期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于CatBoost-NSGA-Ⅲ算法的盾构姿态预测与优化
1
作者
吴贤国
刘俊
+3 位作者
曹源
雷宇
李士范
覃亚伟
《中国安全科学学报》
CAS
CSCD
北大核心
2024年第8期69-77,共9页
为解决盾构掘进过程中因盾构前倾变形、蛇形、轴线偏离及纠偏等影响施工安全性与高效性的问题,提出一种将类别型特征梯度提升(CatBoost)与第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态多目标优化方法;以贵阳地铁为例,选取22个影...
为解决盾构掘进过程中因盾构前倾变形、蛇形、轴线偏离及纠偏等影响施工安全性与高效性的问题,提出一种将类别型特征梯度提升(CatBoost)与第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态多目标优化方法;以贵阳地铁为例,选取22个影响因素作为输入参数,利用CatBoost算法建立输入参数与盾构姿态之间的非线性映射函数关系,采用随机森林(RF)算法评价输入参数的重要性;以盾构姿态绝对值最小化为目标,构建CatBoost-NSGA-Ⅲ多目标优化模型,并通过案例分析验证所提方法的适用性和有效性。结果表明:采用CatBoost算法训练工程实测数据得到的预测模型具有较高的精度,5个盾构姿态目标的R^(2)范围为0.916~0.943;所研发的CatBoost-NSGA-Ⅲ盾构姿态多目标优化方法,可使盾构姿态得到显著优化,整体改进的平均值为53.34%。
展开更多
关键词
类别
型
特征
梯度
提升
(
catboost
)
第三代非支配排序遗传算法(NSGA-Ⅲ)
盾构姿态
多目标优化
重要性排序
在线阅读
下载PDF
职称材料
基于个性化联邦学习的异构船舶航行油耗预测
被引量：
1
2
作者
韩沛秀
孙卓
+1 位作者
刘忠波
闫椿昕
《计算机集成制造系统》
北大核心
2025年第1期182-196,共15页
船舶航行油耗的精准预测,对保护海洋环境、减少航运业运营成本起关键作用,但航运业船舶的数据私密性、及异构船舶的数据异质性,导致常规机器学习方法的预测效果有限。为此,提出一种基于类别型特征的梯度提升(CatBoost)联合个性化联邦学...
船舶航行油耗的精准预测,对保护海洋环境、减少航运业运营成本起关键作用,但航运业船舶的数据私密性、及异构船舶的数据异质性,导致常规机器学习方法的预测效果有限。为此,提出一种基于类别型特征的梯度提升(CatBoost)联合个性化联邦学习(PFL)预测方法。首先,对本地不同数据源的船舶信息数据及海况数据进行数据融合和清洗过滤,以提高输入数据质量;其次,对本地融合数据用CatBoost进行特征选取,以去除冗余数据;随后,引入带个性化层的联邦学习(FedPer)框架,建立异构船舶航行油耗预测模型,以保证异构船舶的数据私密性;进一步,对基本层权重矩阵采用联邦平均算法(FedAvg)聚合参数并反馈,对个性化层权重矩阵由本地客户端采用深度前馈神经网络(DFNN)进行训练优化,以消除数据异质性的影响,提高预测精度。最后,结合实际异构船舶航行油耗算例进行对比实验,结果表明,相比于其他模型,CatBoost联合个性化联邦学习预测方法的预测精度更高,对降低异构船舶航行油耗具有一定的指导意义。
展开更多
关键词
异构船舶航行油耗预测
个性化联邦学习
基于
类别
型
特征
的
梯度
提升
联邦平均算法
深度前馈神经网络
在线阅读
下载PDF
职称材料
基于机器学习的介入式葡萄糖传感器故障监测模型
3
作者
刘思行
许硕洋
+1 位作者
徐鹤
季一木
《计算机科学》
2025年第9期106-118,共13页
随着传感器技术的进步,血糖监测从传统的单点采集发展为连续动态监测(CGM),通过介入式葡萄糖传感器实时监测间质液葡萄糖浓度。血糖传感器的运行状态对监测准确性至关重要,但传感器故障识别面临类别不平衡问题,导致机器学习模型性能下...
随着传感器技术的进步,血糖监测从传统的单点采集发展为连续动态监测(CGM),通过介入式葡萄糖传感器实时监测间质液葡萄糖浓度。血糖传感器的运行状态对监测准确性至关重要,但传感器故障识别面临类别不平衡问题,导致机器学习模型性能下降。基于此,提出了一种结合数据预处理、特征工程和模型集成的优化策略。首先,通过缺失值填补和噪声处理提升数据的完整性和可靠性;其次,利用合成少数类过采样技术(SMOTE)对少数类样本进行过采样,缓解类别不平衡问题;最后,采用堆叠泛化(Stacking)的集成学习方法,结合基于焦点损失函数(Focal Loss)优化的极端梯度提升(XGBoost)和类别特征梯度提升(CatBoost)集成基分类器,与逻辑回归(LR)元分类器构建双层模型,进一步提升故障监测的准确性。为了证明所提出模型的有效性,将该模型的预测结果与其他模型进行了对比,包括基于Focal Loss的单一XGBoost,及其分别与SVM,KNN,LightGBM作为基分类器构建的集成模型等。研究结果表明,提出的基于Focal Loss的XGBoost和CatBoost模型在传感器故障分类任务中表现良好,PR曲线和ROC曲线效果均优于其他模型,精确度和召回率分别为0.9250和0.9238。
展开更多
关键词
传感器故障监测
堆叠泛化
集成学习
极端
梯度
提升
类别
特征
梯度
提升
在线阅读
下载PDF
职称材料
题名
基于CatBoost-NSGA-Ⅲ算法的盾构姿态预测与优化
1
作者
吴贤国
刘俊
曹源
雷宇
李士范
覃亚伟
机构
华中科技大学土木与水利工程学院
武汉华中科大检测科技有限公司
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2024年第8期69-77,共9页
基金
国家自然科学基金资助(51378235,71571078,51308240)
国家重点研发计划项目(2016YFC0800208)
2021年度市教委科学技术研究计划青年项目(KJQN202103801)。
文摘
为解决盾构掘进过程中因盾构前倾变形、蛇形、轴线偏离及纠偏等影响施工安全性与高效性的问题,提出一种将类别型特征梯度提升(CatBoost)与第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态多目标优化方法;以贵阳地铁为例,选取22个影响因素作为输入参数,利用CatBoost算法建立输入参数与盾构姿态之间的非线性映射函数关系,采用随机森林(RF)算法评价输入参数的重要性;以盾构姿态绝对值最小化为目标,构建CatBoost-NSGA-Ⅲ多目标优化模型,并通过案例分析验证所提方法的适用性和有效性。结果表明:采用CatBoost算法训练工程实测数据得到的预测模型具有较高的精度,5个盾构姿态目标的R^(2)范围为0.916~0.943;所研发的CatBoost-NSGA-Ⅲ盾构姿态多目标优化方法,可使盾构姿态得到显著优化,整体改进的平均值为53.34%。
关键词
类别
型
特征
梯度
提升
(
catboost
)
第三代非支配排序遗传算法(NSGA-Ⅲ)
盾构姿态
多目标优化
重要性排序
Keywords
categorical boosting(
catboost
)
non-dominated sorting genetic algorithm-Ⅲ(NSGA-Ⅲ)
shield attitude
multi-objective optimization
importance ranking
分类号
X948 [环境科学与工程—安全科学]
U455 [建筑科学—桥梁与隧道工程]
在线阅读
下载PDF
职称材料
题名
基于个性化联邦学习的异构船舶航行油耗预测
被引量：
1
2
作者
韩沛秀
孙卓
刘忠波
闫椿昕
机构
大连海事大学交通运输工程学院
中华人民共和国宝山海事局
复旦大学国际关系与公共事务学院
出处
《计算机集成制造系统》
北大核心
2025年第1期182-196,共15页
基金
国家自然科学基金资助项目(52171247)。
文摘
船舶航行油耗的精准预测,对保护海洋环境、减少航运业运营成本起关键作用,但航运业船舶的数据私密性、及异构船舶的数据异质性,导致常规机器学习方法的预测效果有限。为此,提出一种基于类别型特征的梯度提升(CatBoost)联合个性化联邦学习(PFL)预测方法。首先,对本地不同数据源的船舶信息数据及海况数据进行数据融合和清洗过滤,以提高输入数据质量;其次,对本地融合数据用CatBoost进行特征选取,以去除冗余数据;随后,引入带个性化层的联邦学习(FedPer)框架,建立异构船舶航行油耗预测模型,以保证异构船舶的数据私密性;进一步,对基本层权重矩阵采用联邦平均算法(FedAvg)聚合参数并反馈,对个性化层权重矩阵由本地客户端采用深度前馈神经网络(DFNN)进行训练优化,以消除数据异质性的影响,提高预测精度。最后,结合实际异构船舶航行油耗算例进行对比实验,结果表明,相比于其他模型,CatBoost联合个性化联邦学习预测方法的预测精度更高,对降低异构船舶航行油耗具有一定的指导意义。
关键词
异构船舶航行油耗预测
个性化联邦学习
基于
类别
型
特征
的
梯度
提升
联邦平均算法
深度前馈神经网络
Keywords
heterogeneous ship fuel oil consumption prediction at sea
personalized federated learning
categorical boosting
federated averaging algorithm
deep feedforward neural networks
分类号
U676.3 [交通运输工程—船舶及航道工程]
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于机器学习的介入式葡萄糖传感器故障监测模型
3
作者
刘思行
许硕洋
徐鹤
季一木
机构
江苏省高性能计算与智能处理工程研究中心
出处
《计算机科学》
2025年第9期106-118,共13页
基金
江苏鱼跃医疗设备股份有限公司科技项目(2022外017)
江苏省研究生实践创新计划项目(SJCX23_0274)。
文摘
随着传感器技术的进步,血糖监测从传统的单点采集发展为连续动态监测(CGM),通过介入式葡萄糖传感器实时监测间质液葡萄糖浓度。血糖传感器的运行状态对监测准确性至关重要,但传感器故障识别面临类别不平衡问题,导致机器学习模型性能下降。基于此,提出了一种结合数据预处理、特征工程和模型集成的优化策略。首先,通过缺失值填补和噪声处理提升数据的完整性和可靠性;其次,利用合成少数类过采样技术(SMOTE)对少数类样本进行过采样,缓解类别不平衡问题;最后,采用堆叠泛化(Stacking)的集成学习方法,结合基于焦点损失函数(Focal Loss)优化的极端梯度提升(XGBoost)和类别特征梯度提升(CatBoost)集成基分类器,与逻辑回归(LR)元分类器构建双层模型,进一步提升故障监测的准确性。为了证明所提出模型的有效性,将该模型的预测结果与其他模型进行了对比,包括基于Focal Loss的单一XGBoost,及其分别与SVM,KNN,LightGBM作为基分类器构建的集成模型等。研究结果表明,提出的基于Focal Loss的XGBoost和CatBoost模型在传感器故障分类任务中表现良好,PR曲线和ROC曲线效果均优于其他模型,精确度和召回率分别为0.9250和0.9238。
关键词
传感器故障监测
堆叠泛化
集成学习
极端
梯度
提升
类别
特征
梯度
提升
Keywords
Sensor fault detection
Stacked generalization
Ensemble learning
Extreme Gradient Boosting
Categorical Boosting
分类号
TP391 [自动化与计算机技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于CatBoost-NSGA-Ⅲ算法的盾构姿态预测与优化
吴贤国
刘俊
曹源
雷宇
李士范
覃亚伟
《中国安全科学学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于个性化联邦学习的异构船舶航行油耗预测
韩沛秀
孙卓
刘忠波
闫椿昕
《计算机集成制造系统》
北大核心
2025
1
在线阅读
下载PDF
职称材料
3
基于机器学习的介入式葡萄糖传感器故障监测模型
刘思行
许硕洋
徐鹤
季一木
《计算机科学》
2025
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
