软测量技术为工业过程中重要变量及难测变量的预测提供了一个有效的解决办法。然而,由于工业过程的复杂化和高昂的数据获取成本,使得标记数据与未标记数据分布不平衡。此时,构建高性能的软测量模型成为一个挑战。针对这一问题,提出了一...软测量技术为工业过程中重要变量及难测变量的预测提供了一个有效的解决办法。然而,由于工业过程的复杂化和高昂的数据获取成本,使得标记数据与未标记数据分布不平衡。此时,构建高性能的软测量模型成为一个挑战。针对这一问题,提出了一种基于时差的多输出tri-training异构软测量方法。通过构建一种新的tri-training框架,采用多输出的高斯过程回归(multi-output Gaussian process regression,MGPR)、相关向量机(multi-output relevance vector machine,MRVM)、最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)三种模型作为基线监督回归器,使用标记数据进行训练和迭代;同时,引入时间差分(time difference,TD)改进模型的动态特性,并通过卡尔曼滤波(Kalman filtering,KF)优化模型的参数,提高其预测性能;最后通过模拟污水处理平台(benchmark simulation model 1,BSM1)和实际污水处理厂对该模型进行了验证。结果表明,与传统的软测量建模方法相比,该模型能显著提高数据分布不平衡下软测量模型的自适应性和预测性能。展开更多
Tri-training能有效利用无标记样例提高泛化能力.针对Tri-training迭代中无标记样例常被错误标记而形成训练集噪声,导致性能不稳定的缺点,文中提出ADE-Tri-training(Tri-training with Adaptive Data Editing)新算法.它不仅利用Remove O...Tri-training能有效利用无标记样例提高泛化能力.针对Tri-training迭代中无标记样例常被错误标记而形成训练集噪声,导致性能不稳定的缺点,文中提出ADE-Tri-training(Tri-training with Adaptive Data Editing)新算法.它不仅利用Remove Only剪辑操作对每次迭代可能产生的误标记样例识别并移除,更重要的是采用自适应策略来确定Remove Only触发与抑制的恰当时机.文中证明,PAC理论下自适应策略中一系列判别充分条件可同时确保新训练集规模迭代增大和新假设分类错误率迭代降低更多.UCI数据集上实验结果表明:ADE-Tri-training具有更好的分类泛化性能和健壮性.展开更多
目的为应对新兵军事训练伤高发现状,依据军人身体关节功能筛查技术发现的运动功能障碍,进行针对性纠正训练,探索该模式对新兵入伍训练期间军事训练伤的预防效果。方法在联勤保障部队某新兵训练基地开展军人身体关节功能筛查,依据筛查得...目的为应对新兵军事训练伤高发现状,依据军人身体关节功能筛查技术发现的运动功能障碍,进行针对性纠正训练,探索该模式对新兵入伍训练期间军事训练伤的预防效果。方法在联勤保障部队某新兵训练基地开展军人身体关节功能筛查,依据筛查得分将单个动作为1分且总分<10分的新兵作为纠正训练对象,通过整群抽样的方法,随机将新兵分为试验组(n=223)和对照组(n=223)。对照组新兵按照常规训练计划实施;试验组新兵在完成其既定训练任务同时,辅助开展为期2个月的运动功能障碍纠正训练,纠正训练全程由经过相关业务培训的组训骨干负责实施,同时记录整个新训期间的受伤情况,受伤情况来源于试验单位医疗保障部门的就诊记录。关节功能筛查得分采用独立样本t检验分析;训练伤发生率采用χ^(2)检验或Fisher精确检验法分析。结果纠正训练后试验组关节功能筛查得分高于训练前(15.12±2.13 vs 10.58±2.83);纠正训练后试验组关节功能筛查得分显著高于对照组(15.12±2.13 vs 14.19±1.97,P<0.05)。新训期间试验组发生训练伤的人数比例为12.5%,显著低于对照组的34.5%(χ^(2)=5.469,P=0.001)。仅针对在新训期间受伤的人群,试验组测试得分<10分者11人(39.2%),显著低于对照组的49人(63.6%)(χ^(2)=4.972,P=0.026)。结论基于军人身体关节功能筛查结果制定的纠正训练能够有效降低新兵军事训练伤发生率,该模式能够起到良好的预防效果。展开更多
文摘软测量技术为工业过程中重要变量及难测变量的预测提供了一个有效的解决办法。然而,由于工业过程的复杂化和高昂的数据获取成本,使得标记数据与未标记数据分布不平衡。此时,构建高性能的软测量模型成为一个挑战。针对这一问题,提出了一种基于时差的多输出tri-training异构软测量方法。通过构建一种新的tri-training框架,采用多输出的高斯过程回归(multi-output Gaussian process regression,MGPR)、相关向量机(multi-output relevance vector machine,MRVM)、最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)三种模型作为基线监督回归器,使用标记数据进行训练和迭代;同时,引入时间差分(time difference,TD)改进模型的动态特性,并通过卡尔曼滤波(Kalman filtering,KF)优化模型的参数,提高其预测性能;最后通过模拟污水处理平台(benchmark simulation model 1,BSM1)和实际污水处理厂对该模型进行了验证。结果表明,与传统的软测量建模方法相比,该模型能显著提高数据分布不平衡下软测量模型的自适应性和预测性能。
文摘Tri-training能有效利用无标记样例提高泛化能力.针对Tri-training迭代中无标记样例常被错误标记而形成训练集噪声,导致性能不稳定的缺点,文中提出ADE-Tri-training(Tri-training with Adaptive Data Editing)新算法.它不仅利用Remove Only剪辑操作对每次迭代可能产生的误标记样例识别并移除,更重要的是采用自适应策略来确定Remove Only触发与抑制的恰当时机.文中证明,PAC理论下自适应策略中一系列判别充分条件可同时确保新训练集规模迭代增大和新假设分类错误率迭代降低更多.UCI数据集上实验结果表明:ADE-Tri-training具有更好的分类泛化性能和健壮性.
文摘目的为应对新兵军事训练伤高发现状,依据军人身体关节功能筛查技术发现的运动功能障碍,进行针对性纠正训练,探索该模式对新兵入伍训练期间军事训练伤的预防效果。方法在联勤保障部队某新兵训练基地开展军人身体关节功能筛查,依据筛查得分将单个动作为1分且总分<10分的新兵作为纠正训练对象,通过整群抽样的方法,随机将新兵分为试验组(n=223)和对照组(n=223)。对照组新兵按照常规训练计划实施;试验组新兵在完成其既定训练任务同时,辅助开展为期2个月的运动功能障碍纠正训练,纠正训练全程由经过相关业务培训的组训骨干负责实施,同时记录整个新训期间的受伤情况,受伤情况来源于试验单位医疗保障部门的就诊记录。关节功能筛查得分采用独立样本t检验分析;训练伤发生率采用χ^(2)检验或Fisher精确检验法分析。结果纠正训练后试验组关节功能筛查得分高于训练前(15.12±2.13 vs 10.58±2.83);纠正训练后试验组关节功能筛查得分显著高于对照组(15.12±2.13 vs 14.19±1.97,P<0.05)。新训期间试验组发生训练伤的人数比例为12.5%,显著低于对照组的34.5%(χ^(2)=5.469,P=0.001)。仅针对在新训期间受伤的人群,试验组测试得分<10分者11人(39.2%),显著低于对照组的49人(63.6%)(χ^(2)=4.972,P=0.026)。结论基于军人身体关节功能筛查结果制定的纠正训练能够有效降低新兵军事训练伤发生率,该模式能够起到良好的预防效果。
