检索结果-内蒙古大学图书馆

延边大学学报(自然科学版) 2025年第1期51卷 32-36页

作者：何素贞杨冬平莆田学院机电与信息工程学院福建莆田351100 之江实验室前沿基础研究中心浙江杭州311101

为了更好地预测超导材料临界温度,提出了一种基于stacking回归模型的超导材料临界温度预测方法.该方法利用化学元素周期表的序数和原子数百分比构建特征向量,然后通过结合Extra Trees、Ridge Regression和XGBoost 3种算法的stacking回... 详细信息

为了更好地预测超导材料临界温度,提出了一种基于stacking回归模型的超导材料临界温度预测方法.该方法利用化学元素周期表的序数和原子数百分比构建特征向量,然后通过结合Extra Trees、Ridge Regression和XGBoost 3种算法的stacking回归模型对临界温度进行预测.研究结果表明:该方法可较好地预测超导材料临界温度(决定系数R^(2)为0.93),且优于KamH提出的方法.与采用复杂特征工程结合机器学习的方法相比,该方法在简便性和有效性方面也具有一定优势。研究结果为超导材料临界温度的智能预测提供了新思路.

关键词： stacking模型超导材料临界温度机器学习评价指标

来源：评论

学校读者我要写书评

暂无评论

基于三层加权堆叠模型的电动汽车剩余里程预测

引用

汽车工程 2025年第1期47卷 107-116页

作者：石琴侯伟路张晓楠吴为教贺泽佳合肥工业大学汽车与交通工程学院合肥230009 合肥工业大学自动驾驶车辆安全技术安徽省重点实验室合肥230009 安徽省智慧交通车路协同工程研究中心合肥230009

为实现电动汽车剩余里程准确预测,本文提出一种基于三层加权堆叠模型的电动汽车剩余里程预测方法。结合最大信息系数和斯皮尔曼系数作为变量评价准则,使用最小冗余最大相关算法从候选特征集中优化得到输入特征集。构建考虑原始训练特征... 详细信息

为实现电动汽车剩余里程准确预测,本文提出一种基于三层加权堆叠模型的电动汽车剩余里程预测方法。结合最大信息系数和斯皮尔曼系数作为变量评价准则,使用最小冗余最大相关算法从候选特征集中优化得到输入特征集。构建考虑原始训练特征的三层堆叠模型,并利用贝叶斯优化算法得到堆叠模型中基模型权重。最后,使用输入特征集对三层加权堆叠模型训练并实现电动汽车剩余里程预测,结果表明所述三层加权堆叠模型的预测精度较高。此外,与其他模型相比,所述堆叠三层加权模型的泛化能力更强。

关键词：电动汽车 mRMR算法 stacking模型剩余里程

来源：评论

学校读者我要写书评

暂无评论

基于集成学习的转炉炼钢磷含量预测模型

引用

炼钢 2025年第2期41卷 9-15,23页

作者：邓胜保彭其春彭霞林向往樊智勇龙雄峰武汉科技大学省部共建耐火材料与冶金国家重点实验室湖北武汉430081 武汉科技大学钢铁冶金及资源利用省部共建教育部重点实验室湖北武汉430081 湖南华菱涟源钢铁有限公司湖南娄底417009

精准预报终点磷含量可解决转炉吹炼过程中不能连续检测钢水成分的难题,促进转炉快速出钢和缩短冶炼周期。基于湖南某钢厂100 t转炉的实际生产数据,建立了基于集成学习算法的转炉终点钢水磷含量预测模型。通过分析转炉脱磷过程确定主要... 详细信息

精准预报终点磷含量可解决转炉吹炼过程中不能连续检测钢水成分的难题,促进转炉快速出钢和缩短冶炼周期。基于湖南某钢厂100 t转炉的实际生产数据,建立了基于集成学习算法的转炉终点钢水磷含量预测模型。通过分析转炉脱磷过程确定主要影响因素,结合钢厂实际生产确定模型的输入变量;采用四分位距法、LOF算法等方法进行数据预处理,结合10折交叉验证法和网格搜索法确定模型的最佳参数。使用4种集成学习算法(RF、AdaBoost、MultiBoosting、stacking)分别建立预测模型,对比4种模型预测结果发现:stacking模型预测效果最佳,具有最高的命中率和最低的均方根误差、平均绝对百分比误差,其预测终点钢水磷质量分数误差为±0.003%、±0.005%时的命中率分别为86.08%、97.84%。

关键词：转炉炼钢终点磷含量集成学习 stacking模型

来源：评论

学校读者我要写书评

暂无评论

基于stacking集成学习的肾综合征出血热发病数据预测模型研究

引用

中国卫生统计 2022年第6期39卷 811-814页

作者：李英杰王岩贾艺林丁林敏何芷君单连峰黄德生关鹏中国医科大学公共卫生学院流行病学教研室 110122 中国医科大学智能医学学院智能计算教研室

目的探讨基于stacking结构的集成模型在预测分析辽宁省肾综合征出血热发病趋势中的可行性。方法利用公共卫生科学数据中心2005-2018年肾综合征出血热发病数据,以集成学习方法和非集成学习方法为基学习器,以线性回归为元学习器构建Stack... 详细信息

目的探讨基于stacking结构的集成模型在预测分析辽宁省肾综合征出血热发病趋势中的可行性。方法利用公共卫生科学数据中心2005-2018年肾综合征出血热发病数据,以集成学习方法和非集成学习方法为基学习器,以线性回归为元学习器构建stacking集成学习模型,比较单一预测模型和由不同类预测模型组合而成的stacking集成学习模型的预测精度。通过五折交叉验证优化参数,对肾综合征出血热发病数据进行预测,并评价模型的预测能力,采用平均绝对误差和均方根误差评价模型的预测效果。结果最小绝对收缩和选择算子回归、多层感知器、支持向量机、随机森林、极度梯度提升树和stacking集成学习模型交叉验证结果的平均绝对误差均值分别为48.13,49.93,47.68,23.21,23.07,24.89,经拟合设置最优参数后各模型的平均绝对误差分别为25.54,44.58,25.57,21.25,19.47,22.49;各模型交叉验证结果的均方根误差平均值分别为55.23,56.91,54.74,28.87,29.20,31.23,经拟合设置最优参数后各模型的均方根误差分别为30.24,55.24,29.56,28.41,28.47,27.77。结论基于随机森林、极度梯度提升树和stacking集成学习模型构建的发病人数预测模型对辽宁省肾综合征出血热发病的预测准确率优于最小绝对收缩和选择算子回归、多层感知器和支持向量机等单一模型。本研究为疾病防控工作中预测模型的选择提供一定的方法学参考。

关键词： stacking模型肾综合征出血热预测

来源：评论

学校读者我要写书评

暂无评论

多模型stacking集成学习的旋转机械故障诊断方法

引用

液压与气动 2023年第4期47卷 46-58页

作者：姜万录赵岩李振宝杨旭康张士博张淑清燕山大学先进锻压成型技术与科学教育部重点实验室河北秦皇岛066004 燕山大学河北省重型机械流体动力传输与控制实验室河北秦皇岛066004 燕山大学电气工程学院河北秦皇岛066004

针对传统旋转机械故障诊断方法中单一机器学习模型出现的诊断精度低、泛化能力差且性能提升有限等问题,提出了通过stacking框架异质集成多个机器学习模型对旋转机械进行故障诊断。首先利用小波包变换对旋转机械的原始振动信号进行特征提... 详细信息

针对传统旋转机械故障诊断方法中单一机器学习模型出现的诊断精度低、泛化能力差且性能提升有限等问题,提出了通过stacking框架异质集成多个机器学习模型对旋转机械进行故障诊断。首先利用小波包变换对旋转机械的原始振动信号进行特征提取;然后通过贝叶斯优化和网格搜索结合的方法调节各基学习器的超参数,采用DT、KNN、SVM及RF作为初级学习器,LR作为次级学习器构建stacking异质集成学习模型;最后通过滚动轴承和液压泵故障模拟试验,将所提模型与单一模型、同质集成模型进行比较分析。试验结果表明,异质集成stacking模型在不同旋转机械的故障诊断中均获得了最佳的整体诊断性能。异质集成是提高旋转机械故障诊断性能的有广阔应用前景的解决方案。

关键词： stacking模型异质集成学习故障诊断旋转机械

来源：评论

学校读者我要写书评

暂无评论

基于GA-stacking融合模型的制造业上市公司财务舞弊识别研究

基于GA-Stacking融合模型的制造业上市公司财务舞弊识别研究

引用

作者：伍旭江西财经大学

学位级别：硕士

上市公司财务报表是反映其公司在一段时间经营情况的综合性文件。我国法律规定,上市公司必须定期向社会报告。但近年来国内上市公司财务舞弊现象却频频爆出,个别上市公司在面临财务危机时候,为保护上市公司自身利益第一时间会选择对财... 详细信息

上市公司财务报表是反映其公司在一段时间经营情况的综合性文件。我国法律规定,上市公司必须定期向社会报告。但近年来国内上市公司财务舞弊现象却频频爆出,个别上市公司在面临财务危机时候,为保护上市公司自身利益第一时间会选择对财务数据进行粉饰甚至舞弊,以此来提升投资者信心或逃避相关部门的监管。此类行为极大地削弱了民众对我国资本市场的信心,而传统人工审计方法对上市公司舞弊识别效果却差强人意。因此若能根据上市公司披露的年度财务数据通过数据挖掘技术提前预测某些公司有无可能发生舞弊行为,就能极大地减少投资者的损失和上市公司强制退市对市场的冲击。本文旨在解决此类问题,将2015—2019年制造业上市公司财务相关数据作为研究对象,把研究重点放在各种数据挖掘模型的分析上,最终将构建一个基于遗传算法(Genetic Algorithm)优化的stacking融合模型。通过该模型判断制造业上市公司是否在本年度进行舞弊。为实现上述目的,本文进行如下工作:(1)本文将使用遗传算法、SHAP特征分析法以及统计检验三种方式依次进行特征选择。对选择出的可用于财务舞弊识别的指标进行验证性因子分析,以达到降维的效果方便模型的解释,同时根据因子分析结果建立一个二级指标体系。(2)本文将分别对Logistic回归模型、SVM模型、随机森林模型、XGBoost模型、Light GBM模型以及BP-神经网络模型进行模型识别效果横向对比,并对识别效果较好的三个模型建立一个stacking融合模型。在此基础上利用遗传算法对所建立的stacking融合模型进行优化,得出识别效果更佳的GA-stacking融合模型。实证结果表明:(1)制造业上市公司发生财务舞弊的指标主要集中在经营发展能力相关指标以及部分资产负债状况的指标。此类财务指标舞弊往往最能直接反映一个企业的发展状况,因此成为制造业上市公司蒙蔽投资者进行财务舞弊的首选。(2)在进行制造业上市公司财务舞弊识别领域,GA-stacking融合模型的识别效果要明显优于单个机器学习模型。单个模型表现最优的是BP-神经网络模型,Logistic模型表现最差。此外,树模型在该问题上表现较好,支持向量机模型在对舞弊样本识别方面也有其特别的优势。(3)通过本案例及所建立的GA-stacking模型证实了运用遗传算法进行调参相较于传统的网格搜索法和随机搜索法有着其独特的优势,非常适宜大样本数据集模型的优化。

关键词：财务舞弊 SHAP特征分析因子分析 stacking模型遗传算法

来源：评论

学校读者我要写书评

暂无评论

基于stacking融合模型的磁流变阻尼器控制电流预测

基于Stacking融合模型的磁流变阻尼器控制电流预测

引用

作者：王逸飞华东师范大学

学位级别：硕士

随着汽车产业和时代的发展,人们对汽车的行驶过程中的舒适度以及汽车的耐用度有更高的要求,汽车在遇到凹凸不平的路面时依靠汽车悬架中的阻尼器与弹性器件来保证车身的平稳行驶。磁流变阻尼器由于材料的特性具有良好的应用前景,但由于... 详细信息

随着汽车产业和时代的发展,人们对汽车的行驶过程中的舒适度以及汽车的耐用度有更高的要求,汽车在遇到凹凸不平的路面时依靠汽车悬架中的阻尼器与弹性器件来保证车身的平稳行驶。磁流变阻尼器由于材料的特性具有良好的应用前景,但由于磁流变的特性在其电流激励下具有高度非线性和滞回性的特点,构建参数化模型可能带来大量的参数识别以及逆模型求解困难等问题,而建立精确的控制电流预测模型是实现磁流变阻尼系统自动控制的关键。结合前人已有研究的方法的基础上,本文考虑利用机器学习、深度学习模型以及模型融合的方法对磁流变阻尼器控制电流预测问题展开研究。首先,本文利用精确性较高的Proposed Bouc＿Wen模型构建磁流变阻尼器力学模型进行仿真建模,在正弦位移激励下进行仿真建模观察磁流变阻尼器数据的特性——高度非线性和滞回性,在随机位移激励下进行仿真建模来模拟实际道路的不同路面情况和车辆行驶状态并获取数据源。考虑到原始数据集中的特征维度较少,可能会造成欠拟合难以实现模型最佳效果,本文利用特征衍生对变量进行特征扩展后变为16个变量,利用相关系数、VIF值、互信息值和递归特征删除剔除了7个变量,并通过特征工程前后模型效果验证了特征工程的有效性。本文选择了机器学习中可以描述非线性的KNN、SVR、决策树、XGBoost、Light BGM模型构建MRD控制电流预测模型,并利用神经网络强大的拟合能力构建了FNN、D-FNN和LSTM模型。利用网格搜索寻找各模型最优参数后从模型效果验证了SVR模型不具备适用性,Light GBM具有更优的预测精度。最后,为进一步提升为逆模型的泛化能力和预测精度构建了stacking融合模型,相比于单模型各项评价指标都有较高的提升,表明stacking模型具备更精确的控制电流预测效果。

关键词：磁流变阻尼器特征工程机器学习深度学习 stacking模型

来源：评论

学校读者我要写书评

暂无评论

基于stacking多算法融合模型的上市公司财务危机预警模型研究

基于Stacking多算法融合模型的上市公司财务危机预警模型研究

引用

作者：蔡佳臻华中科技大学

学位级别：硕士

近年来,我国市场竞争不断加剧,企业内外部经营情况不确定性增加,一些企业隐藏问题暴露并逐步发展成财务危机,甚至导致破产、退市,投资者、债权人等利益相关者蒙受巨大损失。然而财务危机的形成是个循序渐进的过程,这使得提前识别财务危... 详细信息

近年来,我国市场竞争不断加剧,企业内外部经营情况不确定性增加,一些企业隐藏问题暴露并逐步发展成财务危机,甚至导致破产、退市,投资者、债权人等利益相关者蒙受巨大损失。然而财务危机的形成是个循序渐进的过程,这使得提前识别财务危机是有可能的。自上世纪30年代开始,公司财务危机预警逐渐得到学者们的重视,并且随时时间的推移,科技水平进步,研究公司财务危机预警模型的手段也越来越多样,从单变量模型、多变量模型发展到概率函数类模型以及现在的伴随人工智能发展诞生的机器学习。机器学习在处理多维度、多噪音、非线性的金融数据方面有独特的优势,从上世纪90年代开始应用于财务危机预警模型,但对国内外研究现状进行梳理发现,以往学者的研究大多注重单一模型的优化和预测,多个学习器融合构建财务危机预警模型的研究较少,基于此本文尝试运用能够堆叠多个异质学习器的stacking多算法融合模型来构建财务危机预警模型。本文以中国A股所有上市公司为研究对象,把上市公司的股票首次被沪深交易所标记ST(Special Treatment)作为发生财务危机的标志,首先对收集的数据进行数据预处理和特征筛选,建立了包含盈利能力、经营能力、发展能力、偿债能力、风险水平这五类财务指标和以及行业分类、内部治理、市场表现这三类非财务指标的财务危机预警指标体系,共8个方面22个维度。在数据为字符问题上,本文采用哑变量处理。在数据平衡处理方面,本文采取SMOTETomek综合采样法,即SMOTE过采样和Tomeklink欠采样相结合的方法对样本数据进行平衡。接着进行模型构建,按照7:3的比例划分训练集和测试集,采用逻辑回归、决策树、支持向量机这三种单一算法和随机森林、GBDT、XGBoost这三种集成学习进行建模和预测,通过准确率、精确率、召回率、F1值、AUC值和ROC曲线来评估五个模型的预测效果。最后将表现优异的模型进行stacking堆叠融合,观察预测效果并利用第一层模型的特征重要性来找出可能导致公司出现财务危机的重要因素。研究结果表明,在单独使用一个算法进行建模预测时,集成学习算法在模型评价各个指标上都表现出色,其中XGBoost在准确率、精准率、召回率、F1值方面表现最优,随机森林在AUC值上最优,三种单一算法模型的预测性能虽然不如集成学习模型,但准确率等指标依然大于0.8,预测性能也较为优秀。将表现优异的决策树、支持向量机、随机森林、GBDT、XGBoost进行stacking堆叠融合,融合后的模型在预测性能的各个方面相较于单独使用一个算法有0.0018～0.0103的提升,说明基于stacking多算法堆叠模型构建的上市公司财务危机预警模型具有较强的可行性。随机森林、GBDT、XGBoost的特征重要性显示,盈利指标中的总资产净利润率和净资产收益率,发展能力指标中的总资产增长率以及非财务指标中的行业分类对结果影响较大,投资者、债权人、经营者等利益相关者在构建财务危机预警系统时应重点关注这些指标。

关键词：财务危机预警模型机器学习集成学习 stacking模型

来源：评论

学校读者我要写书评

暂无评论

基于血清蛋白标志物特征工程与多模型CV-stacking方法的癌症识别

基于血清蛋白标志物特征工程与多模型CV-Stacking方法的癌症识别

引用

作者：汪梓逸华中农业大学

学位级别：硕士

癌症逐渐成为当今世界最为威胁人类健康的疾病之一。在癌症识别的研究中,主要依靠基因检测,即利用基因组学数据进行研究,而基于蛋白组学的癌症识别研究相对较少。由于血液蛋白质获取相对简单方便,对机体伤害小,因此血液蛋白质检测相比... 详细信息

癌症逐渐成为当今世界最为威胁人类健康的疾病之一。在癌症识别的研究中,主要依靠基因检测,即利用基因组学数据进行研究,而基于蛋白组学的癌症识别研究相对较少。由于血液蛋白质获取相对简单方便,对机体伤害小,因此血液蛋白质检测相比复杂昂贵的基因检测拥有更好的应用前景,研究基于血清蛋白标志物的癌症识别方法具有重要的现实意义,探索拥有更高癌症分类识别性能的机器学习或统计学习方法有助于临床医学诊断,是实现医疗智能化的一个重要途径。本文利用约翰霍普金斯大学医学院研究者Cohen等在《科学》杂志上公开发表的基于血清蛋白指标的癌症数据集进行分类识别研究。针对该数据集,本文从特征工程方法设计、算法设计,以及分类算法构建三个方面提升癌症识别性能,所作的主要工作如下:(1)设计了基于随机森林的特征选择方法RFFS和基于特征互信息比的特征选择方法MIRFS来筛除冗余特征。(2)对比分析了多种特征工程方法的特征信息提取能力以及多种分类算法的分类性能。(3)基于多个集成分类算法和多模型stacking框架,设计了用于癌症分类和癌症AJCC分期识别的CV-stacking算法。(4)结合本文设计的特征工程方法与CV-stacking算法,构建用于癌症分类的RFFS-CV-stacking模型和用于癌症AJCC分期识别的MIRFS-CV-stacking模型。研究结果表明,本文提出的RFFS-CV-stacking和MIRFS-CV-stacking模型在Cohen癌症数据集的两种分类任务上的性能优于其他分类模型,其准确率分别为84.98%和73.18%,且在癌症分类任务上的性能显著高于Cohen在其研究中使用的有监督学习方法。所提出的CV-stacking算法在UCI公开数据集上的验证结果也表明其分类预测性能优于其他分类模型,具有良好的鲁棒性。本文的工作可为基于蛋白组学的癌症识别研究提供参考,同时也可为癌症的临床识别及医疗智能化提供支持。

关键词：癌症识别蛋白组学特征工程集成分类算法 stacking模型

来源：评论

学校读者我要写书评

暂无评论

基于stacking融合模型的汽车保险诈骗分析

引用

统计学与应用 2024年第4期13卷 1329-1338页

作者：陈浩铭赵月旭杭州电子科技大学经济学院浙江杭州

随着中国新能源汽车的兴起,关于汽车保险诈骗的问题日益突出。为了对保险诈骗行为进行有效识别,本文基于机器学习的相关理论,利用模拟退火算法调参的stacking融合模型对保险欺诈进行预测。首先,利用随机森林和XGBoost算法筛选得到两个... 详细信息

随着中国新能源汽车的兴起,关于汽车保险诈骗的问题日益突出。为了对保险诈骗行为进行有效识别,本文基于机器学习的相关理论,利用模拟退火算法调参的stacking融合模型对保险欺诈进行预测。首先,利用随机森林和XGBoost算法筛选得到两个不同特征的训练数据集,然后通过差异化的数据来优化stacking模型的预测能力,并利用交叉验证法得到最优模型,其准确率为87.43%。实证分析表明,相较于未使用差异化数据的stacking模型,本文所建的融合模型对汽车保险欺诈行为有更高的识别能力。With the rise of new energy vehicles in China, the issue of car insurance fraud has become increasingly prominent. In order to effectively identify fraudulent insurance activities, this study employs the stacking ensemble model, optimized using simulated annealing algorithm tuning based on machine learning theories, to predict insurance fraud. Initially, utilizing the Random Forest and XGBoost algorithms, two distinct feature sets are selected to construct training datasets. Subsequently, by employing differentiated data, the predictive capability of the stacking model is enhanced. Through cross-validation, the optimal model is obtained and its accuracy is 87.43%. Empirical analysis shows that compared to the stacking model without differentiated data, the ensemble model developed in this study exhibits superior capability in identifying fraudulent behaviors in car insurance.

关键词：汽车保险欺诈 stacking模型机器学习模拟退火算法特征重要性

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：