摘要：针对英文语义自动化识别的需求,文中对英文的语义角色标注方法进行了研究,通过引入集成学习算法,实现了英文语句中施事、受事、来源、目的等论元标签的识别。文中的集成学习算法使用Adaboost作为集成策略,集成学习中使用的学习器为回归树,其内部结构为二叉树,训练收敛速度快,具有良好的分类效率。为了验证算法的性能,在开放数据集ENTBv-1上进行了算法的性能测试。结果表明,算法对文中定义的不同英文组块具有不同的识别效率,其中对DNP、DP、PP、QP等的识别效果较为理想,准确率、召回率与F值均在95%以上。模型的总体准确率可达到93.24%,召回率90.83%,F值92.02%,能够实现较为准确的英文语义角色识别与标注。

摘要：现有的正脸姿态估计任务依赖于头部3D姿态的估计和经验阈值的使用,这类方法存在主观性和鲁棒性不足的问题。为解决上述问题,提出一种基于大规模正脸数据驱动的集成学习算法。通过构建大规模正脸类别,解决正脸姿态分类中类内方差大而类间方差小的问题,避免人为确定阈值带来的主观性问题。利用人脸特征中的姿态信息和大规模集成的方式,区分正脸图像和非正脸图像,提高分类能力,增强鲁棒性。实验结果表明,所提方法无需依赖关键点标注,具有较短的推理时间,在公共数据集上实现了正脸姿态估计。在光照变化、配饰遮挡、小角度和大角度的真实数据集上展示了高效的分类能力。

摘要：可再生能源在保障能源供应、改善气候环境及优化国家能源结构方面扮演着至关重要的角色。准确的可再生能源出力预测对于维持电力系统平衡和降低运行成本具有重要意义。然而,由于其高度依赖复杂的气候条件和时空相关性,传统方法难以实现精确预测。尽管机器学习模型被广泛应用于此领域,但数据不足的问题仍然限制了预测的准确性。为解决这一难题,本文提出了一种结合差分隐私与集成学习的新型可再生能源发电量预测方法。首先设计了一个基于差分隐私的数据保护机制来实现数据的聚合,从而解决数据不足的问题;然后构建了一种基于集成学习的可再生能源出力预测框架,利用多个基本模型来共同完成预测,从而提高预测的准确性和鲁棒性。案例研究全面证明了所提出方法的有效性和优越性。

摘要：包含丰富信息的图像数据是重要的数据来源,然而要在海量图像数据中进行高效的信息检索却面临不少挑战。通过图像丰富的语义特征区分对象间的差异,图像结构化后的特征维度会达到一个较高的维度,将面临检索代价高、过拟合等一系列问题。不同算法在处理不同类型语义特征的图像数据时,算法的准确性和稳定性有较大差异。为了提高非特定类别图像相似度评价及检索的准确性,设计一种基于集成学习的图像相似度评价方法。首先,以文献中的图像为重点研究对象,从多个权威文献库中收集并提取了大量的图像样本构建样本集;然后,通过对样本集的学习获得了多种评价方法的学习权重,并以此为基础构建基于权重策略的集成学习机制,以提升图像相似度评价方法的稳定性和准确性;最后,通过在样本集上进行测试验证了评价方法的有效性。

摘要：基于高速铁路设备故障文本数据,提出高速铁路信号设备故障诊断方法。根据信号道岔设备故障文本数据,结合专家经验,构建两级道岔故障诊断类别;针对信号道岔设备故障样本不均衡性,采用ADASYN样本合成方法合成故障少类别样本;故障诊断模型中采用TF-IDF实现文本特征提取,应用深度学习BiGRU和BiLSTM对文本进行分类,设计组合权重计算方法将深度学习学习结果进行集成。采用高速铁路2009—2018年产生的信号道岔设备故障数据进行试验验证,试验证明深度学习集成方法能够进一步提升信号设备故障诊断分类性能。

摘要：网络协议流不平衡环境下,流样本分布的变化对基于机器学习的流量分类器准确性及稳定性有较大的影响.选择合适的机器学习算法以适应网络协议流不平衡环境下的在线流量分类,显得格外重要.为此,首先通过单因子实验设计,验证了C4.5决策树、贝叶斯核估计(NBK)和支持向量机(SVM)这3种分类算法统计TCP连接开始的前4个数据包足以分类流量.接着,比较了上述3种分类算法的性能,发现C4.5决策树的测试时间最短,SVM分类算法最稳定.然后,将Bagging算法应用到流量分类中.实验结果表明,Bagging分类算法的稳定性与SVM相似,且测试时间与建模时间接近于C4.5决策树,因此更适于在线分类流量.

摘要：为了实现长时间稳定的对特定目标的跟踪,结合匹配型跟踪方法和决策型跟踪方法的优势,同时利用集成学习的思想构建多个强分类器,提出一种基于集成多示例学习的mean shift跟踪算法.首先在上一帧中对示例进行随机采样,构建分类器的集体,通过集成学习合成最终的分类器以确定当前帧中目标的初始位置;然后对初始位置和上一帧目标最终位置的距离与设定的阈值进行判断,决定是否采用mean shift跟踪算法对初始位置进行修订,以确定目标的最终位置.实验结果表明,该算法不但可以应对目标的形变、旋转、遮挡以及光照变化等各种复杂的情况,而且可以做到长时间的跟踪,具有较强的鲁棒性.

摘要：为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用AlexNet、VggNet-16、Inception V3及ResNet 50这4种在ImageNet大规模数据集上预训练的模型对图像进行特征提取,然后迁移到目标树种数据集上,训练出4个不同的分类模型,最后通过相对多数投票法和加权平均法建立集成模型。构建了一个新的树种图像数据集——TreesNet,基于该数据集,设计了多类实验,并将该方法与传统的图像识别方法进行了分析比较。实验结果表明:该方法对复杂背景下树种图像识别准确率达到99.15%,对于树木整体图像识别具有较好的效果。

摘要：交通流量预测是当前交通大数据应用的重要议题之一.经典的交通流量预测方法通常只根据被预测道路自身的数据进行分析和决策,而往往较少考虑由于同一区域不同道路之间的交通流量关联性.本研究根据城市核心区交通流量数据的特点,构建同区域内多条相关道路的交通流量多维度数据模型.并且,基于该数据模型提出了一种基于多机器学习竞争策略的交通流量预报算法.该算法的主要核心思想是利用时间序列聚类的方式将多维交通流量数据进行降维,然后通过引入多种多机器学习方法进行并发训练,其训练结果通过竞争获得最优分类器群.最后设计了多最优机器学习集成预测方法进行交通流量预测.本模型通过在南昌市中心道路进行的实验显示,其预测结果优于传统单时间序列机器学习方法.

摘要：在功能材料应用中,带隙往往起着重要的作用,如光电材料一般为宽带隙半导体,而热电材料为窄带隙半导体,因此对指定类别的材料体系带隙进行快速而准确的预测对于功能材料应用具有非常重要的科学意义.然而,通过基于第一性原理的高通量计算获取高精度带隙的方法耗时长,效率低,而实验上系统测量大量材料体系带隙也不现实,所以基于统计学的机器学习预测方法就成了一种有前景的可能性替代方案.本文设计了一种集成学习模型用于有效而准确地预测带隙值.在已计算过带隙值的热电材料类金刚石化合物的基础上,一方面利用单组元组分替换策略产生大批量相似化合物,并用查重技术过滤掉重复体系,得到356个相似材料体系.另一方面结合机器学习技术,构建高效的带隙预测模型,预测并验证了50个相似材料体系的带隙值.通过实验证明,该预测模型具有77.73%的准确率,且足够健壮稳定,可以广泛应用于需要进行大批量带隙预测的热电材料的研究情景中.