摘要：针对实际运用中的战术目标类别识别精度不高的问题,设计了一种战术目标类别识别框架,提出了一种基于Borderline-SMOTE的改进小样本战术目标数据采样方法,利用战术目标特征个体在整体数据集中的互信息的sigmoid函数作为遗传算法的适应度函数,并运用到选择、交叉和终止计算中,从而加速最优特征子集的选择,使用LightGBM等算法搭建一个战术目标类别的识别的Stacking集成算法模型,通过历史数据验证了该方法的有效性。

摘要：为获取建筑结构在地震过程中的位移响应,解决结构主动控制中的时滞问题,使用集成学习方法预测结构位移响应。提出了一套适用于结构地震动响应预测的集成学习模型,使用不同的神经网络和损失函数组合作为基学习器,在此基础上使用全连接网络构建二级学习器,得到最终预测模型。模型使用双向地震动加速度和结构位移响应作为输入,预测短期的结构位移响应;结构位移响应可实现多步预测,进行动态化输出。将该框架应用于某钢框架结构,进行数值实验,结果表明,集成后的模型预测结果要优于单一模型的预测结果,所有模型都表现出预测误差随着预测时间的增加而增加的规律。模型的预测随着地震过程在同步进行,当模型预测值第一次达到某一阈值时,则将预测结果反馈到主动控制系统中,提前进行结构振动控制,而不必等待位移传感器采集到真实的响应数据,从而减小甚至避免主动控制中时滞问题的影响。

摘要：针对现实生活中大规模不平衡数据的分类问题,设计了一种基于云计算平台的代价敏感集成学习分类算法。Hadoop云计算平台对海量数据进行划分用于并行学习,同时结合代价敏感的思想对学习得到的基分类器进行加权集成,实现了云计算平台上的代价敏感集成学习分类模型。仿真实验表明该模型能够明显提高少数类的查全率,同时Hadoop的并行机制使得云平台坏境下的集成学习时间较集中式环境有大幅度的缩减,进一步提高了大规模不平衡数据分类问题的学习效率。

摘要：针对疾病数据结构复杂以及传统模型预测精度低等问题,为探寻提高疾病预测效能的有效集成方法,提出一种集成极端梯度提升树、随机森林算法的XGB-RF预测模型,并应用于糖尿病数据集。采用网格搜索法优化模型参数,利用集成学习策略构建完整的预测模型,将多种模型的预测效果进行对比。实验结果表明,XGB-RF集成模型的准确性和解释性优于单一预测模型,可为类似疾病的早预防、早治疗提供科学、准确的辅助信息。

摘要：提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别。该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类。利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体。该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体。实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性。在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83%,平均正确率为89.12%;对MSK调制信号进行特征提取与识别,平均分类精度为89.1%。

摘要：针对传统人工设计特征描述不充分及单分类器泛化能力弱等问题,提出一种基于深度卷积神经网络(DCNN)特征与集成学习相结合的车型分类算法。微调VGG16深度卷积神经网络模型,将全连接层Fc7输出的4096维矢量采用PCA方法降至100维,作为图像的特征表示;采用拉格朗日支持向量机(LSVM)作为基分类器,以Adaboost方法自动学习各样本及基分类器的权重实现分类器集成。基于BIT和MIO-TCD数据集的对比实验结果表明,平均分类精度分别达到84.5%与83%,优于其它传统特征与单分类器方法。

摘要：以府谷县为研究区,提取地形地貌类、地质类、水文类、人类工程活动等15种评价因子作为地质灾害的影响因素,分别采用Bagging、Boosting及随机森林(RF)3种集成学习算法对研究区地质灾害危险性进行评价。评价结果表明,Bagging、Boosting以及RF 3种模型的预测正确率分别为76.36%、74.54%和77.28%,预测精度均较高。采用ROC曲线对各模型的性能进行对比与检验表明,Bagging、Boosting及RF模型的AUC值分别为0.792、0.799、0.815,RF模型的性能表现更为优越。该结论为研究区地质灾害危险性评价模型的确定以及后期区内地质灾害防治工程设计提供参考。

摘要：现实中恶意网页与良性网页比重严重失衡,传统的机器学习分类模型不能很好的应用,为此提出一种基于欠采样和多层集成学习的恶意网页检测模型。通过欠采样达到局部数据平衡;通过第一层基于权重和阈值的集成学习确保模型的准确度;通过第二层基于投票的集成学习保证全局信息的完整性。实验结果表明,所提模型在不平衡数据集上的恶意网页识别性能优于传统机器学习模型。

摘要：针对工业控制网络通信信息安全与稳定问题,设计一种基于SDN和集成学习的工业控制网络安全防护系统。该系统采用SDN技术,分为物理层、现场层、转发层、控制层和应用层等5个层次。物理层包含现场终端设备;现场层通过控制模块与操作员站实现对现场终端的控制;转发层使用SDN交换机进行通信数据传输,并将数据镜像传输至应用层进行安全分析;控制层中的SDN控制器管理和控制SDN交换机,并执行应用层下发的安全防护策略;应用层利用集成学习算法对工业控制网络进行入侵行为检测,通过安全响应模块分析入侵信息并选择相应的防御机制。实验结果表明,所设计系统满足工业控制网络通信的实时性要求,能准确地实施入侵检测,从而保障工业控制网络的安全性和正常通信。

摘要：复杂系统的实际过程数据具有多工况、高维度、多源多模态等异质特点,“大样本”中蕴含着“小样本”,其具有整体特征与局部特征。集成学习通过联合多个基学习器对复杂异质数据的内部规则进行提取,具有显著的数据挖掘优势,并已获得了广泛关注。针对集成学习的重要应用价值,对其研究进展与发展前景进行了综述和展望。首先,基于设计思想对集成学习的结构和性质进行了归纳总结;接着,通过特征工程、基学习器选取和集成策略3个方面对集成学习的研究现状展开了论述;然后,介绍了集成学习在复杂工业问题、图像识别、指标预测、信息安全和临床诊断等不同领域中的实际应用情况;最后,指出了当前研究面临的挑战并展望了未来的研究方向。