摘要：针对现有短期风速预测算法准确度较低且计算复杂的问题,提出了一种基于改进决策树的短期风速预测算法。该算法采用改进经验模态算法进行风电数据的预处理,以获得多个固有模态分量和残差分量。同时引入改进初始学习机选择策略、自适应学习率以及梯度拟合逼近方法,弥补了传统梯度提升决策树算法中存在的学习训练效果差、计算速度低等不足。利用改进梯度提升决策对风电数据进行特征提取与学习训练,进而实现了短期风速的精准预测。算例分析结果表明,与IEMD-GDBT和EMD-GDBT算法相比,所提算法的训练时间仅为1489.5 s,预测指标RMSE、MAE和MAPE的值分别为0.2286%、0.1827%以及2.37%,在计算速度及预测准确度方面均具有显著优势,实际风速预测误差小于1 m/s。

摘要：基于凸优化中的对偶理论,提出了一种具有遗忘特性的在线学习算法框架。其中,Hinge函数的Fenchel对偶变换是将基本学习问题由批量学习转化为在线学习的关键。新的算法过程是通过以不同方式提升含有约束变量的对偶问题实现的:(1)梯度提升;(2)贪婪提升。回顾了以往的相关研究工作,并指出了与之的区别与联系。人造数据集和真实数据集上的实验结果证实了算法框架的有效性。算法可以很好地处理数据流中的分类面漂移问题,为设计和分析新的在线学习算法提供了一个新的思路。

摘要：洪水预报实时校正是提高预报精度的有效途径。通过研究实时洪水预报误差系列构建方法,引入GBDT方法建立误差校正模型,并采用粒子群算法优选模型参数,选用洪峰段洪量相对误差、洪峰流量相对误差、确定性系数等指标评估实时校正效果。对淮河流域王家坝站点的实例应用结果表明,无论是率定期还是验证期,基于GBDT的实时预报误差校正方法精度均优于经典AR方法和KNN方法,各项指标精度均有不同程度提升,可有效提高实时洪水预报效果,且稳定性较高。

摘要：半导体制造是一个大批量多阶段生产的系统,工艺技术复杂、工序步骤繁多,稍有不慎就可能使晶圆的表面和内部产生缺陷,从而影响生产的质量和效率。将半导体制造业和互联网技术相结合,可以提高生产制造的效率和质量,降低成本和损耗。本文将进行数据采集和预处理,从数据中选择并提取出重要特征,并使用树模型中随机森林和梯度提升树两种算法来实现W plug中对电阻率的虚拟测量。实验结果表明,本文提出的方法与传统算法相比,测量误差减少近50%,能够准确预测出生产过程中电阻率变化的趋势,捕获到异常点;在实际的生产环境之中可以及时的给生产线上报警。