基于随机森林的光谱分类模型研究

文章第一节介绍集成算法原理;第二节系统理论地说明了Bagging算法;第三节介绍随机森林算法;第四节介绍实验内容以及程序模块,利用Python实现光谱数据的分类并评估结果,然后实行调参,得到最优的参数搭配;第五节对优化模型进行测试,与原模型比较准确率、查准率、召回率、F-score值等指标,发现优化后的结果优良;第六节...     

基于集成学习的全双工中继系统安全中继选择方案研究

当处于无线信道状态信息(Channel State Information,CSI)快速变化或者多跳中继等应用场景时,利用集成学习算法解决安全中继选择问题能减少实时处理时延及计算复杂度.将合法信道和窃听信道的CSI作为训练模型输入,使系统安全容量到达最大的中继节点索引作为输出,把全双工中继系统安全中继选择问题转化为一个多类分类问题,并利用随机森林(Random Forest,RF)算法求解.安全中继选择方案的实现分为数据准备、模型建立和结果预测三个阶段.在数据准备阶段,由于RF算法要求训练模型输入为离散值,给出了均匀量化和非均匀量化两种特征提取法将CSI转化为离散值.最后,通过仿真实验验证方案性能.     

IDC机房空气质量检测评估和净化

针对空气污染导致IDC数据中心内IT设备故障不断出现的现状,文章介绍IDC数据中心机房内空气质量对IT设备的各种影响,针对空气洁净度、腐蚀性气体浓度、空气湿度等分别探讨目前业内检测评估的常规方法以及尚在发展阶段的光纤测湿度法,接着从建设、管理、技术等层面分别提出IDC数据中心空气净化的方案和措施。通过在机房内实施空气质量的检测评估和净化手段,可有效改善机房IT设备运行环境,减少空气污染导致的IT设备故障率,提高运维管理水平。     

基于随机森林算法的智能NB-IoT覆盖评估

介绍了一种基于随机森林算法的智能NB-IoT覆盖评估新方法,通过人工智能算法解决了NB-IoT覆盖评估不精确的难题.首先从理论推导和实测矫正2个方面介绍了目前NB-IoT覆盖评估一般所采用的线性评估方法,然后介绍了基于随机森林算法的数据获取和模型构建,最后对比了NB-IoT覆盖线性评估方法和随机森林算法模型评估方法的结...     

一种基于随机森林的激光大气传输效应评估方法北大核心CSCD

针对现有的激光大气传输效应评估方法(定标律评估和波动光学仿真评估)较难有良好的模型正则性和应用普适性的困难,提出一种基于随机森林的激光大气传输效应评估方法。该方法首先以烟台某地大气环境数据(温度、风速、湍流强度(C^(2)_(n))等)的随机采样和激光发射参数(传输距离、激光功率等)作为输入数据和多层相位屏模型仿真生成的环围功率(PIB)作为输出数据,然后利用随机森林进行训练和预测。结果表明,随机森林较支持向量机能更好的表征输入与输出间的多元回归关系,预测均方根误差优于0.021%;传输距离、C^(2)_(n)与PIB相关性最强,对PIB影响最大。本方法可为机器学习在激光大气传输效应评估的应用提供更加完善的理论依据,具备一定的应用价值。     

集成学习之随机森林算法综述

集成学习是一类非常重要且实用的方法,以简单高效著称的随机森林算法是集成学习算法的代表之一,它集成众多决策树并以投票的方式输出结果,在许多应用领域取得了巨大的成功。文章介绍决策树和随机森林算法,总结随机森林算法在性能改进、理论性质方面的研究进展,及其和深度学习算法之间的区别与联系。     

基于最大信息系数的随机森林算法

为了解决随机森林在处理高维连续型数据时的不相容信息问题,一定程度上提高算法的准确率与计算效率,结合最大相关最小冗余的思想,提出了一种融合最大信息系数的随机森林算法(random forest algorithm combining maximum information coefficient,MICRF).首先运用最...     

基于随机森林的系统性能指标贡献率评估

针对系统性能评估结果,分析各类指标在本次评估中的贡献率,是系统实现有针对性优化改进的重要基础。基于随机森林算法中的变量重要性测量(Variable Importance Measure,VIM),面向指标体系与评估结果值构建随机森林模型,设计实现一种系统性能指标贡献率评估方法,完成系统性能评价中指标重要程度排序。仿真结果表明,该方法可以精准快速地选取对系统评估结果影响较大的指标,从而为系统性能的提升提供理论支撑。     

基于机器学习算法的中小企业信用评估研究

采用大数据方法预测企业违约风险具有重大的现实意义.传统的信用评估模型主要是统计分析模型、判别分析模型等,预测能力有限.因此,文章建立了基于随机森林和支持向量机两种机器学习算法的信用预测模型,并引入ACC、AUC以及FNR评价指标来衡量模型预测的效果.对比实验表明,基于随机森林的信用预测模型较支持向量机模型具有更好的预测...     

基于特征选择的SVM选择性集成学习方法

本文提出了一种结合SVM的选择性集成学习方法。算法基于集成学习的基本框架,通过对输入的训练子集进行特征选择处理并对随后的基分类器进行泛化能力的排序和选择,形成了一个新的集成分类器,以提高性能。文中试验采用UCI数据集与传统的Bagging算法做对比,结果表明本文算法可以有效地改善分类效果。     

随机贪婪的树状基学习器集成的森林聚类方法研究

聚类是数据挖掘的一个重要方面,而对高维混合特征数据聚类仍然是一个具有挑战性的问题.针对高维混合特征数据下欧氏距离失去意义的问题,提出了一种基于随机贪婪的树状基学习器集成的森林聚类算法.模型能够利用树状基学习器集成的优点,同时处理离散和连续特征混合下的数据以及高维度的数据.借鉴随机森林计算相似度矩阵的方法,计算聚类森林中...     

基于改进随机森林的工业互联网安全态势评估方法

针对工业互联网安全态势评估存在数据特征提取困难和安全态势评估准确率低等难题,提出一种基于改进随机森林的工业互联网安全态势评估方法 .基于随机采样技术平衡原始数据集以减小不平衡数据集对实验的影响;利用梯度提升决策树确定工业互联网流量数据中不同特征的权重系数,结合递归特征消除法提取其关键特征;构建基于改进随机森林的工业互联网多分类攻击检测模型,识别网络受到的攻击类别,并结合安全态势量化指标确定其风险程度.实验结果表明,本文算法的检测准确率和F1值分别达到89.19%和89.68%,相较于传统随机森林算法、支持向量机和K最近邻算法,其准确率和F1值分别至少提高2.91%和1.7%,平均分别提高8.38%和9.33%.     

基于随机森林算法的网络流量分类方法

精确的网络流量分类是实现互联网可控可管的关键,传统的单一分类算法需要构建基于特定假设的某种模型,算法对于待分类数据的分布要求高,不能满足复杂多变的网络流量的分类要求。基于此,采用多决策树组合的随机森林算法实现网络流量分类。通过实际网络流量数据实验表明,在各种情况下,随机森林算法都能显著改善网络流量特别是小比例样本的分类效果,算法降低了单一算法过于依赖特定假设模型的要求,对于待分类样本的分布要求低,随机森林算法具有良好的分类效果和鲁棒性。     

基于RF-PSO-BP的电能质量稳态指标预测

电能质量问题日益严重,实现稳态电能指标的预测对于保障供电质量有重大意义。以某低电压台区监测点为研究对象,提出一种基于随机森林（Random Forest,RF）特征优选和粒子群优化（Particle Swarm Optimization,PSO）反向传播（Back Propagation,BP）神经网络的电能质量稳态指标预测方法。根据监测点的环境因素、动态电能数据以及电能质量指标的历史数据等多维度特征进行标准化处理,通过RF算法实现特征选择后,进一步将优选特征输入到神经网络,并结合PSO算法优化BP神经网络的权值和阈值,构建神经网络预测模型。将该方法结合实例与传统神经网络进行对比试验,结果表明,所提预测方法的MAPE均低于3%,预测效果较传统神经网络更佳。     

基于支持向量机的城市空气质量时间序列预测模型探究

空气污染问题在当下是一个十分严重的问题。开展空气质量监测、预测工作对于污染控制,降低危害具有重要意义。支持向量机模型是进行回归预测性能良好的工具,并可用于时间序列预测。文章采用径向基函数作为核函数,用交叉验证的方法优化参数构造支持向量机时间序列预测模型,选取某地市2013年1月至8月的空气质量指数作为空气质量参数进行实证分析,表明模型预测效果很好,具有一定实用价值。     

基于Bagging支持向量机集成的入侵检测研究

对大数据集来说，支持向量机的时空耗费非常大，本文采用bagging技术对支持向量机进行集成。首先用bootstrap技术对训练样本集进行可重复采样，使所得到的新子样本集有较大差异，然后用多个支持向量机对各子样本集进行学习，并将学习后的结果用多数投票法集成最终的结论。实验表明，支持向量机集成对入侵检测数据有比单个支持向量机更好的分类性能。