采用多层感知器模型、随机森林模型为第一层子模型,极端树模型为第二层元模型,建立基于Stacking集成机器学习的波浪预报算法,并引入邻域平均法抑制在拐点处产生的数值震荡。以长江口外海2016年1-9月的风速和中国近海波高数据为数据源,...采用多层感知器模型、随机森林模型为第一层子模型,极端树模型为第二层元模型,建立基于Stacking集成机器学习的波浪预报算法,并引入邻域平均法抑制在拐点处产生的数值震荡。以长江口外海2016年1-9月的风速和中国近海波高数据为数据源,利用机器学习风速与有效波高之间的关系,将2016年10-11月的风速、波高数据用于预报结果的对比分析,预报前45 d R^2拟合优度达到0.97以上,平均误差最大值为0.08 m,平均相对误差最大值为0.05,预报结果与波浪谱模型结果趋势一致,准确度较高;预报结果后15 d误差增长较快,这与训练集数据中寒潮浪占比较少有关。展开更多
为提高元分类器的预测精度,在基于分类器类向量输出的Stacking算法基础上,提出一种基于熵权法的堆叠泛化算法E-Stacking (Stacking based entropy),对于基分类器的输出类别,引入一种熵权法ELFMF (label frequency and mistake frequency...为提高元分类器的预测精度,在基于分类器类向量输出的Stacking算法基础上,提出一种基于熵权法的堆叠泛化算法E-Stacking (Stacking based entropy),对于基分类器的输出类别,引入一种熵权法ELFMF (label frequency and mistake frequency based entropy)。通过考虑基分类器预测结果出现的频率及错误率,以及预测结果在各个类别中的分散度,增强多个元分类器成员之间的差异性,增加堆叠算法的泛化效果。实验结果表明,与传统及各种改进的Stacking算法相比,该算法有效提高了预测精度且更具有适用性。展开更多
为解决利用离散元法对艾草机械化收割、脱叶和切碎等关键作业环节进行仿真分析时缺乏准确模型的问题,采用物理试验与仿真试验相结合的方法,以成熟期新鲜艾草茎秆为研究对象,基于EDEM仿真软件中的Hertz-Mindlin(no slip)模型和Hertz-Mind...为解决利用离散元法对艾草机械化收割、脱叶和切碎等关键作业环节进行仿真分析时缺乏准确模型的问题,采用物理试验与仿真试验相结合的方法,以成熟期新鲜艾草茎秆为研究对象,基于EDEM仿真软件中的Hertz-Mindlin(no slip)模型和Hertz-Mindlin with bonding模型对茎秆物理参数和黏结参数进行标定。通过Plackett-Burman试验、最陡爬坡试验和Central-Composite试验确定艾草茎秆接触参数和黏结参数,并利用艾草茎秆堆积角台架试验和剪切物理试验验证参数值的准确性。结果表明:艾草茎秆间的碰撞恢复系数、静摩擦因数和动摩擦因数分别为0.13、1.09和0.026;艾草茎秆与作业装备间的碰撞恢复系数、静摩擦因数和动摩擦因数分别为0.43、0.73和0.0156;艾草茎秆法向接触刚度、切向接触刚度、临界法向应力和临界切向应力分别为3.91×10^(9)N/m、2.43×10^(9)N/m、4.35×10^(6)Pa和6.14×10^(6)Pa;堆积角台架试验和剪切物理试验验证出的相对误差分别为0.96%、2.89%,误差较小。艾草茎秆离散元模型及标定的仿真参数准确可靠,能够真实反映其物理和力学特性,为艾草茎秆离散元仿真研究提供参考。展开更多
文摘采用多层感知器模型、随机森林模型为第一层子模型,极端树模型为第二层元模型,建立基于Stacking集成机器学习的波浪预报算法,并引入邻域平均法抑制在拐点处产生的数值震荡。以长江口外海2016年1-9月的风速和中国近海波高数据为数据源,利用机器学习风速与有效波高之间的关系,将2016年10-11月的风速、波高数据用于预报结果的对比分析,预报前45 d R^2拟合优度达到0.97以上,平均误差最大值为0.08 m,平均相对误差最大值为0.05,预报结果与波浪谱模型结果趋势一致,准确度较高;预报结果后15 d误差增长较快,这与训练集数据中寒潮浪占比较少有关。
文摘为提高元分类器的预测精度,在基于分类器类向量输出的Stacking算法基础上,提出一种基于熵权法的堆叠泛化算法E-Stacking (Stacking based entropy),对于基分类器的输出类别,引入一种熵权法ELFMF (label frequency and mistake frequency based entropy)。通过考虑基分类器预测结果出现的频率及错误率,以及预测结果在各个类别中的分散度,增强多个元分类器成员之间的差异性,增加堆叠算法的泛化效果。实验结果表明,与传统及各种改进的Stacking算法相比,该算法有效提高了预测精度且更具有适用性。
文摘为解决利用离散元法对艾草机械化收割、脱叶和切碎等关键作业环节进行仿真分析时缺乏准确模型的问题,采用物理试验与仿真试验相结合的方法,以成熟期新鲜艾草茎秆为研究对象,基于EDEM仿真软件中的Hertz-Mindlin(no slip)模型和Hertz-Mindlin with bonding模型对茎秆物理参数和黏结参数进行标定。通过Plackett-Burman试验、最陡爬坡试验和Central-Composite试验确定艾草茎秆接触参数和黏结参数,并利用艾草茎秆堆积角台架试验和剪切物理试验验证参数值的准确性。结果表明:艾草茎秆间的碰撞恢复系数、静摩擦因数和动摩擦因数分别为0.13、1.09和0.026;艾草茎秆与作业装备间的碰撞恢复系数、静摩擦因数和动摩擦因数分别为0.43、0.73和0.0156;艾草茎秆法向接触刚度、切向接触刚度、临界法向应力和临界切向应力分别为3.91×10^(9)N/m、2.43×10^(9)N/m、4.35×10^(6)Pa和6.14×10^(6)Pa;堆积角台架试验和剪切物理试验验证出的相对误差分别为0.96%、2.89%,误差较小。艾草茎秆离散元模型及标定的仿真参数准确可靠,能够真实反映其物理和力学特性,为艾草茎秆离散元仿真研究提供参考。
