摘要：电力系统设备的检修计划将逐步由传统的定期检修转变为基于设备运行状态的检修,从而提高检修任务针对性,避免造成人力物力的浪费。基于设备运行状态安排检修计划的关键在于及时准确把握设备状态,随着相关检测技术的不断发展,在线监测、离线试验、人工巡视、无人机巡视等多种状态检测手段目前广泛应用于设备的状态检测之中,并积累了大量的历史数据。电力设备运行数据共享过程中存在数据安全系数过低问题,为此,本文引入集成学习技术,开展对电力设备运行全流程数据共享方法设计研究。通过构建电力设备运行全流程数据共享框架,根据集成学习提取电力设备运行全流程特征,通过半诚实模型和恶意模型实现电力设备运行全流程数据共享。实验证明,新的共享方法与区块链共享方法相比,能够有效扩大共享数据在电力设备运行全流程中的覆盖范围,并提高数据在共享时的安全性。

摘要：对煤灰软化温度(ST)的预测任务,现有的传统经验公式及神经网络算法,普遍面临泛用性和泛化能力不足的问题。以堆叠结构组织回归决策森林和AdaBoost回归算法,放松了原始数据规模和特征规模对模型参数规模的限制,提高了模型的泛用性和泛化能力。实验结果表明,该模型预测准确度能够控制在2.25%以内,验证了所提出煤灰软化温度预测方法的有效性。

摘要：针对网络流量分类中类不均衡问题,提出一种基于K均值和k近邻的流量分类算法(traffic classification based on K-means and k nearest neighbor,KMk NN);以KMk NN为基础设计了一种集成分类器(ensemble classifier based on KMk NN,KKEC)。首先通过抽取不同的输入特征子集分别进行训练,获得不同的分类器,进而采取绝对多数与相对多数相结合的投票方式产生集成输出结果,最后采用非平衡数据集进行测试。理论分析和实验结果都表明,算法在面对非均衡协议流时提高了小类流的识别率。

摘要：针对岩石智能识别的研究总体较少,且识别准确率较低的问题,提出一种结合迁移学习和集成学习方法的岩石识别卷积神经网络模型TF_MDR_Fusion,其主要结合迁移学习思想,对MobileNetV3_Large、DenseNet121和ResNet50这3种模型在ImageNet数据集上进行预训练,通过集成学习方法将3种模型结合进一步提高岩石识别的性能。通过对比实验和消融实验,其结果均表明TF_MDR_Fusion模型比单个模型表现更出色,其对于岩石图像识别的准确率为77.60%,可为岩石智能识别提供有力支持。

摘要：针对现有多示例集成学习侧重于包层次上的抽样限制了集成学习性能的问题,设计了一种示例层次上的重抽样方法和双层多示例学习集成框架。通过识别包中最可能为正的示例并在示例抽样中保留这个示例实现示例层次的重抽样。双层多示例学习集成框架同时实现包层次和示例层次重抽样,充分搅动样本,提高分类器的分类精度。实验研究证明,与现有的多示例集成学习相比,双层多示例集成学习能更好地提高分类器的分类精度。

摘要：提出了一个基于集成学习方法的医学图像分类器。该系统包括图像预处理、特征提取、分类器的构造几个部分。在医学图像单特征分类研究的基础上提出一种综合了多特征融合和数据挖掘的医学图像分类的新方法。该方法通过引入数据挖掘中集成学习的概念,利用集成学习方法针对单特征进行分类的弱分类器进行迭代训练,通过多次迭代,最后加权投票,形成综合多特征的具有较强能力的强分类器。

摘要：汽车销量的准确预测对于车企的产业布局、消费者的选型购买具有一定参考意义。首先在爬取典型新能源汽车配置数据、测评数据和近五年的销售数据基础上,通过数据清洗和特征工程方法构建了包含有127家车企、1440个车型的训练数据集。然后,采用加权策略融合SVR算法和LightGBM算法,设计新能源汽车销量预测模型,进而实现对各个车企的新能源汽车每月销量的准确预测。本文提出的销量预测模型在每个车企下月总销量上的平均R2值达到了0.92,实验结果表明本文提出的方法能够较好地预测新能源汽车的销量,可为车企和消费者提供参考信息。

摘要：在数据分析的应用中,数据质量是一切分析研究的基础,针对电网运行过程中输变电设备基础数据质量不高的问题,首先介绍了电力系统不良数据的产生原因与主要表现形式,并设计了一种通过历史数据训练优化生成的随机森林(一种集成学习算法)模型,可以实现对可疑数据的检测与筛查。通过对不平衡训练样本的处理,在测试算例结果对比中,均衡样本后的随机森林模型比未均衡样本的随机森林在负样本的预测准确率高10%,相比单个决策树模型在正样本的预测准确率也高出9%,这表明了集成学习在计算效率与准确率方面相对其他机器学习分类算法的优势,以及均衡训练样本对模型准确率的提升有明显效果。

摘要：以数据为载体驱动学生学习表现评估是教育领域的重要研究内容,鉴于单一学习模型在学习成绩预测时会出现泛化效果较差的情况,本文提出一种融合多个单一学习模型的Stacking集成学习模型,以KNN、逻辑斯谛回归、朴素贝叶斯、决策树四种模型作为集成学习模型的基分类器,选择XGBoost模型作为次学习器。结果表明,Stacking集成学习模型的准确率为99.4%、F1-score为96.18%,优于单一学习模型,对在线课程的学习成绩预测有较好的效果,能够有效预测学生的学习表现,为开展在线教学的教师提供学习预警。

摘要：集成多个传感器的智能片上系统(So C)在物联网得到了广泛的应用。在融合多个传感器数据的分类算法方面,传统的支持向量机(SVM)单分类器不能直接对传感器数据流进行小样本增量学习。针对上述问题,提出一种基于Bagging-SVM的集成增量算法,该算法通过在增量数据中采用Bootstrap方式抽取训练集,构造能够反映新信息变化的集成分类器,然后将新老分类器集成,实现集成增量学习。实验结果表明:该算法相比SVM单分类器能够有效降低分类误差,提高分类准确率,且具有较好的泛化能力,可以满足当下智能传感器系统基于小样本数据流的在线学习需求。