检索结果-内蒙古大学图书馆

激光与光电子学进展 2019年第4期56卷 265-270页

作者：史如晋夏钒曾曾万聃曲晗上海应用技术大学计算机科学与信息工程学院上海201418 吉林大学软件学院吉林长春130122 军事医学科学院军事兽医研究所吉林省人畜共患病预防与控制重点实验室吉林长春130122

食源性致病菌的快速识别是一项重要的工作,与传统检测方法相比,拉曼光谱能在无损检测的同时加快鉴别速度。为了提高大肠杆菌O157…H7以及布鲁氏菌S2株拉曼光谱识别的准确性和效率,提出一种基于主成分分析与stacking算法的集成判别模型,... 详细信息

食源性致病菌的快速识别是一项重要的工作,与传统检测方法相比,拉曼光谱能在无损检测的同时加快鉴别速度。为了提高大肠杆菌O157…H7以及布鲁氏菌S2株拉曼光谱识别的准确性和效率,提出一种基于主成分分析与stacking算法的集成判别模型,使用网格搜索以及K折交叉验证来提高模型的稳健性。与逻辑回归、K近邻、支持向量机等单一模型进行对比,实验结果证明PCA-stacking集成模型有最高的准确率,达99.73%,达到了预期效果。

关键词：光谱学拉曼光谱机器学习 stacking模型食源性致病菌

来源：评论

学校读者我要写书评

暂无评论

基于stacking模型的学术论文多标签分类系统构建

引用

国家图书馆学刊 2024年第2期33卷 96-104页

作者：刘爱琴郭少鹏山西大学经济与管理学院

学术论文高质量多标签自动分类是推动学术研究发展的关键程序之一。本研究利用stacking模型将随机森林、支持向量机、极限树、极端梯度提升和神经网络五个分类器融合为一个异质集成分类器,并利用基于问题转换思想的多二分类模型将该分... 详细信息

学术论文高质量多标签自动分类是推动学术研究发展的关键程序之一。本研究利用stacking模型将随机森林、支持向量机、极限树、极端梯度提升和神经网络五个分类器融合为一个异质集成分类器,并利用基于问题转换思想的多二分类模型将该分类器应用于学术论文多标签分类。根据学术论文的特点,依次实现了与之配套的论文特征提取模块、TF-IDF加权模块、数据预处理模块,最终构建成一个面向学术论文的多标签分类系统。仿真实验验证了本研究构建的学术论文多标签分类系统在处理学术论文多标签分类问题时,较传统的单模型分类器或同质集成模型分类器在泛化能力、稳定性与准确率方面都有一定程度的提升。图9。参考文献21。

关键词：论文分类 stacking模型多标签分类多二分类模型

来源：评论

学校读者我要写书评

暂无评论

基于stacking模型融合的AOD终点碳温预测

引用

炼钢 2024年第4期40卷 30-39页

作者：刘东旭李明明邵磊邹宗树东北大学冶金学院辽宁沈阳110819 东北大学多金属共生矿生态化冶金教育部重点实验室辽宁沈阳110819

为提高AOD不锈钢冶炼终点碳温预测的准确性和可靠性,提出一种基于多个机器学习算法(RF、XGBoost、AdaBoost、KNN、SVR和岭回归)嵌入的stacking模型融合的AOD终点碳温预测方法。基于理论基础和相关性分析确定了模型的输入特征变量,利用... 详细信息

为提高AOD不锈钢冶炼终点碳温预测的准确性和可靠性,提出一种基于多个机器学习算法(RF、XGBoost、AdaBoost、KNN、SVR和岭回归)嵌入的stacking模型融合的AOD终点碳温预测方法。基于理论基础和相关性分析确定了模型的输入特征变量,利用箱线图法对历史数据进行预处理,结合5折交叉验证和贝叶斯优化算法确定了模型的最优参数,通过对上述6种机器学习算法的逐层筛选,构建了RF+XGBoost+KNN—RF二层stacking多模型融合的终点碳含量预测模型、RF+AdaBoost+KNN—RF+XGBoost+KNN—XGBoost三层stacking多模型融合的终点温度预测模型。预测结果表明,RF+XGBoost+KNN—RF二层stacking模型在终点碳质量分数误差为±0.01%的命中率为87.86%,RF+AdaBoost+KNN—RF+XGBoost+KNN—XGBoost三层stacking模型在终点温度误差为±15℃的命中率为94.22%,相较于单一的机器学习模型,预测精度显著提高。

关键词： AOD 终点碳温预测模型融合 stacking模型

来源：评论

学校读者我要写书评

暂无评论

基于stacking模型集成的LSTM网络短期负荷预测研究

引用

中国测试 2020年第7期46卷 40-45页

作者：丁斌邢志坤王帆袁博刘涌孙岩国网雄安新区供电公司河北雄安新区071600 汉宁远洋(北京)光电科技有限公司北京100089

为解决传统负荷预测方法存在的预测精度偏低的问题,通过分析短期负荷影响因素确定训练集,创建stacking模型,并结合包括输入门、输出门与遗忘门在内的LSTM网络创建stacking-LSTM混合模型,通过时间滑动窗口建立影响因素数据特征图,将其作... 详细信息

为解决传统负荷预测方法存在的预测精度偏低的问题,通过分析短期负荷影响因素确定训练集,创建stacking模型,并结合包括输入门、输出门与遗忘门在内的LSTM网络创建stacking-LSTM混合模型,通过时间滑动窗口建立影响因素数据特征图,将其作为stacking-LSTM混合模型的输入,经数据转换后得到特征类别更强的降维二级特征数据,输入到LSTM网络层实现短期负荷预测。该方法利用stacking模型的集成作用和LSTM网络的强挖掘能力,增强降维后的数据类别特征,达到提升电力系统负荷动态平衡性的效果。仿真结果表明,该方法的负荷预测结果与实际值非常接近,具有较高的预测精准度。

关键词： stacking模型长短期记忆网络短期负荷预测混合模型特征图

来源：评论

学校读者我要写书评

暂无评论

基于stacking模型的土壤综合肥力评价——以富川瑶族自治县植烟区为例

引用

西南农业学报 2023年第7期36卷 1438-1446页

作者：邹天祥梁志鹏龚佳林周萌沈文杰张介棠范东升卢燕回中山大学地球科学与工程学院广东珠海519000 广东省地质过程与矿产资源探查重点实验室广东珠海519000 广东省地球动力作用与地质灾害重点实验室广东珠海519000 广东微碳检测科技有限公司广东清远511500 中国烟草总公司广西壮族自治区公司南宁530022

【目的】实现耕地土壤综合肥力评价的标准化、快捷化和自动化,指导作物种植布局和土地资源利用。【方法】以富川瑶族自治县植烟区为研究对象,选定广西植烟区1038个样点作为训练数据。在考虑土壤条件、气候环境和地形地貌等因素的基础上... 详细信息

【目的】实现耕地土壤综合肥力评价的标准化、快捷化和自动化,指导作物种植布局和土地资源利用。【方法】以富川瑶族自治县植烟区为研究对象,选定广西植烟区1038个样点作为训练数据。在考虑土壤条件、气候环境和地形地貌等因素的基础上,选取15种影响因子计算土壤综合肥力指数,采用stacking算法构建回归预测模型,实现对研究区土壤综合肥力的评价。【结果】基于6种关键因子的stacking02模型在测试集上性能优秀,平均绝对误差、均方误差和R2决定系数分别为0.0066、0.0084和0.9529。应用stacking02模型评估研究区综合肥力,结果显示研究区北部综合肥力优于南部,其优质产区占比更高。低综合肥力指数地区土壤pH偏高而全氮速效钾含量偏低。【结论】相较初级学习器,stacking模型性能提升。采用6种关键因子建立的stacking02模型具有优异的泛化性能,简化了计算流程并节省算力,该方法可扩展至其它地区及作物的土壤综合肥力评价,从而制定针对性的作物利用方案。

关键词：植烟区机器学习 stacking模型肥力评价

来源：评论

学校读者我要写书评

暂无评论

基于GM（1,1）-stacking模型的长三角地区物流需求预测研究

基于GM（1,1）-Stacking模型的长三角地区物流需求预测研究

引用

作者：葛成丽安徽理工大学

学位级别：硕士

在经济全球化和长三角一体化发展的背景下,长三角地区的物流业发展与国家整体竞争力的提升密切相关。物流作为连接产业链、世界各地生产和消费市场的纽带,不仅是经济运行的动脉和神经,也是推动商业、产业以及全球化的关键支撑产业。长... 详细信息

在经济全球化和长三角一体化发展的背景下,长三角地区的物流业发展与国家整体竞争力的提升密切相关。物流作为连接产业链、世界各地生产和消费市场的纽带,不仅是经济运行的动脉和神经,也是推动商业、产业以及全球化的关键支撑产业。长三角地区拥有丰富的产业集群和先进的科技实力,以独特的地理位置和卓越的经济活力成为我国经济的引擎之一。长三角地区物流业的发展不仅可以促进对外贸易,还有利于发挥对中西部、南北部经济与物流的辐射带动作用。为合理规划长三角地区物流发展,提高整体经济效益,本文对长三角地区的物流需求进行预测,对政府在基础设施建设、政策制定等方面具有一定的参考意义。本文基于相关理论和长三角地区经济与物流发展的实际情况,对长三角地区物流需求的影响因素进行分析,并利用线性相关系数、互信息和XGBoost三种特征选择算法综合筛选,确定对长三角地区物流需求影响较大的因素,从而建立预测指标体系。为了实现对长三角地区物流需求的准确预测,通过对比各种预测方法的优缺点,分别构建PSO-SVR模型、Ada Boost回归模型、Light GBM回归模型和以上述三种模型为基学习器的stacking模型,并通过对比MAE、RMSE、MAPE三项误差评价指标,选出预测精度最高的stacking模型作为长三角地区物流需求的预测模型。然后,根据研究所用数据集的特点,利用GM(1,1)模型分别对长三角地区各省市2023-2028年物流需求的影响指标进行预测,随后将影响指标预测值代入stacking模型中,得到长三角地区各省市未来6年的物流需求,汇总各省市物流需求预测结果即可得到长三角地区总体未来6年的物流需求。本文主要结论如下: (1)地区生产总值、社会消费品零售总额、进出口总额、第一产业增加值、第二产业增加值、第三产业增加值、年末常住人口、全体居民人均消费支出、货物周转量和铁路营业里程是影响长三角地区物流需求较显著的指标。(2)利用三项误差评价指标评估PSO-SVR模型、Ada Boost回归模型、Light GBM回归模型和stacking模型的预测效果,结果表明,无论在哪个省(市)的数据集上,stacking模型的误差在四个模型中均是最低的,具有更优越的预测效果。(3)根据预测结果,长三角地区2023-2028年总体的物流需求呈上升态势;分省市来看,安徽省2023-2028年物流需求持续上升且需求量最多,随后依次为浙江省、江苏省和上海市。基于以上结论,针对长三角地区物流业发展提出以下建议:(1)推进便利化国际贸易,扩大物流市场;(2)建设产业链物流体系,优化产业布局;(3)共建物流基础设施,加强区域合作。图[12]表[27]参[81]

关键词：区域物流需求预测特征选择 stacking模型 GM(1,1)模型

来源：评论

学校读者我要写书评

暂无评论

基于stacking模型的房屋租赁价格回归算法研究

基于Stacking模型的房屋租赁价格回归算法研究

引用

作者：刘倩倩阜阳师范大学

学位级别：硕士

由于城市化进程的快速发展,城市商品房价格也在持续上涨,使得部分住房需求者外溢到房屋租赁市场来缓解住房问题。然而,目前的房屋租赁市场也存在很多问题,其中租金增长快且不合理的现象而导致房屋租赁市场不健康发展尤为突出。因此,对... 详细信息

由于城市化进程的快速发展,城市商品房价格也在持续上涨,使得部分住房需求者外溢到房屋租赁市场来缓解住房问题。然而,目前的房屋租赁市场也存在很多问题,其中租金增长快且不合理的现象而导致房屋租赁市场不健康发展尤为突出。因此,对房屋租赁价格进行预测研究,有助于合理定价,具有很重要的现实意义。本文通过爬虫技术获取真实房屋租赁数据,将机器学习算法理论应用到模型预测中,对房屋租金进行预测,构造出较好的预测效果,为房屋租赁市场的出租、选房及监管提出了借鉴。本文所做的主要工作如下:（1）数据准备与预处理。本文通过Python网络爬虫技术,从链家网上爬取了深圳市线上房屋租赁数据。首先对数据中存在的缺失值和异常值进行处理。其次,为了使数据符合模型的要求,对高偏态的特征采用了对数变换和Box-cox两种数据变换进行了比较,并得出Box-cox变换更适合。最后结合了随机森林特征重要性评价和皮尔森相关系数两种方法,筛选出了12个特征。（2）预测模型构建。构建了多元线性回归、最近邻回归、随机森林回归、梯度提升树回归和XGBoost回归共五种单一回归预测模型,使用拟合度R2和归一化均方根误差NRMSE作为模评估指标。XGBoost预测结果表现最好,表现最差的是多元线性回归。（3）构建两层stacking组合模型。为了进一步提高模型的预测效果,搭建了两层stacking组合模型,第一层学习器分别是:随机森林、最近邻、梯度提升树、XGBoost回归模型,第二层选择了多元线性回归模型作为元学习器。最后,通过对比实验发现,stacking组合模型要优于其他模型。因此,在该数据集下,stacking组合模型具有预测准确率较高、对数据集的适应能力较好、运算效率较高的优点,可为房东定价和租客选取提供了参考,为房屋租赁市场监管提供借鉴。

关键词：价格预测特征选择集成学习 stacking模型

来源：评论

学校读者我要写书评

暂无评论

基于stacking模型的城市居民用水量预测及应用研究

基于Stacking模型的城市居民用水量预测及应用研究

引用

作者：彭勃三峡大学

学位级别：硕士

城市居民用水量是一个复杂的系统问题,与经济发展、产业格局、人口、城镇化率、居民消费、气温等多因素有关系。当前,随着经济社会的快速发展,城市规模扩大,城市人口增长,水资源枯竭、水资源污染等问题严重影响居民生活,城市居民用水需... 详细信息

城市居民用水量是一个复杂的系统问题,与经济发展、产业格局、人口、城镇化率、居民消费、气温等多因素有关系。当前,随着经济社会的快速发展,城市规模扩大,城市人口增长,水资源枯竭、水资源污染等问题严重影响居民生活,城市居民用水需求逐渐趋于多元化,供水系统规模不断扩大,供水标准也不断提高。城市水资源供给难以满足日益增长的城市居民需水量,且该矛盾日益突出。因此,如何准确预测城市居民用水量,对保障城市供水安全尤为重要。同时,城市居民用水量与温度、年度、月份、人口等多因素之间存在时间、空间和外生依赖关系,特征数据具有空间分布差异、频率差异、粒度差异明显的特点,给城市居民用水量精准预测带来了较大的挑战。鉴于此,本文运用统计学以及机器学习等学科的基本原理,采用模型分析法,构建了基于机器学习的多时序特征的stacking预测模型,对城市居民用水量进行较为精准地预测。首先,确定影响城市居民用水量的因素。城市居民用水量的预测就是对未来某时刻城市居民用水量的估计,为城市用水规划,城市发展规划提供决策依据;本文在前人研究工作的基础上,通过大量的文献阅读、调查和识别,结合城市居民用水的特点,从城市总GDP、第一产业GDP、第二产业GDP、气温、城镇化率、居民消费、人口等多方面因素选取影响城市居民用水的研究指标。其次,进行数据处理和模型的建立。对收集的数据进行整理,通过初始特征分析,筛选建模过程中需要用到的指标特征,通过多时间序列的特征抽取技术对特征进行抽取,过滤掉噪声特征,保留更多的有用因子。通过对随机森林、梯度提升决策树、XGBoost算法、Light GBM、人工神经网络、支持向量机等方法的单独比对最终确定采用融合多模型的stacking学习系统来处理具有异构时序特征的城市居民用水量预测。在模型建立上,用多时序特征提取时提取到的特征作为样本的输入,再分别对各个预测子模型进行相关性分析,筛选出第一层的组件学习器,使用stacking技术对多个子模型进行融合,即建立基于stacking模型的城市居民用水量预测模型,通过对子模型超参数调优从而最终校正本文所提的stacking预测模型。最后,进行算例分析。本文选取沈阳市样本集,将stacking方法与XGBoost、ANN、RF、Ridge、SVR等个体机器学习模型对比,使用相同的数据进行了多准则的评估。预测结果表明:基于多时序特征抽取的stacking模型有较高的精度,该模型平均相对误差为3.55%,准确度可以达到96.45%。本文的核心创新点之一是提出了一种新的特征抽取技术-多时序特征抽取,对比分析考虑时序特征和不考虑时序特征两种情形下stacking模型的预测效果,验证采用多时序特征抽取对stacking预测模型精度的提升作用。分别用stacking集成模型与单独的基学习器进行比较,对比5折交叉验证每个样本的预测值与真实值,将他们的预测拟合曲线与真实曲线进行对照分析,进一步验证本文所提方法的有效性。根据预测结果,结合当地具体情况,给出节约用水措施和建议。综上所述,本文提出了一种结合多时序特征抽取和stacking预测模型的城市居民用水量预测方法,以沈阳市为例,工程化落地,实测出较好的效果。本文提出的方法拓宽了stacking集成学习模型的应用范围,特别是在城市需水量预测方面的应用,有助于实现对城市水资源合理分配、高效调度,有利于智慧城市高效快速发展。

关键词： stacking模型多时序特征抽取城市居民水用量多因素沈阳市

来源：评论

学校读者我要写书评

暂无评论

基于地基云图分类与stacking模型的光伏发电功率预测

基于地基云图分类与Stacking模型的光伏发电功率预测

引用

作者：巩秦海燕山大学

学位级别：硕士

光伏发电功率受云层的无规则运动影响而产生波动,且其波动特征与天气类型紧密相关,从而影响短期光伏发电功率预测的预测精度,因此本文通过监测不同天气类型下云层的运动形态,提出了一种基于地基云图分类与stacking模型的光伏发电功率预... 详细信息

光伏发电功率受云层的无规则运动影响而产生波动,且其波动特征与天气类型紧密相关,从而影响短期光伏发电功率预测的预测精度,因此本文通过监测不同天气类型下云层的运动形态,提出了一种基于地基云图分类与stacking模型的光伏发电功率预测研究方法。首先,基于数值天气预报(Numerical Weather Prediction,NWP)构建天气分型因子与天气分型向量,将天气类型划分为晴天天气、多云天气、阴天天气、阵雨天气与全雨天气,并通过变分模态分解将各种天气类型下的光伏发电功率分为类晴空平滑过程数据与波动过程数据。其次,对地基云图进行畸变矫正,提取云图中各像素点的灰度值,计算各云图灰度阈值对云图类型进行判定。由加速鲁棒特征监测地基云图中云团的特征移动,计算云团的运动速度和方向。进而区分不同云图类型下云团运动速度的快慢,实现地基云图分类。然后,通过光伏发电功率的波动过程数据提出移动平均线、标准差、峰值比3种波动特征参数,将波动数据划分到不同的地基云图下。根据江苏某光伏电站2017年1月1日～2017年12月31日的光伏发电功率及历史云图数据,构建卷积神经网络(Convolutional Neural Network,CNN)结合长短期记忆网络(Long Short-Term Memory,LSTM)模型对本文提出的各种场景进行仿真,分析天气分型和地基云图分类在光伏发电预测方面的优势。最后,为了提高光伏发电功率的预测精度,结合机器学习算法的适应性条件,提出了一种多模型融合stacking的预测模型。将CNN-LSTM模型与XGBoost(e Xtreme Gradient Boosting)模型作为stacking模型的基模型,选取极限学习机(Extreme Learning Machine,ELM)作为stacking模型的元模型,采用3交叉训练的方法对各种场景下的光伏发电功率进行训练预测。通过对比CNN-LSTM模型、XGBoost模型、stacking模型的预测误差,结果表明stacking模型显著地提高了光伏发电功率的预测精度。

关键词： NWP 变分模态分解地基云图灰度值 stacking模型

来源：评论

学校读者我要写书评

暂无评论

基于欠采样随机森林的stacking模型研究 ——以半导体良率预测为例

基于欠采样随机森林的Stacking模型研究 ——以半导体良率预测为例

引用

作者：尤芳芳华东师范大学

学位级别：硕士

当前,半导体芯片通过多层次物理测试来判别芯片的优良性能。半导体芯片测试产生了庞杂的数据,这些数据背后隐藏着大量芯片质量的信息。本文探讨的是将数据挖掘技术应用于半导体行业,以提升半导体产品良率,降低半导体制造业成本。芯片测... 详细信息

当前,半导体芯片通过多层次物理测试来判别芯片的优良性能。半导体芯片测试产生了庞杂的数据,这些数据背后隐藏着大量芯片质量的信息。本文探讨的是将数据挖掘技术应用于半导体行业,以提升半导体产品良率,降低半导体制造业成本。芯片测试产生的数据呈现出高维和不平衡两个特性。一般地,很多研究者分别对高维问题和不平衡问题进行了研究,提出了一系列成熟的算法,但是这些算法对半导体行业这种同时存在高维特性和不平衡特性的数据效果欠佳。本文首先对数据的高维特性和不平衡特性作了介绍,并阐述了当前针对这两个问题的处理方法,描述了数据挖掘的模型评价指标并定义了半导体行业评价指标。接着结合行业实际阐述了半导体良率预测问题的提出和应用场景以及半导体数据的预处理方法。然后分析了随机森林算法的优缺点,并在此基础上优化了随机森林算法,提出了基于欠采样随机森林的stacking模型算法。最后用行业实际数据进行了验证,证明了该算法的有效性。这为数据科学替代一部分传统芯片测试方案提供可行性基础,为半导体封装测试大幅降低成本提供可能。

关键词：半导体测试高维不平衡随机森林 stacking模型芯片良率预测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：