检索结果-内蒙古大学图书馆

bagging算法在混合适应性样条中的应用

引用

应用概率统计 2005年第3期21卷 278-284页

作者：赵慧肖明华中师范大学统计系北京大学数学科学学院北京100087 华中师范大学网络中心

本文通过分析bagging算法在混合适应性样条估计中的作用,提出了一种新的空间适应性非参数函数估计算法.模拟研究表明该算法在空间适应性上具有明显优势,在估计精度和稳定性方面也可与其他同类方法相媲美,并且易于推广到多元情形.

关键词： bagging算法空间适应性混合适应性样条罚回归膨胀自由度

来源：评论

学校读者我要写书评

暂无评论

一种基于bagging算法的高斯过程集成建模方法

引用

东南大学学报（自然科学版） 2011年第B09期41卷 93-96页

作者：李雅芹杨慧中江南大学教育部轻工过程先进控制重点实验室无锡214122

针对单一高斯过程在化工过程软测量建模中存在估计精度不高的问题,利用bagging和高斯过程回归算法,提出一种基于bagging算法的集成高斯过程软测量建模方法.该算法使用bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形... 详细信息

针对单一高斯过程在化工过程软测量建模中存在估计精度不高的问题,利用bagging和高斯过程回归算法,提出一种基于bagging算法的集成高斯过程软测量建模方法.该算法使用bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成多个高斯过程模型,并通过加权组合方式进行集成,得到最终的模型输出.将该方法应用到某双酚A生产装置缩合反应釜出口24BPA含量的软测量建模中,仿真结果表明相比于单一高斯过程模型,该集成算法具有更高的精度和泛化能力.

关键词： bagging算法高斯过程集成软测量

来源：评论

学校读者我要写书评

暂无评论

基于bagging算法构造强分类器的one class SVM导线舞动预测应用

引用

振动与冲击 2020年第9期39卷 152-158页

作者：程永锋汉京善刘彬李鹏姬昆鹏中国电力科学研究院有限公司北京102401

考虑到传统物理分析方法无法解决导线舞动的预测问题,综合运用机器学习算法,对已有的舞动历史数据进行筛选和预处理,并挖掘有效信息,利用one class SVM算法解决舞动数据中负样本缺失问题,采用集成学习算法中bagging算法建立分类器学习方... 详细信息

考虑到传统物理分析方法无法解决导线舞动的预测问题,综合运用机器学习算法,对已有的舞动历史数据进行筛选和预处理,并挖掘有效信息,利用one class SVM算法解决舞动数据中负样本缺失问题,采用集成学习算法中bagging算法建立分类器学习方法,实现了数据的随机抽样,分成不同组数据集进行相互独立的训练,避免对舞动数据过拟合,提升机器学习算法的抗噪声能力以及泛化能力,采用k折交叉验证算法进行模型的验证,并利用F1-score描述导线舞动预警模型的性能,验证了该方法在舞动预测方面的有效性。

关键词：导线舞动机器学习 one class SVM 集成学习 bagging算法 F1-score

来源：评论

学校读者我要写书评

暂无评论

bagging算法神经网络的抗噪声能力及应用

Bagging算法神经网络的抗噪声能力及应用

引用

作者：郭照斌大连理工大学

学位级别：硕士

众所周知,决定神经网络性能的一个重要因素就是训练样本的质量。尽管神经网络有一定的能力从含噪声样本中学习,但是对于很多问题来说,噪声的存在必然会影响其最后性能。而在实际应用中由于训练样本的采集设备,环境,传输等各方面的限制,... 详细信息

众所周知,决定神经网络性能的一个重要因素就是训练样本的质量。尽管神经网络有一定的能力从含噪声样本中学习,但是对于很多问题来说,噪声的存在必然会影响其最后性能。而在实际应用中由于训练样本的采集设备,环境,传输等各方面的限制,人们无法避免噪声的出现。因此,探索一种方法来提高训练样本的质量是有必要的。本文作者根据bagging算法的特点和神经网络集成的特性,探讨了基于bagging算法的神经网络集抵抗样本中噪声的能力。若样本噪声量较小(比如说小于总样本数的35%),则集成网络的结构、权值、输出等主要由非噪声样本决定,这就给基于bagging算法的神经网络集成过滤噪声提供了可能性。随后作者用UCI上的11组训练数据验证了基于bagging算法的神经网络集成具有很强的抗噪声能力和过滤噪声能力。最后作者将其应用于数学公式字符识别。本文章节安排如下: 第一章首先介绍了神经网络和神经网络集成方面的基本知识,之后介绍了用神经网络来处理含不同类型噪声数据的三种典型的方法。第二章着重分析基于bagging算法的神经网络集成在关于分类问题的小样本集上的抗噪声能力和噪声过滤能力。通过大量的数值实验表明,当训练样本的含噪声比例＜35%时,该方法对绝大多数样本集有效。在第三章,我们详细介绍了数学公式识别技术及基于神经网络集成的数学公式字符识别器的设计。通过实验表明,它比单BP做细分类器将识别率约提高了6%。

关键词：神经网络 bagging算法公式识别噪声分析神经网络集成

来源：评论

学校读者我要写书评

暂无评论

面向中文文本分类的C4.5bagging算法研究

引用

计算机工程与应用 2009年第26期45卷 135-137页

作者：张翔周明全耿国华侯凡西北大学可视化技术研究所西安710127 西安建筑科技大学信息与控制工程学院西安710055 北京师范大学信息科学与技术学院北京100875

对于中文文本分类问题,提出一种新的bagging方法。这一方法以决策树C4.5算法为弱分类器,通过实例重取样获取多个训练集,将其结果按照投票规则进行合成,最终得到分类结果。实验证明,这种算法的准确率、查全率、F1值比C4.5、kNN和朴素贝... 详细信息

对于中文文本分类问题,提出一种新的bagging方法。这一方法以决策树C4.5算法为弱分类器,通过实例重取样获取多个训练集,将其结果按照投票规则进行合成,最终得到分类结果。实验证明,这种算法的准确率、查全率、F1值比C4.5、kNN和朴素贝叶斯分类器都高,具有更加优良的性能。

关键词： bagging算法 C4.5算法中文文本分类

来源：评论

学校读者我要写书评

暂无评论

基于bagging算法的水库水沙联合智能调度

引用

计算机工程与应用 2004年第25期40卷 218-219,232页

作者：宋星光夏利民中南大学信息科学与工程学院长沙410075

水库水沙调度是一项非常复杂的综合性问题,存在大量的非线性关系。传统的调度方法往往难以达到满意的效果。该文提出了一种基于bagging算法的水库调度方法。用神经网络建立水库调度预测函数,在此基础上,利用bagging算法构造了基于神经... 详细信息

水库水沙调度是一项非常复杂的综合性问题,存在大量的非线性关系。传统的调度方法往往难以达到满意的效果。该文提出了一种基于bagging算法的水库调度方法。用神经网络建立水库调度预测函数,在此基础上,利用bagging算法构造了基于神经网络的预测函数序列进行预测,预测的平均值用于水库调度。实验结果表明,符合实际情况,且具有明显的经济安全效益。

关键词：水库调度神经网络 bagging算法

来源：评论

学校读者我要写书评

暂无评论

基于改进bagging算法与模糊MP-LSTM融合的短期负荷预测模型

引用

电气工程学报 2022年第1期17卷 164-170页

作者：蔡鑫祥撖奥洋周生奇菅学辉张智晟青岛大学电气工程学院青岛266071 国网山东省电力公司青岛供电公司青岛266002

为提高负荷预测精度,提出一种基于改进bagging算法与模糊最小窥视孔长短期记忆(Min peephole long short-term memory,MP-LSTM)融合的短期负荷预测模型。MP-LSTM模型相较于传统长短期记忆网络(Long short-term memory,LSTM)模型舍弃了... 详细信息

为提高负荷预测精度,提出一种基于改进bagging算法与模糊最小窥视孔长短期记忆(Min peephole long short-term memory,MP-LSTM)融合的短期负荷预测模型。MP-LSTM模型相较于传统长短期记忆网络(Long short-term memory,LSTM)模型舍弃了输入门和输出门,只保留遗忘门,模型包括一个sigmoid网络层和一个tanh网络层,减少了模型参数,优化了模型结构。通过将温度进行模糊化处理,减小温度波动对负荷的影响。采用改进bagging算法对MP-LSTM模型集成处理来提高模型预测的精度。以某地区的实际负荷数据进行算例仿真,并与传统LSTM神经网络预测法、MP-LSTM神经网络法和模糊MP-LSTM神经网络法进行对比,仿真结果表明文中所提模型具有较好的预测精度。

关键词：短期负荷预测最小窥视孔长短期记忆神经网络粒子群优化算法电力系统 bagging算法

来源：评论

学校读者我要写书评

暂无评论

bagging算法驱动的心血管疾病预测模型及智能床垫应用

引用

企业科技与发展 2024年第11期 20-23页

作者：李长云赵永晗王志兵莫启辉徐曦湖南工业大学计算机学院湖南株洲412007 智能信息感知及处理技术湖南省重点实验室湖南株洲412082

目前,机器学习在疾病预测领域的应用日益广泛。文章介绍了SVM(支持向量机)、CART(分类与回归树)决策树、KNN(K近邻)3种机器学习算法,并将这3种算法构建的模型应用于心血管疾病(CVD)的预测中。结果表明,SVM模型表现最优。此外,为进一步... 详细信息

目前,机器学习在疾病预测领域的应用日益广泛。文章介绍了SVM(支持向量机)、CART(分类与回归树)决策树、KNN(K近邻)3种机器学习算法,并将这3种算法构建的模型应用于心血管疾病(CVD)的预测中。结果表明,SVM模型表现最优。此外,为进一步提高模型的性能和鲁棒性,在这3个基模型中均融合了bagging算法。研究结果显示,3个模型的性能均得到了不同程度的提升,其中CART决策树模型的性能提升最为显著,但SVM模型仍然保持最佳表现。利用机器学习技术对CVD进行有效预测的方法可应用于智能床垫上,通过监测和分析用户的生理数据,智能化地评估心血管疾病风险,为实现便捷的智能健康管理提供了一种有效途径,对CVD的预防和诊断具有重要价值。

关键词： bagging算法疾病预测模型机器学习心血管疾病智能床垫

来源：评论

学校读者我要写书评

暂无评论

基于BP神经网络和bagging算法的入侵检测

引用

计算机工程与应用 2009年第18期45卷 123-125,128页

作者：朱守业徐州师范大学信息传播学院江苏徐州221009

提出基于bagging算法集成BP神经网络的入侵检测方法。采用BP神经网络为分类器,以用户的网络连接行为为特征进行检测,为进一步提高BP神经网络的分类性能,采用bagging算法对BP神经网络分类器进行加权投票。实验表明,提出的方法具有良好的... 详细信息

提出基于bagging算法集成BP神经网络的入侵检测方法。采用BP神经网络为分类器,以用户的网络连接行为为特征进行检测,为进一步提高BP神经网络的分类性能,采用bagging算法对BP神经网络分类器进行加权投票。实验表明,提出的方法具有良好的检测性能。

关键词：入侵检测前溃神经网络 bagging算法

来源：评论

学校读者我要写书评

暂无评论

基于bagging算法的航空发动机故障诊断研究

基于Bagging算法的航空发动机故障诊断研究

引用

作者：成宝荣中国民航大学

学位级别：硕士

航空发动机状态监控和故障诊断对于飞机维修及安全运行具有重要意义,智能诊断技术也是未来航空发动机发展的一个重要方向,随着国内飞机数量的增多,发动机从开始服役到寿命终止收集的数据也越来越多。因此,如何利用好这些海量数据研究并... 详细信息

航空发动机状态监控和故障诊断对于飞机维修及安全运行具有重要意义,智能诊断技术也是未来航空发动机发展的一个重要方向,随着国内飞机数量的增多,发动机从开始服役到寿命终止收集的数据也越来越多。因此,如何利用好这些海量数据研究并建立有效的航空发动机故障诊断模型日渐成为一个十分重要的议题。发动机故障常表现为耦合性、不确定性和并发性。现有智能诊断方法大多实现了单一模型的浅层诊断,但单一诊断模型学习能力弱,更容易陷入过拟合状态,进而导致故障诊断准确率低,模型泛化能力差。集成学习是一种通过使用多个模型解决问题的先进的机器学习算法,并在很多实际任务中获得了巨大的成功。因此为提高诊断模型的准确率以及泛化能力,研究并将集成模型应用到发动机的故障诊断当中。bagging算法是集成学习中并行范式的典型代表,它可以显著的降低训练误差,加快训练速度。结合并行集成学习中应用较为广泛的一种改进措施——选择性集成方法,提出两种基于bagging算法的改进算法——Selbagging算法和Clu bagging算法,并将它们应用于航空发动机的故障诊断当中。结果表明Selbagging算法和Clu bagging算法能够有效地提高模型分类性能,相比传统bagging算法具有更好和更稳定的分类结果。

关键词：航空发动机故障诊断 bagging算法选择性集成

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：