排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
代价敏感属性选择问题的目的是通过权衡测试代价和误分类代价,得到一个具有最小总代价的属性子集。目前,多数代价敏感属性选择方法只考虑误分类代价固定不变的情况,不能较好地解决类分布不均衡等问题。而在大规模数据集上,算法效率不理想也是代价敏感属性选择的主要问题之一。针对这些问题,以总代价最小为目标,设计了一种新的动态误分类代价机制。结合分治思想,根据数据集规模按列自适应拆分各数据集。基于动态误分类代价重新定义最小代价属性选择问题,提出了动态误分类代价下的代价敏感属性选择分治算法。通过实验表明,该算法能在提高效率的同时获得最优误分类代价,从而保证所得属性子集的总代价最小。 相似文献
2.
针对流水车间的优化调度问题,本文设计一种自适应遗传算法,可以根据个体的特征值自动调整其交叉概率和变异概率,并用两个经典算例对其有效性进行验证。仿真实验表明,该算法具有较好的全局搜索能力和较快的收敛速度,具有一定的工程应用价值。 相似文献
3.
为解决单井产量在试采及稳产期预测计算方法精度不足、计算效率较低、适用范围较小的问题,提出一种将预测模型划分为短期产量和长期产量的分类预测方法。短期产量预测在灰色预测模型GM(1,1)的基础上,针对短期生产环境的变化增加产量转换的参数修正,并对模型的离散过程进行优化,从而弥补灰导数离散过程的偏差;对于长期产量预测,采用时间序列的方法,结合BP神经网络以及短期采样特征值的提取结果,对累积产量数据进行建模和预测。利用2018～2020年多个油井的产量数据信息,进行模型训练、预测和比对,针对模型预测结果进行精度分析。结果表明,长期预测模型预测结果的平均相对误差为0.091 4,短期预测模型预测结果的平均绝对误差为0.118 7,计算精度高于传统ARIMA算法的平均相对误差0.156 6,可满足实际工况需求,为油井产量的预测提供了一种新方法。 相似文献
4.
1