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
2
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OVMD-RFECV-PSO-XGBoost模型的大坝变形预测
1
作者
柯扬忠
程小龙
+2 位作者
程志良
刘陶胜
王丽丽
《三峡大学学报(自然科学版)》
北大核心
2025年第5期19-25,共7页
针对大坝变形预测中存在的影响因素多、数据复杂度高和非线性问题,以及不同参数组合对预测精度的显著影响,本文提出了一种融合最优变分模态分解(OVMD)、递归特征消除及交叉验证(RFECV)、粒子群优化算法(PSO)和极限梯度提升算法(XGBoost...
针对大坝变形预测中存在的影响因素多、数据复杂度高和非线性问题,以及不同参数组合对预测精度的显著影响,本文提出了一种融合最优变分模态分解(OVMD)、递归特征消除及交叉验证(RFECV)、粒子群优化算法(PSO)和极限梯度提升算法(XGBoost)的大坝变形预测模型.首先对大坝的变形数据进行OVMD分解,将原始数据分解成K个模态分量;其次,使用RFECV为每个模态分量进行最优特征子集筛选;最后使用PSO对XGBoost的参数进行优化,构建基于OVMD-RFECV-PSO-XGBoost的大坝变形预测模型;以中国江西省某大坝2009—2015年变形监测数据为例,对大坝的垂直沉降位移进行预测,设置不同对照组进行验证.实验结果表明,OVMD-RFECV-PSO-XGBoost预测模型的EMS为0.1411mm,EMAP为5.9455%,R2为0.9348,预测精度均优于其他对照模型.
展开更多
关键词
大坝变形预测
最优变分模态分解
递归特征消除及交叉验证
粒子群优化算法
极限梯度提升算法
机器学习
在线阅读
下载PDF
职称材料
一种基于LightGBM的UWB非视距识别方法
2
作者
李乾
刘卓伦
+3 位作者
孙晓云
陈勇
宋士济
张醒龙
《电讯技术》
2025年第11期1766-1772,共7页
针对超宽带非视距(Non-Line-of-Sight,NLOS)识别中最优特征子集选取与模型参数优化问题,提出了一种基于轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)的交叉验证递归特征消除算法与Optuna参数调优相结合的NLOS识别方法...
针对超宽带非视距(Non-Line-of-Sight,NLOS)识别中最优特征子集选取与模型参数优化问题,提出了一种基于轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)的交叉验证递归特征消除算法与Optuna参数调优相结合的NLOS识别方法。首先通过递归特征消除加交叉验证算法分析选取首径信号与总信号接收功率差值、噪声最大值等6个重要特征作为最优特征子集,之后使用Optuna调参框架优化LightGBM模型超参数。采集视距与非视距特征数据,使用支持向量机、极限梯度提升算法和参数优化后的LightGBM等模型进行训练与测试,结果表明,所选取特征具有良好区分性,参数优化后的LightGBM模型识别准确率达95.28%。
展开更多
关键词
超宽带非视距识别
轻量级梯度提升机(LightGBM)
交叉验证递归特征消除算法(
rfecv
)
超参数优化
在线阅读
下载PDF
职称材料
题名
基于OVMD-RFECV-PSO-XGBoost模型的大坝变形预测
1
作者
柯扬忠
程小龙
程志良
刘陶胜
王丽丽
机构
江西理工大学土木与测绘工程学院
广东省有色地质测绘院
出处
《三峡大学学报(自然科学版)》
北大核心
2025年第5期19-25,共7页
基金
国家自然科学基金青年项目(42004158)
江西省自然科学基金青年项目(20224BAB212025)。
文摘
针对大坝变形预测中存在的影响因素多、数据复杂度高和非线性问题,以及不同参数组合对预测精度的显著影响,本文提出了一种融合最优变分模态分解(OVMD)、递归特征消除及交叉验证(RFECV)、粒子群优化算法(PSO)和极限梯度提升算法(XGBoost)的大坝变形预测模型.首先对大坝的变形数据进行OVMD分解,将原始数据分解成K个模态分量;其次,使用RFECV为每个模态分量进行最优特征子集筛选;最后使用PSO对XGBoost的参数进行优化,构建基于OVMD-RFECV-PSO-XGBoost的大坝变形预测模型;以中国江西省某大坝2009—2015年变形监测数据为例,对大坝的垂直沉降位移进行预测,设置不同对照组进行验证.实验结果表明,OVMD-RFECV-PSO-XGBoost预测模型的EMS为0.1411mm,EMAP为5.9455%,R2为0.9348,预测精度均优于其他对照模型.
关键词
大坝变形预测
最优变分模态分解
递归特征消除及交叉验证
粒子群优化算法
极限梯度提升算法
机器学习
Keywords
dam deformation prediction
optimal variational mode decomposition(OVMD)
recursive
feature
elimination
with
cross-validation
(
rfecv
)
particle swarm optimization(PSO)
extreme gradient boosting(XGBoost)
machine learning
分类号
TV698.1 [水利工程—水利水电工程]
P227 [天文地球—大地测量学与测量工程]
在线阅读
下载PDF
职称材料
题名
一种基于LightGBM的UWB非视距识别方法
2
作者
李乾
刘卓伦
孙晓云
陈勇
宋士济
张醒龙
机构
国网河北省电力有限公司石家庄供电分公司
出处
《电讯技术》
2025年第11期1766-1772,共7页
基金
国网河北省电力有限公司石家庄供电分公司项目(SGHESJ00DLJS2401628)。
文摘
针对超宽带非视距(Non-Line-of-Sight,NLOS)识别中最优特征子集选取与模型参数优化问题,提出了一种基于轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)的交叉验证递归特征消除算法与Optuna参数调优相结合的NLOS识别方法。首先通过递归特征消除加交叉验证算法分析选取首径信号与总信号接收功率差值、噪声最大值等6个重要特征作为最优特征子集,之后使用Optuna调参框架优化LightGBM模型超参数。采集视距与非视距特征数据,使用支持向量机、极限梯度提升算法和参数优化后的LightGBM等模型进行训练与测试,结果表明,所选取特征具有良好区分性,参数优化后的LightGBM模型识别准确率达95.28%。
关键词
超宽带非视距识别
轻量级梯度提升机(LightGBM)
交叉验证递归特征消除算法(
rfecv
)
超参数优化
Keywords
UWB NLOS recognition
light gradient boosting machine(LightGBM)
recursive
feature
elimination
with cross validation(
rfecv
)
hyperparameter optimization
分类号
TN925 [电子电信]
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OVMD-RFECV-PSO-XGBoost模型的大坝变形预测
柯扬忠
程小龙
程志良
刘陶胜
王丽丽
《三峡大学学报(自然科学版)》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
一种基于LightGBM的UWB非视距识别方法
李乾
刘卓伦
孙晓云
陈勇
宋士济
张醒龙
《电讯技术》
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
