摘要：Disposable blood collection needles become severely intertwined and hooked during stacking, and thus individually feeding disposable blood collection needles during mechanical packaging is di cult. Based on the physical characteristics of the blood collection needles during the stacking state, this study designed an automatic tidying and sorting mechanism by combining compound vibration, sorting, and conveying. During the feeding process, the compound vibration-type material-tidying mechanism tidies 20-30 blood collection needles first;then, the material sorting and conveying mechanism transports the tidied blood collection needles individually. The orthogonal testing of the automatic material tidying process shows that various experimental factors are ranked by the significance level of the e ect on the tidying process and the significance ranking is as follows: vertical vibration frequency > horizontal amplitude > vertical amplitude > horizontal vibration frequency. Experiments were performed after analyzing the optimal combination. The results demonstrate that when the horizontal vibration frequency is 1.7 Hz, the horizontal amplitude is 150 mm, vertical vibration frequency is 1.3 Hz, vertical amplitude is 30 mm, and material length after tidying is 265 mm. The automatic sorting and conveying experiment shows the e ect of various experimental factors on the feed rate of the material, where the significance level of the e ect is ranked as follows: vibration frequency > material quantity > channel dip angle. The experimental results show that when the number of materials is 25, the channel dip angle is 12°, and vibration frequency is 52.5 Hz. The material delivery e ciency reaches 0.51 s/root, meeting the requirement of five channels for 80000 root/day feeding e ciency. The study can provide reference for the realization of automatic feeding of large aspect ratio flexible materials in similar stacking state.

摘要：[目的]在参考中国船级社《智能船舶规范》中智能机舱定义和要求的基础上,探索机舱设备故障预测与健康管理相关技术,开展轴承剩余寿命预测方法研究。[方法]针对常规数据驱动的轴承剩余寿命预测存在预测精度不佳的问题,利用集成学习stacking融合策略,优选极限梯度提升(XGBoost)与人工神经网络(ANN)为基学习器,岭回归(ridge regression)为元学习器,构建R-A-X(Ridge-ANN-XGBoost)融合预测模型。选用IEEE PHM 2012 Prognostic Challenge同工况下的全寿命周期数据作为数据集设计预测性能对比实验,以MAE和R2为性能评价指标,对比研究基于单一算法、简单平均融合方式以及R-A-X融合方法的轴承剩余寿命预测性能。[结果]结果表明,基于stacking构建的R-A-X融合预测模型的绝对平均误差(MAE)与决定系数(R2)评价值均优于文中涉及的其他方法,预测精度最高可提升20%。[结论]所提出的方法可提升轴承剩余寿命预测精度,对智能机舱中设备健康管理的实现具有一定的参考价值。

摘要：近年来DDoS攻击检测多采用机器学习的方法,stacking便是其一,现阶段stacking初级学习器的配置方法多为固定搭配,但由于DDoS攻击的复杂性和动态性,静态的配置策略显得灵活性较差。对此提出QGA-stacking算法,即利用量子遗传算法(QGA)动态地选取stacking中评价指标最高的一组学习器组合,从而提高检测模型的准确性和灵活性;提出一组最佳特征集来节省计算成本。经过实验对比,充分证明了QGA-stacking算法相较于其他3种主流算法,其检测性能更加显著,最佳特征集的选取也较为合理。

摘要：设计了一种基于stacking集成学习的室内污染气体感知与评价系统。用户可以使用手机APP扫描检测终端的二维码,查看当前环境污染气体的实时数据及评价结果。该系统利用stacking将评价算法与分类算法集成学习,解决评价算法主观性强的问题。首先选用模糊数学综合评价法、决策树和KNN作为基础模型分别进行训练,然后将3个基础模型的输出结果作为特征值,利用逻辑回归作为元模型对3个基础模型进行异质集成。该方法在保证系统实时性的同时有效地提高了评价结果的准确性和客观性。

摘要：为了高效地进行区块链异常交易检测,提出了一种基于stacking集成学习的区块链异常交易检测方法.首先,采用XGBoost, LightGBM,CatBoost, LCE作为基分类器,采用MLP作为元分类器,设计了MLP_stacking集成学习算法;其次,利用SUNDO进行数据扩充,解决数据集中严重类不均衡问题;最后,设计多模型联合特征排序算法,生成最优特征子集,将得到的最优特征子集作为MLP_stacking输入数据集进行分类训练,通过网格搜索优化参数实现模型优化.实验采用Kaggle平台提供的开源数据集,实验结果显示采用SUNDO数据生成方法能有效提高各分类器性能,在此基础上,设计的集成模型训练效果明显优于单个模型.

摘要：为了实现企业产品销量预估,提高生产供应的准确性与效率,提出了基于stacking模型的融合算法进行销量预测。算法设计了两层堆叠的模型结构,初级学习器采用随机森林、支持向量回归、差分整合移动平均自回归、轻量级梯度提升机器和门控循环单元5种单模型,将分类与回归树作为次级学习器构成stacking融合模型,并对数据进行了预测。预测结果显示,使用stacking模型融合后得到了较好的预测结果,比单模型中效果最好的模型的均方根误差更小,平均绝对误差更小,决定系数值更大,表明stacking融合模型的预测准确率更高。所设计模型可用于对企业店铺的产品销量进行预测,帮助企业更好地安排生产、营销活动,为减少库存、缩短生产销售周期提供数据支持,对企业生产决策有一定的参考价值。

摘要：本文通过对银行客户数据的分析和建模,旨在预测客户是否会购买银行的产品。采用stacking多模型集成的方法,通过分别训练随机森林模型、LightGBM模型、决策树模型、梯度提升树模型和直方图梯度提升树模型,作为基模型,以逻辑回归模型作为元模型进行分类预测。实验结果表明,论文设计的stacking集成模型在预测银行客户产品认购方面表现出色,具有较高的准确率。该模型可以为银行业提供重要的决策支持,帮助银行更好地了解客户需求,提高产品销售率。

摘要：脑力负荷是一种新兴的可以反应操作者认知状态的指标,其与事故风险及工作效率密切相关,所以实时且准确地评估操作者脑力负荷等级具有重要意义。stacking模型融合策略可以较好地融合不同分类器与不同特征的学习能力。基于8名参与者的脑电生理信号以及stacking模型融合策略,设计了3种新型模型进行脑力负荷等级判别。在对新模型进行训练与预测的同时,将其与其它主流分类器进行性能对比。实验结果显示,二维融合模型性能提升最为明显。

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：互联网技术的发展为突发事件网络舆情得以快速传播与扩散提供了条件,可能形成舆情危机,对人民生活造成重大影响。因此,设计了一种基于stacking的突发事件微博舆情风险评估及可视化系统,该系统通过stacking算法集合多种单一分类算法,对突发事件舆情进行风险评估,并通过前后端技术对突发事件舆情信息进行可视化。该系统可以准确地反映突发事件地理位置、微博详细舆情信息和舆情风险评估结果,有利于对舆情的及时引导和管理。