米德无穷小的CCR模型,对系统进行效率评价;构建BPNN的置信区间预测模型,将点预测转化为区间预测;通过PICP、NMPIL、CLC等模型进行区间综合验证。将这三个阶段的模型套用到“一带一路”沿线省市的旅游效率预测中,根据预测结果对各个省市进行效率分类并提出改进建议。由于BPNN置信区间预测模型难以确认最佳模型,该结果仍需改进,但具有一定的借鉴作用。     

近红外光谱结合可移动窗口偏最小二乘法对克霉唑粉末药品的定量分析

建立测定克霉唑粉末药品的近红外漫反射光谱结合可移动窗口偏最小二乘法(MW-PLS)多元校正模型。选择有效的光谱预处理方法,并对窗口宽度,窗口移动的位置,以及隐变量数对模型参数进行优化,使用逼近度作为建模参数优化评价指标,最终得到测定克霉唑粉末药品的最佳模型。用该模型进行预测,校正集和验证集的预测值和真实值间的相关系数(Rc)分别为0.9558和0.9645,校正集的均方根误差(RMSEC)为0.0041,验证集均方根误差(RMSEP)为0.0043,表明该模型的稳健性、拟合度和预测能力都令人满意。     

回归算法对软件缺陷个数预测模型性能的影响

针对已有研究在评价软件缺陷个数预测模型性能时没有考虑到软件缺陷数据集存在数据不平衡的问题而采用了评估回归模型的不合适的评价指标的问题,提出以平均缺陷百分比作为评价指标,讨论不同回归算法对软件缺陷个数预测模型性能的影响程度。利用PROMISE提供的6个开源数据集,分析了10个回归算法对软件缺陷个数预测模型预测结果的影响以及各种回归算法之间的差异。研究结果表明：使用不同的回归算法建立的软件缺陷个数预测模型具有不同的预测效果,其中梯度Boosting回归算法和贝叶斯岭回归算法预测效果更好。     

基于区间预测模型的流感趋势预测

在流感暴发趋势预测模型的研究中,传统点预测是估计预测平均值的随机变量,不包含置信水平和预测区间范围等辅助决策的有用信息,导致决策者不能很好把握流感发展趋势.为了解决上述问题,提出利用神经网络上下限估计方法(LUBE)建立预测区间(PI)发展了流感趋势区间预测模型,提出了评价预测区间的宽度范围组合指标(CWC),运用蚁群算法对神经网络区间预测模型进行训练,并运用上述模型对传染病等应急医疗数据进行了仿真.为了衡量预测区间性能,改进模型与Delta、Bayesian、Holt指数平滑和支持向量机等常用预测模型建立的预测区间进行了对比.结果表明蚁群算法神经网络区间预测模型能够对流感趋势进行更为有效的分析和预测.     

不平衡油耗数据的区间预测方法

对油耗数据进行区间预测时,数据的不平衡性会导致一般的区间预测方法得到的预测区间质量较低.针对上述问题,提出了基于SMOTE-XGBoost算法的区间预测模型.采用SMOTE算法增加训练集中少数类样本的数量,消除了训练集数据的不平衡性;对XGBoost算法的分位数损失函数进行改进,平滑其一阶导数原点周围的小区域,解决了分位数损失函数对树分裂的影响;通过训练区间预测模型,得到预测区间的上下界.最后基于QAR数据集进行对比实验,结果表明,该方法使预测区间具有较高的区间覆盖率和较窄的区间宽度,提高了预测区间的质量.     

高速公路行程时间Bootstrap-KNN区间预测分析与实证

针对行程时间点预测不能描述预测结果的可信度问题,以高速公路收费系统作为基础数据源,提出基于Bootstrap的高速公路行程时间区间预测模型,通过范围概率(PICP)、预测区间平均宽度(MPIW)以及综合指标(CWC)反映区间预测性能.对预测模型建模和Bootstrap置信区间估计方法两个关键步骤进行分析和实证,比较小波神经网络和K最近邻两种常用数据驱动方法的预测误差,并分析4种Bootstrap置信区间估计方法的区间预测性能.在相同的置信水平下,Percentile Bootstrap-KNN模型的综合指标值CWC最小,说明该模型区间预测性能最佳.对陕西省高速公路某热点OD进行实例分析,结果表明,采用相同预测算法的区间预测比点预测的误差小,且预测区间宽度可以表征预测结果的可信度和参考价值.     

基于逐步回归的工程造价预测模型构建

针对传统工程造价预测模型的拟合优度数值过小,模型内指标的关联性较差的问题,构建基于逐步回归的黔江卷烟厂建设工程造价预测模型.利用逐步回归算法更新预测变量,采用MATLAB软件模拟仿真预测数据,设定数据区间并组合数据后,以构建的目标处理函数作为最终的预测数值模型.对比实验结果表明:所设计的预测模型得到的拟合优度数值最大,...     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

基于DNN-NKDE的公交车驻站时间概率区间预测

针对公交车在站台驻站时间的影响因素分析,考虑在复杂的乘车模式下引入驻站时间概率区间预测的概念。通过DNN算法构建驻站时间预测模型得到预测结果,统计预测值与真实值的误差集并划分为多个子区段,对每个子区段采用非参数核密度估计算法构建概率区间预测模型,估计重组各子区段在某置信水平下的公交车驻站时间概率区间预测结果。利用济宁市公交车到离站等信息数据,验证方法的有效性和可行性。     

基于蚁群算法优化反向传播神经网络的软件质量预测

针对基于反向传播神经网络（BPNN）的软件质量预测模型存在收敛慢、模型精度不高的问题,提出一种基于蚁群算法优化BPNN的软件质量预测（SQP-ACO-BPNN）方法。首先,选择软件质量评价指标,确立软件质量评价体系;其次,采用BPNN构建初始软件质量预测模型,并利用蚁群优化（ACO）算法确定若干网络结构、网络初始连接权值和阈值;再次,给出网络结构评价函数,选择神经网络模型的最佳结构、网络初始连接权值和阈值;最后,通过BP算法训练该网络,得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明,优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值,并且模型能够更快收敛,验证了SQP-ACO-BPNN方法的有效性。     

MIV方法在苹果糖度近红外分析中的应用

针对苹果糖度近红外光谱数据的特点,分析了基于BP神经网络和偏最小二乘PLS的苹果糖度定量预测模型建立方法:,将平均影响值方法:(mean impact value)引入到近红外波长选取的过程中来,并与联合区间偏最小二乘法结合,达到波长优选的目的:。首先,利用联合区间偏最小二乘算法,筛选出与苹果的糖度相关度较大的光谱波长数据,再利用PLS-BP方法:建立预测模型。在此模型基础上,使用平均影响值方法:,对参与建模的每个波长数据进行评价,选取影响值最大的一系列波长点,重新建立模型。模型变量数为124,校正均方根误差(RMSEC)为0.1740,验证均方根误差(RMSEP)为0.4565。结果:表明,校正均方根误差,利用平均影响值与联合区间偏最小二乘方法:结合,对光谱数据进行波长的筛选,可以降低模型复杂度,同时提高模型预测精度。     

优化茶多酚近红外光谱定量分析模型

茶叶中茶多酚作为茶叶品质检测中常规检测成分之一,目前的常规检测方法的缺点是费时、费力,成本较高,因此本研究利用近红外光谱分析技术对茶叶中茶多酚含量快速无损检测具有很高的实用价值.为了提高近红外光谱茶多酚预测模型的精度,利用小波消噪预处理茶叶近红外光谱,滤去其中的噪声信息.再用区间偏最小二乘法(iPLS)与遗传算法(GA)相结合的PLS波长筛选法iPLS-GA建立茶多酚的预测模型:用iPLS预测前,先将整个光谱划分为40个子区间,选择交互验证均方根误差RMSECV值低于全光谱区间的第25和34子区间的组合为信息区间,共166个波数点,然后用GA全局优化组合这166个波数点,最终共有18个波数点用于建立茶多酚模型.结果表明,用小波消噪和iPLS-GA建立的茶多酚模型的预测相关系数RC和校正均方根误差RMSEC分别为0.964 8和2.14;预测相关系数Rp和预测均方根误差RMSEP;分别为0.958 7和2.22.均比其它模型好.建模数据量从3 320个减少到18个,使模型得以简化.     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。     

软件缺陷预测中的数据预处理方法

软件缺陷预测是软件质量保障领域的热点研究课题,缺陷预测模型的质量与训练数据有密切关系。用于缺陷预测的数据集主要存在数据特征的选择和数据类不平衡问题。针对数据特征选择问题,采用软件开发常用的过程特征和新提出的扩展过程特征,然后采用基于聚类分析的特征选择算法进行特征选择;针对数据类不平衡问题,提出改进的Borderline-SMOTE过采样方法,使得训练数据集的正负样本数量相对平衡且合成样本的特征更符合实际样本特征。采用bugzilla、jUnit等项目的开源数据集进行实验,结果表明：所采用的特征选择算法在保证模型F-measure值的同时,可以降低57.94%的模型训练时间;使用改进的Borderline-SMOTE方法处理样本得到的缺陷预测模型在Precision、Recall、F-measure、AUC指标上比原始方法得到的模型平均分别提高了2.36个百分点、1.8个百分点、2.13个百分点、2.36个百分点;引入了扩展过程特征得到的缺陷预测模型比未引入扩展过程特征得到的模型在F-measure值上平均提高了3.79%;与文献中的方法得到的模型相比,所提方法得到的模型在F-measure值上平均提高了15.79%。实验结果证明所提方法能有效提升缺陷预测模型的质量。     

稀疏贝叶斯混合专家模型及其在光谱数据标定中的应用

在光谱数据的多元校正中, 光谱数据通常是在多种不同的环境条件下收集的. 为了建模来源于不同环境中的高维光谱数据, 本文提出了一种新的稀疏贝叶斯混合专家模型, 并将其用来选择多元校正模型的稀疏特征. 混合专家模型能够把训练数据划分到不同的子类, 之后使用不同的预测模型来分别对划分后的数据进行预测, 因此这种方法适合于建模来自于多种环境下的光谱数据. 本文提出的稀疏的混合专家模型利用稀疏贝叶斯的方法来进行特征选择, 不依赖于事先指定的参数; 同时利用probit模型作为门函数以得到解析的后验分布, 避免了在门函数分类模型中进行特征提取时需要的近似. 本文提出的模型与其他几种常用的回归模型在人工数据集和几个公开的光谱数据集上进行了比较, 比较结果显示本文提出的模型对多个来源的光谱数据进行浓度预测时精度比传统的回归方法有一定的提高.     

软件缺陷预测中的数据预处理方法

软件缺陷预测是软件质量保障领域的热点研究课题，缺陷预测模型的质量与训练数据有密切关系。用于缺陷预测的数据集主要存在数据特征的选择和数据类不平衡问题。针对数据特征选择问题，采用软件开发常用的过程特征和新提出的扩展过程特征，然后采用基于聚类分析的特征选择算法进行特征选择；针对数据类不平衡问题，提出改进的Borderline-SMOTE过采样方法，使得训练数据集的正负样本数量相对平衡且合成样本的特征更符合实际样本特征。采用bugzilla、jUnit等项目的开源数据集进行实验，结果表明：所采用的特征选择算法在保证模型F-measure值的同时，可以降低57.94%的模型训练时间；使用改进的Borderline-SMOTE方法处理样本得到的缺陷预测模型在Precision、Recall、F-measure、AUC指标上比原始方法得到的模型平均分别提高了2.36个百分点、1.8个百分点、2.13个百分点、2.36个百分点；引入了扩展过程特征得到的缺陷预测模型比未引入扩展过程特征得到的模型在F-measure值上平均提高了3.79%；与文献中的方法得到的模型相比，所提方法得到的模型在F-measure值上平均提高了15.79%。实验结果证明所提方法能有效提升缺陷预测模型的质量。     

基于红外光谱和随机森林的枸杞产地鉴别

采用傅里叶变换红外光谱,测定了45个来自青海省不同产地的枸杞样品的红外光谱。小波变换对红外光谱原始数据进行了预处理。红外光谱数据压缩到原来的1/8,其分析精度与原始光谱数据基本相当。将45个样本数据分为30个训练集和15个测试集,建立随机森林(RF)预测枸杞产地模型,使用内部交叉验证和外部数据进行验证。采用R语言实现随机森林算法,并对模型的参数进行了优化。结果,所建立的判别模型中训练样本判别正确率为100%,测试样本判别正确率为100%。研究结果表明,建立的模型能够正确地对枸杞样品快速地进行产地鉴别,红外光谱法结合随机森林可作为中药材产域分类鉴别的一种新的现代化方法。