基于随机森林的脑磁共振图像分类

特征选择和分类算法是影响脑磁共振图像分类精度的2个最主要的因素。随机森林算法作为一种优秀组合分类器逐渐成为近年来研究的热点,通过加权脑磁共振3种（T1、T2、PD加权像）图像,采用非统一滑动窗口尺寸提取二维图像的纹理特征、形状特征、HAAR特征、灰度特征以及边缘检测算子、最大类间方差（OTSU）作为随机森林算法的输入特征,从而分类出图像的10类组织。经过对加拿大蒙特利尔神经科学研究院提供的脑仿真核磁共振图像实验,随机森林算法对二维脑MR图像的分类精度可以达到94%以上。     

基于小波分析与随机森林算法的电力电子电路故障诊断

提出一种基于Db6小波函数和随机森林算法相结合的电力电子故障诊断新方法.介绍应用Db6小波进行波形分解和提取故障特征量的方法与步骤,阐述随机森林算法决策树的生长和投票过程,应用随机森林算法设计出故障分类器,并将其应用于12脉波可控整流电路的故障识别.诊断结果表明,所提方法具有较高的正确诊断率和较强的抗噪声能力.在加入5%或10%的噪声情况下,该方法正确诊断率分别比DHMM诊断法高出2.87%和17.43%,在工程中具有实际应用价值.     

基于随机森林算法的短期电力负荷预测

为了准确预测电力系统的短期负荷变化,为电力系统安全、经济、高效运行提供指导方向,提出了一种将模糊聚类以及随机森林回归算法进行组合的电力系统负荷预测方法,利用粗糙集构建补偿规则,对预测结果进行修正补偿。首先,通过对电力系统负荷的周期性、天气相关性等特征进行分析,利用C均值模糊聚类算法对历史样本进行聚类,在进行随机森林回归预测时,使用聚类后同类数据作为训练集样本构建决策树。考虑到随机森林回归预测偏保守、电力系统负荷在峰值处波动大的特征,在得到预测结果后利用粗糙集理论生成补偿规则,对负荷预测进行修正。利用所述方法对北爱尔兰地区进行一日24 h的负荷预测,结果跟实际负荷的平均绝对误差百分比为2.09%,验证了该预测方法的有效性。     

基于Spark平台和并行随机森林回归算法的短期电力负荷预测

随着智能电网、全球能源互联网的建设与相关技术的发展,现代电力系统中电力大数据的格局已经形成,如何对高维海量数据进行深度挖掘以实现数据的充分利用,成为当前电力工作者们关心的问题。该文针对电力大数据环境下高精度和实时性的负荷预测展开了研究,提出了基于Spark平台和并行随机森林回归算法(Spark platform and parallel random forest regression,SP-RFR)的短期电力负荷预测方法,通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进,并在Spark分布式集群环境下实现部署。结合某区域实际电力负荷数据设计试验,进行模型训练和回归预测,通过试验证明,对同等的数据集,基于Spark平台的并行随机森林回归算法预测精度高于单机负荷预测算法;并行随机森林算法受离群数据干扰较小,且随着数据集的增大,并行随机森林算法表现出良好的鲁棒性;与单机算法在运行时间上相比,随着数据集的增大,基于分布式集群的方法优势明显。该文提出的方法能够有效地在分布式环境中进行电力负荷预测,为负荷预测提供了一种新思路。     

基于随机森林的气味感知分类研究

机器嗅觉是一种基于传感器阵列与计算机算法模拟生物嗅觉的新兴仿生技术,气味物质气味表征是机器嗅觉值得研究的领域,目前嗅觉感知处于初级研究阶段,气味的通用分类理论基础还不成熟。本文从物质气味电子信息角度出发,利用采集样本中相对均衡香型数据,通过机器学习算法及参数调整、网格搜索等模型优化手段,提出基于电子鼻数据的物质气味分类模型,建立物质气味电子鼻信息与感知联系,实验结果表明,基于随机森林的气味分类在各评价指标上表现突出,平均准确率达到93.6%,随机森林模型相比其他机器学习算法表现优异。     

基于随机森林算法的95598投诉预测方法研究

为减少投诉风险发生,提出一种基于随机森林算法的95598工单投诉预测方法,实现对95598工单的直接投诉预测与转化投诉预测。首先,对95598历史工单进行数据预处理;其次,在充分考虑历史工单的供电地区、时间、天气、前期工单事因、重复来电和投诉倾向等情况的基础上,建立了基于随机森林算法的95598电力服务投诉工单预测模型。以某市全年95598工单数据为例,建立了该市的95598电力服务投诉工单预测模型,并以Weka 3.8数据挖掘软件为测试平台,对所建立的模型进行测试,并与其他数据挖掘算法的预测性能进行了对比分析。结果表明,该方法能够实现对95598投诉风险的有效预测,投诉预警效果良好。     

基于随机森林算法的架空输电线路状态评价方法

对电网中架空输电线路进行准确的状态评价可以有效降低故障率,提高系统的供电性能。该文提出一种基于随机森林算法的架空输电线路状态评价方法。首先,通过对架空输电线路状态的影响因素分析,以线路8个单元选取的状态量和特殊情况状态量构建了包含79个状态量的架空输电线路状态量体系。其次,基于随机森林算法,构建了架空输电线路状态评价的多棵子决策树组合分类模型。然后,通过优化决策树数目和随机特征变量,提高随机森林算法分类性能和计算效率。最后,以某市110 kV电压等级架空输电线路实际数据进行实例分析。结果表明,采用该方法可实现架空输电线路状态的准确评价,从而为区域电网的运行调控提供决策支持。     

基于改进随机森林的电力线通信优化算法研究

针对传统信道估计技术会占用频谱资源的缺陷,提出了一种基于改进随机森林的解映射优化算法。首先针对信源数据固有的不平衡性引入了改进SMOTE算法进行预处理,基于电力线信道特性确定了少数类数据的合成规则,并以解映射模块的子区间误码率作为评价指标进行性能分析。搭建了宽带电力线通信系统模型,以实际电表数据作为信源数据,在500 m的18径电力线信道模型下进行了仿真测试。实验结果表明,所提算法可以很好地弥补电表数据固有的不平衡性对随机森林性能的影响,极大地降低了子区间误码率的波动性。在各种信噪比环境下,引入改进随机森林算法均可以很好地优化解映射模块性能,提高宽带电力线通信质量,降低误码率。     

基于改进随机森林的电力用户欠费风险分析预警

针对当前电网企业电费回收风险,提出了一种基于改进随机森林的电力用户欠费风险分析预警方法。首先,针对欠费用户、正常缴费用户的类别分布不均衡问题,采用SMOTE算法优化原始用户样本分布;接着,选择信息值计算各属性与目标类别属性的相关性,进而优化节点属性的选择;然后,针对影响随机森林分类准确率和性能的主要参数：树的规模nTree、叶子节点的最小样本数minLeaf和属性子集的数量K,采用加温模拟退火算法搜寻最优参数组合;最后,采用改进的随机森林算法对用户未来是否欠费进行分析预测,得到潜在欠费高风险用户。将该方法与逻辑回归、决策树等常用分类算法进行了对比分析,结果验证了该方法的有效性。#$NL关键词：电力用户;欠费风险预测;随机森林算法;SMOTE;信息值;参数组合;加温模拟退火算法     

基于多标签随机森林的电能质量复合扰动分类方法

提出一种多标签随机森林(Multi-label Random Forest, ML-RF)分类算法,并将其应用于电能质量复合扰动分类。ML-RF是基于多标签决策树(Multi-label Decision Tree, ML-DT)的集成学习算法,利用子决策树的组合来增强分类器的整体性能。首先对电能质量扰动信号进行平稳小波变换,计算各层分解系数的小波能量熵作为分类特征向量。然后使用Bootstrap自助法和子空间采样构造不同的训练集训练子决策树。最后组合子决策树得到ML-RF分类器,并对复合电能质量扰动进行分类。仿真结果表明,在不同噪声情况下,该方法均能有效进行复合扰动的分类,具有较好的噪声鲁棒性,是复合电能质量扰动分类的一种可行方法。     

基于谱聚类的网络流量分类识别算法

网络流量分类识别是网络管理与网络安全的基础,但由于动态端口技术,加密传输方式及数据隐私等因素,现有的基于网络端口映射和有效载荷分析的方法在应用中,其准确性和效率都受到了制约。为此,引入谱聚类方法,将网络流量分类识别问题通过聚类思想转化为一个无向图的多路划分问题,并使用图论的思想来解决原问题。实验结果表明该方法具有良好的网络流量分类识别效果,精确度较高,在互联网流量分类中有良好的应用前景。     

基于DeepWalk算法的电力系统错误数据注入网络攻击分类方法

为了准确、有效地识别错误数据注入攻击（FDIA）对电网造成危害的严重程度,提出了基于DeepWalk算法的FDIA分类新方法。根据FDIA的特点,构建电力系统的响应模型;提出批量随机边删减策略,将响应模型生成的攻击数据构造为攻击场景图;采用DeepWalk算法将攻击场景图中的节点映射为低维向量,并将其作为机器学习算法的输入对FDIA进行分类。以遭受FDIA的IEEE 39节点系统为例进行仿真,结果表明所提方法可以根据FDIA对电网造成危害的严重程度准确、有效地对FDIA进行分类。     

基于分段改进S变换和随机森林的复合电能质量扰动识别方法

各类分布式设备和智能设备接入电力系统,使得电力系统对电能的波动越来越敏感,这导致对电能质量扰动(PQD)的识别和处理变得越来越重要。通过将分段改进S变换(SMST)和随机森林(RF)算法相结合,提出了一种用于复杂噪声环境下PQD识别的新方法。首先,基于检测误差和峰度对SMST的不同频段进行分别调参,并使用SMST提取待检测信号的75种时频特征,构成原始特征集。然后,改进分类回归树(CART)的节点分裂过程,加入了离散值处理策略并使用Gini指数的下降作为新的节点分裂规则。同时,在下次节点分裂前,将基尼指数下降值为零的特征从特征集中删除。最后,使用改进的CART算法构建了RF分类器并对复合PQD信号进行分类。实验证明,在不同的信噪比条件下,新方法均能有效识别多数单一PQD信号和常见的双重复合PQD信号。虽然新方法在运行效率方面仍有一定的改进空间,但其在不同层面上的改进均能有效提升PQD识别精度,且平均分类精度明显高于各类传统PQD识别方法。     

基于随机森林算法的台区合理线损率估计方法

线损管理是电力公司的重点管理内容之一,低压电网普遍采用分台区的管理手段。供电侧数据缺失和营销抄表日期冲突导致的线损率缺失是电力公司线损系统中台区线损数据存在的主要问题。为此,提出了一种涉及多源数据的基于随机森林算法的台区合理线损率估计方法。从线损系统、生产管理系统和营销系统中提取台区、变压器和用户相关数据,建立台区特征数据库;对台区进行聚类分析,并在此基础上建立决策树分类模型和随机森林估计模型;利用上述模型估计台区线损率。以上海电力公司实际数据为例,计算结果验证了所提方法的可行性;并将所得结果与线性回归模型和回归树模型的估计结果进行比较,表明所提方法性能优越。     

一种基于图卷积神经网络的加密流量分类方法

深度学习算法被广泛应用于网络流量分类领域并取得较好效果。然而,对抗攻击的出现给其安全性带来了严重威胁,使得当前主流的基于卷积神经网络模型的分类算法的精度严重下降。针对此,本文提出了一种抗流量分类中灰度图对抗攻击的加密流量分类方法。所提方法通过提取数据包负载长度、包序列、方向、簇等流量交互信息构建拓扑图,将加密流量分类问题转化为图分类问题。接着,本文使用基于图卷积神经网络的分类方法进行特征的学习分类,图卷积神经网络模型可以自动从输入的拓扑图中提取特征,将特征映射到嵌入空间中的不同表示来区分不同的图结构。实验结果表明,本文所提方法不仅能够避免对抗攻击,且在公开数据集上的分类性能也较现有典型方法提高了5%以上。