集成学习和蚁群算法优化XGBoost的人脸检索及应用

无约束人脸检索场景中,为了进一步提高识别精度,实践中往往会引入多个主流的深度学习人脸识别模型。针对每次从多个模型检索结果中确认人脸身份的工作量较大问题,以及考虑支持异质模型的插件式更换,使用基于Blending集成学习的人脸检索,将多个人脸识别模型作为基模型,并提出了一种基于蚁群算法优化的XGBoost作为元学习器对基模型的人脸相似度预测结果进行融合。实验结果表明：集成模型相对个体模型的检索性能均有不同程度提升,其中蚁群优化的XGBoost作为元模型的集成模型检索性能优于多项式回归、随机森林和GBDT作为元模型的性能,验证了集成模型和优化后的XGBoost的有效性。     

粒子群算法优化特征和神经网络的模拟电路故障诊断

模拟电路受到自身特性和外界环境的影响,故障变化具有非线性、时变性,针对当前模拟电路故障诊断模型的特征和分类器参数不匹配的难题,提出一种粒子群算法选择特征和神经网络的模拟电路故障诊断模型。首先对当前模拟电路故障诊断现状进行分析,指出它们存在的缺陷;然后提取模拟电路故障诊断特征,利用神经网络作为模拟电路故障诊断分类器;最后采用粒子群算法对模拟电路故障特征与神经网络参数进行优化,在Matlab 2012平台进行了仿真实验。结果表明,该模型的模拟电路故障诊断性能要远远优于其他参比模型,具有广泛的应用前景。     

模拟电路故障诊断的双重扰动支持向量机集成方法

为进一步提高模拟电路故障诊断准确率,提出一种特征和模型参数双重扰动的集成支持向量机新算法.首先在集合覆盖思想下设计基于混沌蚁群算法的属性约简算法将特征样本空间划分成若干子空间,然后针对每个子空间,在"低偏差区域"内进行模型参数扰动,经过两次多数投票法得到最终集成结果.故障诊断实例表明,该方法比多分类支持向量机、Attribute Bagging(AB)算法、Bagging方法等具有更好的故障诊断率.     

基于LVQ神经网络集成的柴油机气门故障诊断

针对柴油机气门故障的诊断样本少和非线性数据特征等问题,文中提出了一种基于学刁向量量化（LVQ,LearningVectorquantization）神经网络集成的柴油机故障诊断方法,该方法通过使飘LVQ神经两络作为基础学习器．采用Bagging算法对LVQ神经网络分类器进行相对多数投票集成,并用LVQ神经网络．LVQ神经网络集成．BP神经网络和RBF神经网络等方法对柴油机气门故障诊断．对评价结果进行了分析和比较,LVQ神经网络集成对柴油机气门故障诊断的正确率高于其他神经网络,神经网络集成的柴油机气门故障诊断精度高于单个神经网络的精度.     

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CS-LSTM-attention的轴承故障诊断

作为旋转机械设备的常用部件,轴承容易受到损伤而影响整个机械设备的运行,因此对其进行故障监测和诊断十分重要。轴承振动信号是一种时间序列数据,基于卷积神经网络的故障诊断模型对时序特征的提取具有局限性。针对上述问题,文中提出了一种基于卷积神经网络(CNN)、改进长短时记忆神经网络(LSTM)和注意力机制(Attention)的轴承故障诊断模型。首先,利用卷积神经网络初步提取经小波变换处理后的时频数据的特征,对数据等段均分后输入LSTM,进一步提取时序特征,再加入Attention模块对不同时刻的特征进行权重参数学习,最后结合全连接层与激活函数完成故障诊断。     

基于Stacking集成学习的恶意URL检测系统设计与实现

针对传统URL检测方法在恶意URL检测时存在的准确率不高、实时性差等问题，提出一种基于Stacking集成学习的算法模型。该模型采用机器学习单一方法中的岭分类、支持向量机、朴素贝叶斯作为初级学习器，采用逻辑回归作为次级学习器，通过初级学习器和次级学习器相结合的双层结构对URL进行检测。使用大量的URL数据集分别对单一方法中的模型和Stacking集成学习方法的模型进行训练，并对每种模型进行评估。评估结果表明，Stacking集成学习的算法模型对恶意URL检测的准确率可达98.75%，与其他模型相比提升0.75%以上。采用Flask作为开发框架，实现了恶意URL检测系统的功能，并对系统进行云端等部署，得到系统根据用户输入的URL链接可以输出URL的检测结果，具有较好的应用价值。     

量子混合蛙跳算法在过程神经网络优化中的应用

针对基于正交基展开的过程神经元网络参数较多,基函数展开项数和网络结构难以确定,传统BP算法不易收敛的问题,结合量子理论提出一种量子混合蛙跳算法,用于过程神经元网络的训练。该算法利用量子位的Bloch球面坐标将网络结构、网络参数和展开项数统一编码,提出沿球面上经过两点间的劣弧路径进行旋转的方法来同时更新三个优化解,并利用Hadamard门完成个体变异避免早熟,进而有效扩展解空间的搜索范围。以抽油机故障诊断和网络流量预测为例,验证了算法的有效性。      

基于RS-PSO-SVM集成的模拟电路软故障诊断

针对模拟电路软故障诊断准确度不高的问题,提出一种基于粗糙集(RS)-粒子群算法(PSO)-支持向量机(SVM)集成的模拟电路软故障诊断方法。首先利用粗糙集理论对采集的模拟电路软故障特征信息进行维数约简,然后利用粒子群算法对支持向量机的参数进行优化,以提高支持向量机分类器的诊断性能,最后进行故障诊断。对四运放双二次高通滤波器进行仿真,实验结果表明,基于RS-PSO-SVM集成的模拟电路软故障诊断方法是有效的。与其他常用方法相比,该诊断方法具有更好的故障诊断性能。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。     

基于PBO与CNN的电梯轴承故障检测

电梯在生活中已经变得随处可见。而电梯轴承作为重要的部件之一，当出现故障时会造成财产损失，严重的会发生危及生命的事件。卷积神经网络(Convolutional Neural Network, CNN)具有强大的特征学习能力，能够根据电梯轴承在运行的过程中产生的振动信号来检测电梯轴承是否发生故障。文中结合了北极熊算法(Polar Bear Optimization, PBO)对卷积神经网络的参数进行优化。PBO作为自然界的一种启发式优化算法，采用PBO和卷积神经网络相结合的故障诊断方法，对轴承故障识别率达到了99.6%,高于传统的卷积神经网络对电梯轴承的振动产生的特征信号进行故障诊断的识别率。     

基于红外的TPA和IAOA BiLSTM电路芯片故障诊断

为了提高电路芯片故障诊断准确率,超参数设置的效率以及特征提取效率,提出一种基于时间模式注意力机制(TPA)的改进算数优化算法(IAOA)优化双向长短期记忆网络(BiLSTM)的电路故障诊断方法。首先,利用IAOA搜寻BiLSTM的最优超参数组合,提高模型诊断精度;然后使用TPA提取重要特征并分配权重,改善模型特征提取能力;最后,将红外摄像仪采集的红外温度数据输入到最优诊断模型中,实现电路芯片故障诊断。实验采用0～30 V可调稳压电源电路进行验证。结果表明,该模型对电路芯片故障诊断准确率高达9827,可实现对电路芯片的高准确率故障诊断。     

基于模糊控制的水下潜器沉浮控制方法

针对水下潜器实际工作的需求和水下沉浮运动特征,提出一种基于自适应模糊控制的水下潜器自主沉浮控制方法.该方法从优化隶属函数入手,采用多层前向神经网络的误差反向传播(EBP)算法对它的参数进行在线修正,并采用Delta-Bar-Delta学习规则对学习速率进行在线调整,使EBP算法具有较快的收敛速度,同时避免了局部极小值问题.仿真实验表明,对于水下潜器自主沉浮运动的不能精确建摸、干扰严重的非线性与时变情况,这种自适应模糊控制是一种较好的控制方式.     

基于残差神经网络的轴承声发射信号故障智能诊断

近年来,随着人工智能的发展与普及,深度学习算法以其高准确率和鲁棒性成为了目前分类识别技术的热门。传统的轴承故障诊断采用振动信号,对早期故障不敏感。由于传统的人工特征提取方法难以准确的表征滚动轴承状态,深度学习算法便逐渐应用于滚动轴承的故障诊断。因此采用滚动轴承的声发射信号并结合神经网络进行故障检测,以更好的对轴承运行中的早期故障进行识别,为此提出了一种基于一维卷积残差神经网络的轴承故障诊断模型,通过多层卷积叠加以提取出数据中更加关键重要的信息。该模型在诊断中能够自适应的从输入数据中学习出所需要的特征。模型采用categorical crossentropy交叉熵损失函数及Adam优化算法实现滚动轴承的故障诊断。在试验台上模拟了早期轴承内圈、外圈、滚动体、保持架故障等四种故障,并利用模型进行了故障的分析和诊断,研究结果表明文章提出的模型对故障的声发射信号拥有良好的识别能力。     

基矛模糊控制的水下潜器沉浮控制方法

针对水下潜器实际工作的需求和水下沉浮运动特征,提出一种基于自适应模糊控制的水下潜器自主沉浮控制方法。该方法从优化隶属函数入手,采用多层前向神经网络的误差反向传播（EBP）算法对它的参数进行在线修正．并采用Delta—Bar—Delta学习规则对学习速率进行在线调整,使EBP算法具有较快的收敛速度,同时避免了局部极小值问题。仿真实验表明,对于水下潜器自主沉浮运动的不能精确建摸、干扰严重的非线性与时变情况,这种自适应模糊控制是一种较好的控制方式。     

基于红外的SSA CNN GRU电路板芯片故障诊断

针对电路板温度数据诊断率不佳的问题,本文提出了基于红外的SSA CNN GRU电路板芯片故障诊断模型。首先,根据红外热像仪采集芯片温度数据,建立多维特征模型；然后,在故障诊断模型输入端和CNN GRU通道分别添加注意力机制,构建双注意力结构,自适应识别有效数据段和提取红外图像有效特征；接着,利用麻雀搜索算法优化注意力机制权值分配,获取全局最优超参数；最后搭建SSA CNN GRU故障诊断模型,实现芯片故障模式的高精度诊断。实验采用电源电路板进行可靠性分析,实验结果表明,本文算法在诊断精度可达9873,且稳定性、可靠性方面均优于对比算法。     

带约束小生境二进制粒子群优化的生物组学数据集成特征选择

针对生物组学数据高维小样本的特点而引起的分类误差较大的问题,提出了一种带约束小生境二进制粒子群优化的集成特征选择方法。该方法利用二进制粒子群优化算法搜索分类准确率最高的特征子集,通过约束粒子编码的置位个数以限制选择特征个数,并加入多模优化中的小生境技术使算法能够一次获得多个差异度较大的特征子集,最后采用集成学习技术将基于多特征子集建立的基分类器集成为强分类器并对数据进行分类学习。实验结果表明,该特征选择方法在生物组学数据上能够稳定选择较少特征并获得较好分类性能。      

基于高斯过程回归的电力负荷预测算法

针对基于传统算法的电力负荷预测方法误差大的问题,本文提出一种基于高斯过程回归的负荷预测算法。算法首先利用电量数据当作高斯过程回归的学习样本,并构建电力负荷预测模型,然后采用遗传算法对超参数进行优化,避免用共轭梯度法优化超参数的缺点。最后,利用测试集对该模型性能进行实验测试。基于某地区的电网数据的仿真显示,基于高斯过程回归的负荷预测算法比神经网络和支撑向量机算法的预测精度更高。     

基于DGA与IGWO-WELM的变压器不平衡故障诊断研究

针对变压器故障诊断精度较低的问题，提出一种改进的灰狼算法（IGWO）与加权极限学习机（WELM）的变压器不平衡故障诊断模型。首先，基于油中气体分析（DGA）技术，结合无编码方法将变压器的7种特征量作为可视输入；然后，采用Logistic混沌映射、云模型惯性权重对灰狼算法（GWO）进行改进；最后利用IGWO对WELM的相关参数进行迭代优化，并利用IGWO-WELM故障诊断模型对变压器进行故障诊断。试验结果表明：提出模型的G-mean平均值为96.06%，比GWO-WELM、GA-WELM、PSO-WELM和WELM分别高10.96%、12.92%、1.08%和18.41%；误报率平均值为12.28%，也明显低于其他4种模型。     

基于稀疏贝叶斯学习的高效DOA估计方法

针对采用1l 范数优化的稀疏表示DOA估计算法正则化参数选取困难、计算复杂度高的问题,该文提出一种基于稀疏贝叶斯学习的高效算法.该算法首先利用均匀线阵的结构特性,将DOA估计联合稀疏模型的构建与求解转换到实数域进行.其次,通过优化稀疏贝叶斯学习的基消除机制,使该算法具有更快的收敛速度.仿真结果表明,与1l 范数优化类算法相比,该文方法具有更高的空间分辨率和估计精度且计算复杂度低.