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
共找到2,242篇文章
< 1 2 … 113 >
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：
基于Stacking集成模型的膜下滴灌谷子作物系数预测
1
作者 马健涛 郭向红 +4 位作者 雷涛 白艳茹 高晓丽 张家晔 赵鹏帅 《南水北调与水利科技(中英文)》 北大核心 2025年第4期892-904,共13页
为准确模拟膜下滴灌不同水肥处理谷子作物系数(crop coefficient,K_(c)),以水肥有关K_(c)的双因素方差分析为前提,采用随机森林(random forest,RF)、类别提升(CatBoost)、轻量级梯度提升机(LightGBM)、支持向量机回归(support vector re... 为准确模拟膜下滴灌不同水肥处理谷子作物系数(crop coefficient,K_(c)),以水肥有关K_(c)的双因素方差分析为前提,采用随机森林(random forest,RF)、类别提升(CatBoost)、轻量级梯度提升机(LightGBM)、支持向量机回归(support vector regression,SVR)、深度学习(DL)作为次级机器学习模型,基于Stacking策略以多元线性回归构建集成元模型(linear stacking model,LSM)对不同水肥处理膜下滴灌谷子K_(c)进行预测,并进行模型间模拟结果精度比较。结果表明:不同水肥处理间K_(c)日际变化趋势基本相同,但灌水因素和氮肥施用量对K_(c)均有显著影响;在次级机器学习模型中,树类模型(RF、CatBoost与LightGBM)相对SVR和DL模型估测精度较好,而相比次级模型,LSM模型提高了谷子K_(c)的模拟精度;依赖日序数、太阳辐射强度、风速、日均水汽压和土壤含水率建立的LSM模型能够准确模拟膜下滴灌谷子K_(c),决定系数(R2)和均方根误差(root mean squared error, ERMS)分別为0.91和0.11,且当土壤含水率特征加入时模型误差明显降低。研究成果可为膜下滴灌田间水分精准管理提供技术支撑。 展开更多
关键词 滴灌 谷子 作物系数 机器学习模型 stacking集成模型
在线阅读 下载PDF
基于IHHO-Stacking集成模型的车辆驾驶性评估
2
作者 莫易敏 王相 +2 位作者 王哲 蒋华梁 李琼 《汽车技术》 北大核心 2025年第3期39-45,共7页
为解决车辆驾驶性主观评价一致性差及客观评价无法反映主观感受的问题,提出了一种基于堆叠(Stacking)集成学习方法的评价模型,首先研究了车辆加速工况特性,定义了工况驾驶性客观评价指标,使用评价指标作为输入特征训练Stacking集成模型... 为解决车辆驾驶性主观评价一致性差及客观评价无法反映主观感受的问题,提出了一种基于堆叠(Stacking)集成学习方法的评价模型,首先研究了车辆加速工况特性,定义了工况驾驶性客观评价指标,使用评价指标作为输入特征训练Stacking集成模型,并且使用改进的哈里斯鹰优化(IHHO)算法优化了Stacking集成模型,提高了预测性能。最后通过道路试验表明,IHHO-Stacking集成模型的性能均优于单个机器学习模型,IHHO-Stacking集成模型预测合格率达95%,能够更有效完成驾驶性评价。 展开更多
关键词 驾驶性 主观评价 改进的哈里斯鹰算法 stacking 集成模型 客观评价
在线阅读 下载PDF
基于Stacking集成模型的煤层瓦斯含量预测研究 被引量：3
3
作者 王琳 周捷 +2 位作者 林海飞 李文静 张宇少 《煤炭工程》 北大核心 2024年第4期125-132,共8页
煤层瓦斯含量精准预测是预防井下瓦斯灾害事故的重要环节,为提高井下瓦斯含量预测的科学性及准确性,获取不同矿区的41组数据,包括瓦斯含量、埋深、煤厚、水分、灰分以及挥发分。对最小二乘支持向量机(LSSVM)、深度信念网络(DBN)、长短... 煤层瓦斯含量精准预测是预防井下瓦斯灾害事故的重要环节,为提高井下瓦斯含量预测的科学性及准确性,获取不同矿区的41组数据,包括瓦斯含量、埋深、煤厚、水分、灰分以及挥发分。对最小二乘支持向量机(LSSVM)、深度信念网络(DBN)、长短期记忆(LSTM)、Elman神经网络及自适应增强(Adaboost)五种算法进行初选,得到最优基模型为最小支持二乘向量机、自适应增强以及深度信念网络。通过基模型集成得到7种瓦斯含量预测模型,得到Stacking-LSSVM-Adaboost、Adaboost、Stacking-Adaboost-DBN和Stacking-LSSVM-Adaboost-DBN四种模型为优选模型。采用判定系数、平均绝对误差、均方根误差以及平均绝对百分比误差四种预测评价指标对优选出的四种模型进行综合评估,选择MAE<0.2、RMSE<0.3且MAPE<10的模型作为最终瓦斯含量预测模型。结果表明,Stacking-LSSVM-Adaboost-DBN集成模型判定系数为0.951,MAE、RMSE和MAPE分别为0.170、0.204及7.412,所建立模型拥有较高预测精度,可为矿井瓦斯灾害防治提供一定依据。 展开更多
关键词 瓦斯含量预测 stacking集成 五折交叉验证 模型优选 模型评价
在线阅读 下载PDF
基于mRMR-BO优化Stacking集成模型的NO_(x)浓度动态软测量 被引量：5
4
作者 金秀章 乔鹏 史德金 《热力发电》 CAS CSCD 北大核心 2023年第10期122-128,共7页
针对火电厂选择性催化还原(selective catalytic reduction,SCR)烟气脱硝系统中,由于影响入口NO_(x)质量浓度因素过多及系统大迟延大惯性,导致入口NO_(x)质量浓度难以准确及时测量的问题,提出了利用最大相关-最小冗余算法(max-relevance... 针对火电厂选择性催化还原(selective catalytic reduction,SCR)烟气脱硝系统中,由于影响入口NO_(x)质量浓度因素过多及系统大迟延大惯性,导致入口NO_(x)质量浓度难以准确及时测量的问题,提出了利用最大相关-最小冗余算法(max-relevance and min-redundancy,mRMR)结合贝叶斯优化算法(Bayesian optimization,BO)优化Stacking集成模型的SCR烟气脱硝系统入口NO_(x)质量浓度动态软测量模型。针对动态NO_(x)生成过程中静态单一模型预测精度降低及辅助变量与入口NO_(x)质量浓度时间异步的问题,利用mRMR-BO结合模型进行辅助变量筛选,Copula熵(copula entropy,CE)确定辅助变量迟延,BO结合模型确定辅助变量阶次,将TCN及LASSO利用Stacking法集成,使用含有迟延时间及阶次信息的辅助变量构建动态Stacking集成软测量模型。仿真结果显示:集成模型较TCN及LASSO单一网络的均方根误差、平均绝对误差、平均绝对百分比误差最小;动态集成模型对比静态集成模型,预测精度更高,能够实现对入口NO_(x)质量浓度的准确软测量。 展开更多
关键词 NO_(x)动态建模 最大相关-最小冗余 贝叶斯优化 stacking集成模型
在线阅读 下载PDF
基于改进的Stacking集成模型的容器云负载预测研究 被引量：5
5
作者 梁荣华 谢晓兰 +1 位作者 翟青海 张启明 《计算机应用与软件》 北大核心 2023年第12期48-55,100,共9页
容器云的迅速发展使业务量迅速增加,对容器资源利用率的未来趋势进行预测,从而提前分配资源来提高资源的利用率并且降低资源的浪费是一种合理的做法。为了实现对容器云资源的合理预测,提出一种基于改进的Stacking集成方法的云资源负载... 容器云的迅速发展使业务量迅速增加,对容器资源利用率的未来趋势进行预测,从而提前分配资源来提高资源的利用率并且降低资源的浪费是一种合理的做法。为了实现对容器云资源的合理预测,提出一种基于改进的Stacking集成方法的云资源负载预测模型。模型的第一阶段是通过设立基学习器对云资源负载数据进行特征选择,降低数据集特征的复杂度。第二阶段是使用GA-BP神经网络模型改进的DBN模型(DBN-GA-BP)对第一阶段的特征选择数据进行集成预测。实验结果表明,与单一模型和未改进的Stacking模型对比,该模型具有更高的预测精度。 展开更多
关键词 stacking集成模型 遗传算法 深度信念网络 云资源 资源预测
在线阅读 下载PDF
Stacking集成模型模拟膜下滴灌玉米逐日蒸散量和作物系数 被引量：14
6
作者 陈志君 朱振闯 +3 位作者 孙仕军 王秋瑶 苏通宇 付玉娟 《农业工程学报》 EI CAS CSCD 北大核心 2021年第5期95-104,共10页
为准确模拟膜下滴灌玉米逐日蒸散量和作物系数,该研究以4个经典机器学习模型:随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、BP神经网络(Back Propagation Neural Network,BP)和Adaboost集成学习模型(Adaboost,... 为准确模拟膜下滴灌玉米逐日蒸散量和作物系数,该研究以4个经典机器学习模型:随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、BP神经网络(Back Propagation Neural Network,BP)和Adaboost集成学习模型(Adaboost,ADA)为基础,基于Stacking算法建立了集成学习模型(Linear Stacking Model,LSM)对膜下滴灌玉米逐日蒸散量和作物系数进行模拟。并将LSM的模拟精度与RF、SVM、BP和ADA模型的模拟精度相比较,结果表明:1)RF、SVM、BP和ADA模型模拟膜下滴灌玉米的逐日蒸散量和作物系数时的相对均方根误差均大于0.2;2)相比RF、SVM、BP和ADA模型,LSM模型提高了玉米逐日蒸散量和作物系数模拟精度。LSM模拟的膜下滴灌玉米的作物系数相比于FAO推荐值更接近实测值;3)日序数、平均温度、株高、叶面积指数和短波辐射5个特征对玉米膜下滴灌玉米日蒸散量和作物系数影响最高,基于这5个特征建立的LSM模型模拟膜下滴灌玉米的蒸散量和作物系数的R2分别为0.9和0.89,相对均方根误差分别为0.23和0.16。因此,建议在该研究区使用日序数、平均温度、株高、叶面积指数和短波辐射5个特征参数建立LSM模型模拟膜下滴灌玉米蒸散量和作物系数。该研究可为高效节水条件下作物蒸散量和作物系数的精准模拟和合理制定灌溉制度提供参考。 展开更多
关键词 蒸散 模型 温度 机器学习 stacking集成学习 膜下滴灌 作物系数
在线阅读 下载PDF
双机制Stacking集成模型在短时交通流量预测中的应用 被引量：4
7
作者 李朝辉 殷铭 +1 位作者 王晓倩 张琳 《科学技术与工程》 北大核心 2021年第11期4648-4655,共8页
交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型。双机制包括内机制和外机制,内机制通过... 交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型。双机制包括内机制和外机制,内机制通过在元学习器中引入注意力机制来调整网络中的特征信息,外机制通过在基学习器中融入动态权重系数来调整基学习器的输出信息。通过内外结合的双机制实现对基学习器输出信息动态变动规律的挖掘和提取并增强对基学习器输出信息的利用率,从而提升模型的预测精度和稳定性。选取I5NB高速公路上的76898条数据为实证研究对象,进行了基于随机森林、GBDT(gradient boosting decision tree)和Xgboost(extreme gradient boosting)单一模型、传统Stacking集成模型及双机制Stacking集成模型的预测对比分析。实证结果证明双机制Stacking集成模型预测精度最高,验证了该模型在短时交通流量预测中的有效性。 展开更多
关键词 双机制stacking集成模型 交通流量预测 注意力机制 动态权重系数 分布特征
在线阅读 下载PDF
基于Stacking集成模型的台区线损率预测方法研究 被引量：18
8
作者 李晋源 保富 +1 位作者 胡凯 张丽娟 《电测与仪表》 北大核心 2023年第1期71-77,共7页
针对现有线损率预测方法预测精度较低的问题,提出了一种将Stacking集成学习模型与改进的k-均值聚类方法相结合用于预测台区的线损率。通过聚类方法进行数据聚类,再通过Stacking集成学习模型对台区线损率进行预测。Stacking集成学习模型... 针对现有线损率预测方法预测精度较低的问题,提出了一种将Stacking集成学习模型与改进的k-均值聚类方法相结合用于预测台区的线损率。通过聚类方法进行数据聚类,再通过Stacking集成学习模型对台区线损率进行预测。Stacking集成学习模型由XGBoost模型、梯度决策树模型和支持向量机模型构成。与传统预测方法进行对比分析试验验证可行性。结果表明,与传统的线损率预测方法相比,所提出的线损率预测方法具有更好的预测效果,更高的预测精度和拟合效果。该研究为实现电网双碳目标提供了一定的参考。 展开更多
关键词 智能电网 线损率预测 K-MEANS聚类算法 stacking融合学习模型 双碳目标
在线阅读 下载PDF
基于Stacking集成学习的空管危险源数据分类
9
作者 王洁宁 闫思卿 孙禾 《科学技术与工程》 北大核心 2025年第20期8583-8594,共12页
在现代空管系统中,高效准确地识别和分类危险源文本数据对于保障飞行安全至关重要,空管危险源数据指的是那些可能影响航空安全的潜在因素、条件或事件的信息集合,然而现有的文本分类方法难以应对数据类别多样性和类别不平衡问题。当下... 在现代空管系统中,高效准确地识别和分类危险源文本数据对于保障飞行安全至关重要,空管危险源数据指的是那些可能影响航空安全的潜在因素、条件或事件的信息集合,然而现有的文本分类方法难以应对数据类别多样性和类别不平衡问题。当下迫切需要开发适用于空管系统的高效分类方法,以提高飞行安全水平。针对单一学习器用于空管危险源文本分类存在的类别分布较多,难以捕捉类别数据不平衡时的文本特征导致预测精度下降的问题,提出基于Stacking训练思想的、两次加权的改进集成模型。首先,参考双防机制对危险源和安全隐患完成类别划分;再采用词频-逆文档频率(term frequency-inverse document frequency, TF-IDF)算法提取预处理后的危险源文本特征完成向量化,并利用合成少数类过采样技术(synthetic minority over-sampling technique, SMOTE)和自适应合成过采样算法(adaptive synthetic sampling approach, ADASYN)分别随机生成向量化后的少数类文本,使文本数据集的类别分布趋于平衡;再从基学习器每折交叉验证的F1分数加权和基学习器之间敏感性评估机制动态加权两方面改进Stacking集成模型,提高类别不平衡危险源文本的分类性能。在所构建的数据集上的实验结果表明:相较于SMOTE+改进集成模型,ADASYN+改进集成模型的精确率、召回率和F1分数分别提升0.9、1.1和1.0个百分点,较好地抑制处理多数类别过拟合的问题,实验结果验证了所提算法的有效性。 展开更多
关键词 双防机制 空管危险源 文本分类 自适应合成过采样算法(ADASYN) stacking集成模型
在线阅读 下载PDF
应用Stacking集成学习模型短期预测临夏州马铃薯产量
10
作者 任彩玉 郭小燕 +2 位作者 刘立群 涂丽珍 冯浩 《东北农业大学学报》 北大核心 2025年第2期156-167,共12页
为及时、准确地预测我国甘肃省临夏州马铃薯产量,选用HP滤波、二次指数平滑和三次指数平滑法,将2007-2022年临夏州5个县级区域马铃薯趋势产量从实际产量中分离出来,仅将气象产量作为目标变量。选用马铃薯生育期内关键气象特征因素(W):... 为及时、准确地预测我国甘肃省临夏州马铃薯产量,选用HP滤波、二次指数平滑和三次指数平滑法,将2007-2022年临夏州5个县级区域马铃薯趋势产量从实际产量中分离出来,仅将气象产量作为目标变量。选用马铃薯生育期内关键气象特征因素(W):每月的最高气温、最低温度、平均气温、露点温度、平均潜在蒸发率、降水量、太阳辐射、土壤1[地表为0cm,土层深度(h),0<h≤7cm]的中层温度、土壤2(地表为0cm,7cm<h≤28cm)的含水率,高温时间(H)和低温时间(L),将包含W、W+H、W+H+L,3种组合形式的特征因素输入模型,采用主成分分析法对特征因素进行数据降维,确立最佳输入特征因素组合。采用3种机器学习模型(随机森林、极限梯度提升、多层感知机)作为基模型,建立Stacking集成学习模型,在生长季内不同月份对马铃薯气象产量进行短期预测,并叠加趋势产量预测实际产量。结果表明:趋势分离方法中HP滤波法最优,最佳输入特征因素组合为W+H;Stacking集成学习模型具有较高的准确性(R2为0.802,RMSE为0.419),可在马铃薯成熟前4个月实现对马铃薯产量的短期预测,其中,广河县实际产量的短期预测效果最佳、永靖县效果最差。 展开更多
关键词 马铃薯 产量预测 stacking集成学习 气象因素 趋势分离
在线阅读 下载PDF
基于多源数据和Stacking集成学习的气象干旱监测模型
11
作者 刘航铖 姚宁 +3 位作者 喻绪创 相里江峰 黄喜峰 李勇民 《农业机械学报》 北大核心 2025年第8期107-119,共13页
干旱作为一种具有时空变异性的复合型自然灾害,其频发性和破坏性对社会经济发展和生态系统稳定构成了严重威胁,精确监测干旱事件具有重要现实意义。本研究以陕西省为研究区域,通过整合植被-地表-气候多维干旱因子建立综合特征变量体系,... 干旱作为一种具有时空变异性的复合型自然灾害,其频发性和破坏性对社会经济发展和生态系统稳定构成了严重威胁,精确监测干旱事件具有重要现实意义。本研究以陕西省为研究区域,通过整合植被-地表-气候多维干旱因子建立综合特征变量体系,选取最优气象干旱指数作为目标变量,基于Stacking集成学习与多种机器学习算法构建了陕西省2003—2020年堆叠集成干旱指数(Stacked ensemble drought index,SEDI),同时评估其在气象干旱监测中的适用性。结果表明:气象干旱综合指数(Meteorological drought composite index,MCI)、标准化降水指数(Standardized precipitation index,SPI)与标准化降水蒸散发指数(Standardized precipitation evapotranspiration index,SPEI)在月尺度上变化趋势总体一致,但MCI对干旱事件识别具有更高准确性和灵敏性,选为气象干旱监测模型的目标变量。在3种集成模型与5种单一模型中,基于XGBoost构建的集成模型XGB_(all)在陕西省各区域的监测效果最佳,决定系数R^(2)为0.934~0.945,均方根误差(RMSE)为0.208~0.256。2003—2020年,SEDI与MCI在榆林站、秦都站、石泉站干旱等级一致率分别为87.04%、83.80%、85.65%,2种指数反映的干旱趋势基本一致,且R^(2)均大于0.91,表明SEDI能有效识别不同站点的干旱类型及变化趋势。利用两次典型干旱事件(2005年春季与2015年夏季)进行验证,SEDI在区域尺度干旱监测中具有良好的适用性,其与MCI在空间分布特征上具有较高一致性,不同干旱等级站点比例相似度高,能够较为准确地反映干旱过程的时空演变特征。空间自相关分析表明,陕西省气象干旱呈现显著的空间集聚性,全局莫兰指数为0.69,Z得分为3.58,P<0.001。其中,高-高集聚区主要分布在关中西南部和陕南地区,在这些区域干旱事件的发生频率及强度相对较低。低-低集聚区主要分布在关中东北部和陕北地区,在这些区域干旱事件的发生频率及强度相对较高。研究结果可为生态环境评估与保护、干旱状态监测及预警提供科学指导。 展开更多
关键词 干旱监测 stacking集成学习 机器学习 遥感 空间自相关 陕西省
在线阅读 下载PDF
基于VMD-DBO-Stacking集成学习的盾构掘进速度预测模型
12
作者 邓子昂 张玉贤 张继勋 《水电能源科学》 北大核心 2025年第9期101-105,共5页
针对现有盾构掘进速度预测方法存在的模型算法单一、精度不高和泛化性较差等问题,为了提高盾构掘进速度预测精度,建立一种基于变分模态分解(VMD)、蜣螂优化算法(DBO)和Stacking(VMD-DBO-Stacking)集成学习的盾构掘进速度预测模型。首先... 针对现有盾构掘进速度预测方法存在的模型算法单一、精度不高和泛化性较差等问题,为了提高盾构掘进速度预测精度,建立一种基于变分模态分解(VMD)、蜣螂优化算法(DBO)和Stacking(VMD-DBO-Stacking)集成学习的盾构掘进速度预测模型。首先,为了得到更有效的数据,采用VMD对原始数据进行分解重构得到去噪后的施工参数数据用于后续模型预测;其次,基于集成学习策略,选取支持向量回归(SVR)模型、随机森林(RF)模型、极端梯度提升(XGBoost)模型作为基学习器,高斯过程回归(GPR)模型作为元学习器,从而构建预测精度更高、泛化性更强的Stacking集成学习预测模型;然后,为了进一步提高预测精度,采用DBO对集成学习模型进行超参数优化;最后,将此预测模型用于河南某引水隧洞工程盾构施工中并与其他预测模型进行对比。结果表明,与其他单一模型(SVR、RF、XGBoost)相比,所建模型具有更高的预测精度,平均精度分别提升7.76%、6.70%、4.97%,为盾构掘进速度预测提供一种新思路。 展开更多
关键词 盾构 掘进速度 变分模态分解 蜣螂优化算法 stacking集成学习
在线阅读 下载PDF
基于Stacking集成学习的隧道突水危险预测模型
13
作者 卢佳乐 张念 +1 位作者 牛萌萌 万飞 《中国安全科学学报》 北大核心 2025年第4期137-144,共8页
为解决机器学习在隧道突水危险智能预测领域存在的模型较单一和预测精度不够理想等问题,提出一种基于Stacking集成学习方法的预测模型。首先,通过搜集95条隧道共计232组隧道突水灾害数据建立隧道突水灾害数据集,并进行数据预处理;然后,... 为解决机器学习在隧道突水危险智能预测领域存在的模型较单一和预测精度不够理想等问题,提出一种基于Stacking集成学习方法的预测模型。首先,通过搜集95条隧道共计232组隧道突水灾害数据建立隧道突水灾害数据集,并进行数据预处理;然后,选取3种基学习器和2种元学习器以不同组合方式训练出8组Stacking集成模型,并筛选出6组较优的集成模型;最后,使用网格搜索调参并结合5折交叉验证超参数调优模型,对比分析6组参数调优后的Stacking集成模型的预测结果,选择出最优Stacking集成模型。结果表明:采用Stacking集成学习方法改进最优单模型支持向量机(SVM)后得到SVM+朴素贝叶斯(NB)+线性回归(LR)集成模型,其精确率、召回率和F_(1)分数分别达到0.94、0.91和0.92,整体预测效果优于其他对比模型,可准确预测隧道突水危险等级。 展开更多
关键词 stacking集成学习 隧道突水 预测模型 危险等级 机器学习
在线阅读 下载PDF
激光诱导击穿光谱技术结合Stacking集成算法模型快速预测废钢中9种元素的含量
14
作者 刘艳丽 安治国 +3 位作者 刘洁 石玉龙 黄晓红 宋超 《理化检验(化学分册)》 北大核心 2025年第4期412-418,共7页
基于激光诱导击穿光谱技术,结合Stacking集成算法模型,建立了废钢中铬、镍、铜、硅、锰、钒、碳、钛、铝等9种元素的定量分析模型。采用便携激光诱导击穿光谱仪对12个合金钢标准样品进行采集,对光谱数据进行剔除误差、平均、基线校正后... 基于激光诱导击穿光谱技术,结合Stacking集成算法模型,建立了废钢中铬、镍、铜、硅、锰、钒、碳、钛、铝等9种元素的定量分析模型。采用便携激光诱导击穿光谱仪对12个合金钢标准样品进行采集,对光谱数据进行剔除误差、平均、基线校正后,基于美国国家标准与技术研究院谱线数据库筛选出各元素和基体元素(铁元素)的谱线,利用相关性程度对各元素谱线和归一化线进行最优化匹配,得到各元素的最优归一化谱线对。以最优谱线对归一化后的谱线数据作为各元素模型的输入,将Lasso、岭回归和二次线性回归模型的输出合并,作为次学习器的输入,将元素认定值作为次学习器的输出,次学习器选用线性回归模型进行训练建模,最终得到各元素的Stacking集成算法模型。结果显示:9种元素模型的相关决定系数为0.985 6~0.999 7,均方根误差为0.008 1~0.046 8,平均绝对误差为0.006 0~0.034 5;元素测定值的相对标准偏差(n=5)均小于7.0%;模型用于预测合金钢标准样品,测定值与认定值相对误差的绝对值小于10%。 展开更多
关键词 激光诱导击穿光谱 stacking集成算法 定量分析模型 废钢 元素
在线阅读 下载PDF
基于Stacking集成学习的热轧带钢凸度诊断模型 被引量：1
15
作者 张殿华 李贺 +3 位作者 武文腾 霍光帆 孙杰 彭文 《中南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第10期3673-3682,共10页
在热连轧生产过程中,凸度是重要的质量指标,过程数据的非平衡性限制了数据驱动模型的预测效果,为提高模型的预测精度,提出一种融合SMOTE和Stacking集成算法的热轧带钢凸度诊断模型。首先,采用SMOTE过采样方法处理凸度相关数据集,降低数... 在热连轧生产过程中,凸度是重要的质量指标,过程数据的非平衡性限制了数据驱动模型的预测效果,为提高模型的预测精度,提出一种融合SMOTE和Stacking集成算法的热轧带钢凸度诊断模型。首先,采用SMOTE过采样方法处理凸度相关数据集,降低数据非平衡分布导致的影响;然后,构建以轻量级梯度提升机(LightGBM)、支持向量机(SVM)、K近邻(KNN)和随机森林(RF)为基学习器,逻辑回归(LR)为元学习器的Stacking集成模型,最后,使用某2160 mm热轧带钢实际生产数据进行模型验证。研究结果表明,诊断模型的准确率、少数类召回率、平衡F分数、几何平均值和ROC曲线下面积分别为0.9580、0.9595、0.9573、0.9589和0.9579,与XGBoost、LightGBM、KNN、SVM和随机森林模型对比,预测效果最优,证明了Stacking集成算法能够有效增强诊断模型的泛化能力,具有优良的诊断性能。 展开更多
关键词 带钢凸度诊断 stacking集成模型 非平衡数据 SMOTE
在线阅读 下载PDF
基于Stacking集成学习的乳腺癌智能诊断预测模型
16
作者 段春艳 刘千拓 +2 位作者 王佳洁 管迪 尤筱玥 《同济大学学报(自然科学版)》 北大核心 2025年第6期976-984,共9页
整合创新数据预处理方法和机器学习算法,根据乳腺癌威斯康星州诊断数据集构建了智能预测模型。首先,采用以LightGBM(Light Gradient Boosting Machine)为基模型的特征递归消除法进行特征选取;其次,使用结合ADASYN(adaptive synthetic sa... 整合创新数据预处理方法和机器学习算法,根据乳腺癌威斯康星州诊断数据集构建了智能预测模型。首先,采用以LightGBM(Light Gradient Boosting Machine)为基模型的特征递归消除法进行特征选取;其次,使用结合ADASYN(adaptive synthetic sampling)过采样和OSS(one-sided selection)欠采样的综合采样进行数据不平衡处理,得到均衡的训练数据集;最后,以MLP(multilayer perception)、LightGBM、CatBoost(categorical boosting)作为基学习器,逻辑回归模型作为元学习器构建了基于Stacking集成学习的智能诊断模型,并通过5折交叉验证和准确率、敏感度、受试者操作特征曲线的下方面积等多项分类预测指标进行评估。实验结果显示所提出的模型能够达到98.2%的预测准确率,具备稳定且优秀的分类预测性能,能够为乳腺癌的临床诊断提供强有力的决策支持。 展开更多
关键词 智能诊断 分类预测 stacking集成学习 机器学习 综合采样
在线阅读 下载PDF
基于递归分析和Stacking集成学习的轴承故障诊断方法 被引量：1
17
作者 黄静静 武文媗 +2 位作者 田宇 王灿 王茂发 《南京信息工程大学学报》 北大核心 2025年第2期235-244,共10页
为了更加有效地挖掘滚动轴承信号中所具有的非线性信息并提高轴承故障诊断的准确率,提出一种基于递归分析和Stacking集成学习的轴承故障诊断方法.通过递归分析理论将轴承信号中的非线性信息映射到二维递归图中,分别从图像识别和递归定... 为了更加有效地挖掘滚动轴承信号中所具有的非线性信息并提高轴承故障诊断的准确率,提出一种基于递归分析和Stacking集成学习的轴承故障诊断方法.通过递归分析理论将轴承信号中的非线性信息映射到二维递归图中,分别从图像识别和递归定量分析的角度出发,对应建立了卷积神经网络和支持向量机两个子模型.使用Stacking方法将两个模型进行集成,可以在一定程度上结合两个模型的不同特点,充分发挥两个不同模型的优势.实验结果表明,该方法可以有效提高轴承振动信号的分类准确率,并在不同负载条件下表现出色且稳定,为轴承故障诊断提供了一种可靠的解决方案. 展开更多
关键词 故障诊断 滚动轴承 递归分析 stacking集成学习
在线阅读 下载PDF
考虑复合指标优化模态分解和Stacking集成的综合能源系统多元负荷预测 被引量：1
18
作者 冉启武 石卓见 +2 位作者 刘阳 黄杰 张宇航 《电网技术》 北大核心 2025年第3期1098-1108,I0071-I0075,共16页
为提高综合能源系统多元负荷分解水平及预测模型的整体性能,提出考虑复合指标优化模态分解和Stacking集成的综合能源系统多元负荷预测方法。首先以排列熵结合互信息为适应度函数,利用金豺优化算法自适应获取变分模态分解的最优参数组合... 为提高综合能源系统多元负荷分解水平及预测模型的整体性能,提出考虑复合指标优化模态分解和Stacking集成的综合能源系统多元负荷预测方法。首先以排列熵结合互信息为适应度函数,利用金豺优化算法自适应获取变分模态分解的最优参数组合,进而将多元负荷序列分解为本征模态函数集合;其次,通过基于反向传播(back propagation,BP)神经网络扰动的平均影响值(mean impact value,MIV)算法对与多元负荷相关的气象、日期及负荷因素进行特征筛选,从而为多元负荷构建高耦合度的特征矩阵;充分考虑到各单一模型的差异性及优势性,在采用k折交叉验证法减少过拟合的基础上,构建Stacking集成学习模型对多元负荷进行预测;最后采用美国亚利桑那州立大学坦佩校区多元负荷数据集进行实例验证,结果显示所提方法在电、冷、热负荷预测中的平均绝对百分比误差分别达到了0.903%、2.713%和1.616%,预测精度相比其他预测模型具有较大提升。 展开更多
关键词 多元负荷预测 综合能源系统 平均影响值算法 stacking集成学习 金豺优化算法 复合指标
在线阅读 下载PDF
基于高光谱数据和Stacking集成学习算法的金矿品位快速反演
19
作者 毛亚纯 夏安妮 +4 位作者 曹旺 刘晶 文杰 贺黎明 陈煊赫 《光谱学与光谱分析》 北大核心 2025年第7期2061-2067,共7页
金矿资源具有重要的经济和金融价值,不仅为国家提供了贵重的金属资源,推动经济增长,还在增强货币稳定性和国际金融市场中的避险能力方面具有现实意义。然而,当前矿山用于金矿品位测量的化学分析法尽管精确,但存在耗时长、成本高以及药... 金矿资源具有重要的经济和金融价值,不仅为国家提供了贵重的金属资源,推动经济增长,还在增强货币稳定性和国际金融市场中的避险能力方面具有现实意义。然而,当前矿山用于金矿品位测量的化学分析法尽管精确,但存在耗时长、成本高以及药剂污染等多种问题,无法实现基于实时品位信息的矿石品位与选矿方法的自动化调整。相比之下,可见光-近红外光谱分析法因其高效、绿色环保及原位测定等优势,逐渐成为估算矿区金属品位的有效替代方法。为此以中国辽宁省二道沟、凌源和排山楼三个金矿为研究区,共采集了389个金矿样本,以SVC便携式地物光谱仪测试的高光谱数据和化学分析数据为数据源。首先对原始光谱数据进行Savitzky-Golay平滑(SG)处理,并分析金矿的光谱特征,发现反射率与金品位具有一定相关性,且在455 nm处具有金的吸收特征,基于此,利用主成分分析法(PCA)、等距特征映射(ISOMAP)和局部线性嵌入(LLE)算法对原始光谱数据进行降维处理,对应降维结果的维数分别为6,5,5。最后基于随机森林(RF)、极端随机树(ET)、决策树(DT)、梯度提升树(GBDT)和自适应增强(Adaboost)、极端梯度提升树(XGBoost)和Stacking集成学习算法对降维后的数据建立了金品位预测模型。研究结果表明,Stacking集成学习方法在各方面性能均优于单一模型,其中LLE-Stacking组合模型的精度最高,预测值与真实值的R^(2)为0.972,RPD为5.935,平均相对误差为0.231。利用本方法可以快速准确预测矿粉中金的品位,相比于传统模型的品位反演精度有明显的提升,为矿山金品位的快速、原位测定提供了新的技术手段,对金矿的高效开采具有重要意义。 展开更多
关键词 金矿品位反演 可见光-近红外光谱 降维 stacking集成学习
在线阅读 下载PDF
基于Stacking-SHAP模型的堆积层厚度空间预测
20
作者 李远耀 张鑫 +3 位作者 李明 张锦瑞 张鹏 汪哲涵 《安全与环境工程》 北大核心 2025年第5期220-230,242,共12页
第四系堆积层厚度是区域滑坡灾害风险评价的关键地质参数。为提升其空间预测精度和预测结果的可解释性,以三峡库区秭归县归州镇为研究区,在构建第四系堆积层厚度预测指标体系的基础上,采用随机森林(random forest,RF)、极端梯度提升树(e... 第四系堆积层厚度是区域滑坡灾害风险评价的关键地质参数。为提升其空间预测精度和预测结果的可解释性,以三峡库区秭归县归州镇为研究区,在构建第四系堆积层厚度预测指标体系的基础上,采用随机森林(random forest,RF)、极端梯度提升树(extreme gradient boosting,XGBoost)和堆叠集成(Stacking)3种模型进行堆积层厚度的空间预测,最后选取最优预测模型结合沙普加和解释(shapley additive explanations,SHAP)模型进行可解释性分析,对控制区内堆积层厚度的影响因子进行了深入探讨。结果表明:Stacking模型的预测性能最优,其均方误差(mean square error,MSE)为3.28,决定系数(R^(2))为0.92,均方根误差(root mean square error,RMSE)为1.81,平均绝对误差(mean absolute error,MAE)为0.77,且预测结果与现场调查及钻孔资料最相符;通过SHAP模型揭示了土地利用类型、坡度、工程地质岩组和归一化植被指数(normalized difference vegetation index,NDVI)为主要影响因子,对堆积层厚度具有控制作用。研究结果能提高第四系堆积层厚度预测的精度和可解释性,可为后续滑坡灾害风险评价提供数据支撑。 展开更多
关键词 滑坡 第四系堆积层 集成模型 空间预测 可解释性
在线阅读 下载PDF
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 2 … 113 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部