基于集成相关向量机的水质在线预测模型

针对污水处理过程存在着强非线性和非稳态运行等特征,传统传感器维护成本高昂且无法快速准确地测量生化需氧量(BOD)等水质指标的问题,提出一种基于集成相关向量机的水质在线预测模型。该模型首先采用相关向量机(RVM)为弱预测器,利用改进的AdaBoost.RT算法将多个弱预测器集成为强预测器,实现了污水处理过程中水质的在线预测。仿真实验结果表明,该水质在线预测模型预测精度高,综合性能突出,克服了单一预测器随着异常点增多,模型泛化能力下降和鲁棒性不足的问题,能较好地实现了污水处理过程中的水质在线预测。     

基于增量学习思想的改进AdaBoost 建模方法

针对软测量建模的特点以及建模过程中存在的主要问题,提出了基于 AdaBoost RT 集成学习方法的软测量建模方法,并根据 AdaBoost RT 算法固有的不足和软测量模型在线更新所面临的困难,提出了自适应修改阈值 和增添增量学习性能的改进方法.使用该建模方法对宝钢300 t LF 精炼炉建立钢水温度软测量模型,并使用实际生产数据对模型进行了检验.检验结果表明,该模型具有较好的预测精度,能够很好地实现在线更新.     

一种面向机动目标跟踪的交互式多模型算法

针对在传感器可能偏差的情况下进行机动目标跟踪,提出一种新的交互式多模型算法,即IMM-TS-EV算法。该算法同时考虑传感器测量模型与目标运动模型这两类模型的多样性,以此处理传感器偏差性与目标机动情况。但由于考虑两类模型可能会造成模型过多而导致性能衰退,故结合扩展维特比(EV)算法以期望能有效缓解该问题,即新算法属于一种同时考虑两类模型的改进交互式多模型扩展维特比(IMM-EV)算法。最后以仿真结果验证了算法的有效性,能够利用多模型特点同时解决传感器的偏差性与目标的机动性所带来的匹配问题。     

Stacking集成学习模型在混合式成绩分类预测中的应用

针对现有单一算法模型在成绩预测时存在泛化能力不强的问题, 提出一种基于多算法融合的Stacking集成学习模型, 用于混合式教学中学生成绩的预测. 模型以多项式朴素贝叶斯、AdaBoost和Gradient boosting为初级学习器, 逻辑斯蒂回归为次级学习器组成两层融合框架. 通过混合式教学过程中所产生的学习行为数据对模型进行验证. 实验表明, Stacking集成学习模型在测试集上分类预测准确率达到76%, 分别高于多项式朴素贝叶斯、AdaBoost、Gradient boosting和逻辑斯蒂回归4个单一算法模型5%、6%、9%和6%. 与单一算法模型相比, Stacking集成学习模型有着较强的泛化能力, 能更好地预测学生成绩, 为混合式教学的学习预警提供参考.     

基于MCP惩罚的群组变量选择和AdaBoost集成剪枝

针对高维群组变量下的分类问题,本文提出了一种基于MCP惩罚的AdaBoost集成剪枝逻辑回归模型(AdaMCPLR),将MCP函数同时应用于特征选择和集成剪枝,在简化模型的同时有效地提升了预测精度.由于传统的坐标下降算法效率较低,本文引用并改进了PICASSO算法使其能够应用于群组变量选择,大大提高了模型的求解效率.通过模拟实验,发现AdaMCPLR方法的变量选择和分类预测效果均优于其他预测方法.最后,本文将提出的AdaMCPLR方法应用于我国上市公司财务困境预测中.     

基于集成方法的不平衡数据分类研究

按照不同不平衡数据集在面对四类分类情况时侧重点的不同,构造出一种适用于不同特征不平衡数据的分类评价指标,并围绕此指标调整弱分类器权重及样本权重,改进集成算法中的AdaBoost算法,使其自适应不同特征的不平衡数据集分类.选择决策树算法作为基分类器算法进行仿真实验,发现使用AdaBoost算法和GBDT算法后准确率降幅较大,而改进的PFBoost算法能够在保证准确率的情况下显著提升F1值和G-mean值,且在绝大多数数据集上的F1值和G-mean值提升幅度远超其它两种集成算法.     

基于最优时钟偏差的无线传感器网络同步算法

针对无线传感器网络固有的时钟偏移和时钟漂移问题,研究了不同的时间同步方法对同步精度的影响。以簇形网络结构时钟同步原理为依据提出最优时钟偏差算法,应用卡尔曼滤波方法,以最优化递归方式对成员节点的时钟偏差进行最小调整。与一般簇形同步算法进行比较发现,该算法不仅可以提高同步精度,还可以减少节点能耗。仿真结果也表明,该算法能准确地描述同步精度问题,是一种有效的时钟同步算法。     

基于SVM混合集成的信用风险评估模型

准确的信用风险评估可以降低金融机构的风险。为了进一步提高信用风险评估模型的预测准确率,将基于SVM的集成学习模型应用到信用风险评估问题中,提出了一种混合集成策略,称作RSA。RSA是随机子集模型和AdaBoost两种流行策略的合成,能提高组合成员分类器的多样性,从而提高集成学习模型的预测准确率。模型在两组公开信用数据集上进行了应用,实验结果表明基于RSA的SVM的集成学习模型可以作为信用风险评估的有效模型。     

基于改进AdaBoost算法的复杂网络链路预测

链路预测是复杂网络的重要研究方向,当前的链路预测算法因可利用的网络信息有限,导致预测算法的精确度受限。为了提高预测算法的性能,采用改进的AdaBoost算法进行链路预测。首先根据复杂网络样本建立邻接矩阵,完成样本的矩阵化处理;然后采用AdaBoost算法进行分类训练,通过权重投票获取预测结果;最后,考虑到复杂网络弱分类器预测正负误差分布的不均衡问题,设置权重调整因子η及其调整范围[η1,η2],并根据η值动态调整AdaBoost算法的多个弱分类器分类结果的权重,从而获得准确的链路预测结果。实验结果证明,相比其他常用网络链路预测算法及传统AdaBoost算法,改进的AdaBoost算法的预测准确率优势明显,且在节点数量较多时,其预测时间性能和其他算法的差距较小。     

AdaBoost改进的规划识别方法在入侵检测中的研究

论文将集成学习的思想引入规划识别中,介绍了一种基于AdaBoost改进的规划识别算法并应用于入侵检测。该算法把串行的集成算法AdaBoost与传统的规划识别算法相结合,把各个规划识别模型视为弱预测器,结合AdaBoost算法把各弱预测器组合成一个强预测器。最终输出强预测器的识别结果。论文使用NSL-KDD数据集进行实验验证。实验结果对比表明,论文提出的方法相比传统方法有着更好的识别效果。     

An Ensemble ELM Based on Modified AdaBoost.RT Algorithm for Predicting the Temperature of Molten Steel in Ladle Furnace

Combined the modified AdaBoost.RT with extreme learning machine (ELM), a new hybrid artificial intelligent technique called ensemble ELM is developed for regression problem in this study. First, a new ELM algorithm is selected as ensemble predictor due to its rapid speed and good performance. Second, a modified AdaBoost.RT is proposed to overcome the limitation of original AdaBoost.RT by self-adaptively modifying the threshold value. Then, an ensemble ELM is presented by using the modified AdaBoost.RT for better accuracy of predictability than individual method. Finally, this new hybrid intelligence method is used to establish a temperature prediction model of molten steel by analyzing the metallurgic process of ladle furnace (LF). The model is examined by data of production from 300t LF in Baoshan Iron and Steel Co., Ltd. and compared with the models that established by single ELM, GA-BP (combined genetic algorithm with BP network), and original AdaBoost.RT. The experiments demonstrated that the hybrid intelligence method can improved generalization performance and boost the accuracy, and the accuracy of the temperature prediction is satisfied for the process of practical producing.     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

一种基于AdaBoost的人脸检测算法

针对常规基于肤色检测的AdaBoost算法的不足, 提出了一种改进的AdaBoost人脸检测算法,算法包括人体肤色模型、人脸运动检测模型、改进的背景提取方法、针对人脸区域的光照增强方法。算法综合利用了人体肤色信息和人脸运动信息,能有效缩小搜索范围。实验结果表明,该方法与常规基于肤色检测的AdaBoost方法相比,在保证检测性能的基础上,有效提高了检测速度。     

基于AdaBoost的计算机生成图像检测算法

提出了一种基于AdaBoost的计算机生成图像检测算法;该算法从空间域和变换域提取JPEG图像的特征值,利用特征组合技术来检测计算机生成图像.其中,小波域特征值是图像小波子带系数及其线性预测误差的高阶统计量,空间域特征是图像的梯度能量特征值.利用AdaBoost算法来构造分类器.相比于其它分类算法,AdaBoost算法是将弱学习算法通过一定规则上升为一种强学习算法,从而通过实际样本训练得到一个识别率较为理想的分类器.仿真实验表明,对计算机生成图像的检测率有了很大的提高.     

压电陶瓷传感器的灵敏度温漂误差补偿研究

针对微测系统中压电陶瓷传感器的灵敏度温漂会使其在变化的温度环境中工作时性能不稳定,进而影响检测精度问题,提出了一种基于改进Elman神经网络的压电陶瓷传感器灵敏度温漂误差补偿控制方法。分析了压电陶瓷传感器产生灵敏度温漂现象的原因。以压电陶瓷切削力测量传感器为对象,在不同温度下对传感器的灵敏度进行了标定试验研究。研究结果表明,压电陶瓷传感器在同一温度下工作时具有良好的线性度,在温度变化的环境中工作会伴有灵敏度温漂现象。为了有效补偿灵敏度温漂附加误差,提高检测精度,建立了基于改进Elman神经网络的灵敏度温漂补偿模型,并对模型涉及的学习算法、激励函数、输入输出层节点以及承接层和隐含层节点数等相关内容进行了研究。对比试验验证结果表明,所建立的灵敏度温漂补偿模型对压电陶瓷传感器的灵敏度温漂误差补偿控制效果明显,未经灵敏度温漂补偿,直接按照常温下灵敏度标定结果预测的压电陶瓷传感器加载力和实际加载力之间误差较大,最大误差达到29.16 N,利用本文建立的基于改进Elman神经网路灵敏度温漂补偿模型补偿后,补偿模型的预测力和压电陶瓷传感器的实际加载力最大误差仅0.72 N,有效保证了检测精度。     

Efficiency enhancement of a process-based rainfall–runoff model using a new modified AdaBoost.RT technique

High-efficiency rainfall–runoff forecast is extremely important for flood disaster warning. Single process-based rainfall–runoff model can hardly capture all the runoff characteristics, especially for flood periods and dry periods. In order to address the issue, an effective multi-model ensemble approach is urgently required. The Adaptive Boosting (AdaBoost) algorithm is one of the most robust ensemble learning methods. However, it has never been utilized for the efficiency improvement of process-based rainfall–runoff models.Therefore AdaBoost.RT (Adaptive Boosting for Regression problems and “T” for a threshold demarcating the correct from the incorrect) algorithm, is innovatively proposed to make an aggregation (AdaBoost-XXT) of a process-based rainfall–runoff model called XXT (a hybrid of TOPMODEL and Xinanjing model). To adapt to hydrologic situation, some modifications were made in AdaBoost.RT. Firstly, weights of wrong predicted examples were made increased rather than unchangeable so that those “hard” samples could be highlighted. Then the stationary threshold to demarcate the correct from the incorrect was replaced with dynamic mean value of absolute errors. In addition, other two minor modifications were also made. Then particle swarm optimization (PSO) was employed to determine the model parameters. Finally, the applicability of AdaBoost-XXT was tested in Linyi watershed with large-scale and semi-arid conditions and in Youshuijie catchment with small-scale area and humid climate. The results show that modified AdaBoost.RT algorithm significantly improves the performance of XXT in daily runoff prediction, especially for the large-scale watershed or low runoff periods, in terms of Nash–Sutcliffe efficiency coefficients and coefficients of determination. Furthermore, the AdaBoost-XXT has the more satisfactory generalization ability in processing input data, especially in Linyi watershed. Thus the method of using this modified AdaBoost.RT to enhance model performance is promising and easily extended to other process-based rainfall–runoff models.     

基于自适应提升的概率矩阵分解算法

针对推荐系统中概率矩阵分解模型(PMF)泛化能力(对新用户和物品的推荐性能)较差、预测准确性不高的问题,提出一种新的基于自适应提升的概率矩阵分解算法(AdaBoostPMF)。该算法首先为每个样本分配样本权重;然后根据PMF中的每一轮随机梯度下降法学习用户和物品特征向量,并计算总体预测误差均值和标准差。从全局的角度利用AdaBoost思想自适应调整样本权重,使算法更注重学习预测误差较大的样本;最后对预测误差分配样本权重,让用户和物品特征向量找到更合适的优化方向。相比传统的PMF算法,AdaBoostPMF算法能够将预测精度平均提高约2.5%。实验结果表明,该算法通过加权预测误差较大的样本,能够较好地拟合用户特征向量和物品特征向量,提高预测精度,可以有效地应用于研究个性化推荐。     

基于IBA-LSSVM的光合细菌发酵软测量

针对光合细菌(PSB)发酵过程活菌浓度难以在线检测,离线测量又存在很大延时及易染菌的问题,提出一种基于改进蝙蝠-最小二乘支持向量机(IBA-LSSVM)的软测量建模方法。本文先对BA的速度更新公式进行改进,且将差分进化算法(DE)的变异机制引入BA,增加了种群多样性,进而提升了BA算法的全局及局部搜索能力,然后构建了活菌浓度的IBA-LSSVM软测量模型,并与BA-LSSVM软测量模型进行对比。仿真结果表明,改进的模型相较于BA-LSSVM模型有着更好的学习能力和预测性能,测量误差为0.1358,可为光合细菌发酵过程的优化控制提供准确有效的指导,有一定的实际应用价值。     

基于固定增量单样本感知器的AdaBoost算法

针对传统AdaBoost算法在分类过程中时间复杂度和算法学习复杂度较高的问题,提出一种改进的算法AdaBoostFISP。以固定增量单样本感知器为弱分类器,在感知器的权值更新上采用固定增量代替变量增量,从而减少运算时间、降低学习复杂度。实验结果证明了该算法在预测准确性、学习复杂度和时间复杂度等方面的优势。