基于四大集成学习的岩爆烈度分级预测

为准确预测岩爆灾害,将Boosting,Bagging,Stacking,Voting四大集成学习运用到岩爆灾害预测中,比较普通机器学习算法、Boosting与Bagging预测性能,提出一种Stacking与Voting的基模型选取方法。首先,搜集275组国内外岩爆案例构建原始岩爆数据集,通过对原始岩爆数据集中不同岩爆等级的统计参数进行分析,以及使用TSNE(t-distributed Stochastic Neighbor Embedding)算法将原始岩爆数据集进行降维可视化分析,可知原始岩爆数据集中存在大量离群点并且数据不平衡。其次,先后使用Yeo-Johnson变换与K-means SMOTE过采样将数据正态化与平衡化,分别减少离群点以及数据不平衡的影响。正态化并且平衡化后岩爆数据可分性增强。然后,对包含普通机器学习,集成Boosting,集成Bagging的15种机器学习算法进行训练预测,通过宏平均的精确率以及Friedman统计假设检验比较各类模型的预测性能。最后,提出一种多样性与精确率权重融合的Stacking与Voting岩爆烈度分级预测方法。使用穷举法依次剔除精确率...     

基于Stacking集成算法的岩爆等级预测研究

岩爆是地下工程面临的一个巨大灾害，岩爆预测可以降低岩爆带来的危害。机器学习是岩爆预测方法的研究热点和发展方向，但现阶段各机器学习算法表现不同，并且相互独立工作，没有融合，不能优势互补，导致各机器学习算法的准确率、泛化性和稳定性较低。本文采用Stacking集成算法，融合现阶段使用较多的8个机器学习算法(4个集成算法和4个基本算法)，充分发挥各算法的优势，实现优势互补；为保证新特征信息具有多样性，结合各种机器学习算法的原理和岩爆样本库的特点，提出3组考虑多个岩爆预测指标的Stacking集成算法，每组算法拥有不同基模型和多个元模型，解决了传统Stacking集成算法接受特征信息受限和元模型选择困难的难题。对比分析各组Stacking集成算法与独立算法的准确率、精确率、召回率和F1值，结果表明构建的Stacking集成算法可以有效融合各机器学习算法，预测性能显著提升。在3组Stacking集成算法中，Stacking集成算法二的基模型由Random Forest Classifier,Extra Trees Classifier,Gradient Boosting Classifier和L...     

异质集成学习在滑坡易发性评价中的对比研究

滑坡易发性评价可以为有关部门制定滑坡相关的防灾减灾政策提供技术支撑。目前机器学习已被广泛应用于滑坡易发性评价中，而不同的机器学习模型预测精度各异，为对比分析不同异质集成学习模型在滑坡易发性评价中的精度表现，该文以滑坡多发的甘肃省天水市与陕西省宝鸡市交界处为研究区，采用Stacking、Blending和加权平均三种异质集成学习模型，以随机森林、支持向量机和BP神经网络作为基学习器，对研究区进行滑坡易发性评价对比研究。通过使用准确率、Kappa系数以及ROC曲线指标对三种异质集成模型及基学习器进行模型验证和对比分析，结果表明，Stacking集成模型的各项指标都优于其他对比模型，验证了Stacking集成模型在滑坡易发性评价方面较其他对比模型具有更高的预测精度。     

基于机器学习的供热系统热负荷多步递归预测

为预测供热系统的短期热负荷动态概况,提出一种基于机器学习的热负荷多步递归预测策略,该预测策略是对热负荷单步预测模型的拓展。介绍热负荷多步递归预测的流程,该流程可分为4个步骤:数据预处理、数据集划分、模型训练和模型评估。数据预处理细分为特征选择、特征工程和特征变换。在模型训练步骤中,介绍2种机器学习模型:支持向量回归(SVR)和极限梯度提升(XGBoost)。分别利用这2种机器学习模型建立了热负荷单步预测模型,根据建立的单步预测模型,采用提出的多步递归预测策略,可以实现对短期热负荷的动态概况预测。选取某实际供热系统的热源首站的运行数据用于案例分析。结果表明:在预测精度和预测稳定性方面,基于XGBoost的热负荷多步递归预测策略均优于基于SVR的热负荷多步递归预测策略;二者在各时间步长上均未产生明显的误差累积;该热负荷多步递归预测策略可以准确预测供热系统短期热负荷的动态概况。     

基于改进的LogitBoost算法的垃圾网页检测研究

实现垃圾网页的有效检测可以有效提高搜索引擎检索质量,促使网页的设计向着面向用户的方向发展。由于垃圾网页是面向搜索引擎设计的,正常网页是面向用户设计的,因而两者在特征方面存在众多区别,通过机器学习方法可以根据垃圾网页与正常网页在特征方面的不同对垃圾网页进行有效识别。通过对常见单分类器和集成学习分类器处理垃圾网页数据集的对比实验,发现集成学习方法 logitboost较为突出,所得结果明显优于单一分类器和常用集成学习算法,所得结果也更接近真实值,并通过对logitboost所用的预处理方法和基分类器进行改进,发现用resample对垃圾网页进行预处理,以REPTree算法为基分类器的logitboost算法对垃圾网页数据集的分类有较高的精确度。     

数据抽取中噪音过滤应用研究

在数据抽取中,网页中噪音数据的处理是关键的第一步。针对噪音数据类型以及它们在网页中的位置,采取利用启发式规则和基于文本内容方法两种策略分步对噪音数据区域过滤,使用kNN文本分类算法进一步对列表页中的非用户关注栏目过滤。     

数据驱动的图书馆阅览空间光环境提升研究

图书馆阅览空间具有较高的采光性能需求，如何营造适宜的室内采光环境，减少眩光干扰，是建筑采光性能优化的目的。通过相关数据调研、建筑性能模拟、机器学习模型训练、遗传算法优化等一系列数据驱动型设计方法，对阅览空间简化模型的光环境进行多目标优化提升实验，验证了机器学习代理模型预测方法的可行性与预测结果的准确性，同时得出五项设计参数对三项性能指标的非线性影响机制及其采光性能优化策略。表明数据驱动型方法的运用可以高效的辅助建筑师解决阅览空间采光性能优化问题，为建筑师提供可靠的优化解集与优化决策。     

机器学习在天然气行业的应用

随着信息化的深入发展,机器学习方法迅速普及,也逐渐应用于天然气行业,为该行业研究带来新的发展。本文对机器学习在天然气行业产业链上游、中游和下游的应用进行详细梳理和对比,总结了机器学习在该行业发展的优势以及在数据准确性、模型解释性等方面的局限,进而提出了机器学习在天然气行业未来发展的推进方案。     

深度学习在城市感知的应用可能——基于卷积神经网络的图像判别分析

作为人工智能领域的研究重点,机器学习近年衍生出了各式各样的智能化应用,例如图像判别、语音助手和智能翻译等。尤其是图像判别技术已在各行业进行了大量的研究和实践,城市领域也不例外,这很大程度上是因为深度学习的卷积神经网络在计算机视觉领域取得了令人瞩目的成果。这也使得训练计算机判别建筑风格、城市肌理等城市特征的准确率大幅提升。本研究立足于深度学习图像判别技术,探索卷积神经网络在城市感知方面的应用。鉴于直接利用现成开源的带标签图像数据集训练个性化图像判别模型可能带来局限性和误差,本研究探索了从收集数据到自定义训练数据集,到搭建满足特定需求的图像判别模型的整体流程,并通过三个实验案例:城市风貌分析、城市问题侦测和城市肌理评估,阐明深度学习在城市感知和城市规划中的应用可能性及潜力。     

机器学习研究思路和途径的探讨

机器学习是机器人工程领域最活跃,最有潜力的方向之一。本文概述了机器学习当前研究的方向:符号机器学习、集成机器学习、增强机器学习、统计机器学习,梳理了各自的理论基础。在此基础上,以统计机器学习为重点,就其一致性、收敛性、推广性以及构造算法的原则四个核心方面进行了综述,最后提出几点思考和建议。