基于布谷鸟优化算法的加权极限学习机模型

鉴于极限学习机的待定参数对模型极大的影响力,利用布谷鸟优化算法对核参数和惩罚因子进行优化选择,以进一步提高模型的预测精度,然后利用非线性权值函数对极限学习机的不同样本数据进行加权,得到新的加权极限学习机模型,提高模型的鲁棒性能。     

中国中小型企业财务危机预警模型研究

在复杂多变不可预测的竞争环境下,小型企业需要建立适时的财务风险预警制度.以Altman的Z计分模型为理论基础,构建了中小企业财务风险预警模型,并以我国38家电器业上市公司2009年的财务数据进行验证.从我国沪深股市电器业38家样本来看,Altman的Z计分模型,基本上能够反映企业的财务状况,这是一种有效的财务危机预警模型,能发现财务危机的先兆,对中小企业管理者经营管理公司具有一定的指导意义.     

基于纹理特征和Hu不变矩的KELM滤光片缺陷识别研究

为提高滤光片缺陷识别的精度,提出一种基于纹理特征和Hu不变矩的核极限学习机(KELM)滤光片缺陷识别算法。通过提取能量、熵、对比度和局部均匀性以及7阶Hu不变矩特征组成联合特征向量,将联合特征作为KELM的输入,滤光片缺陷类别作为KELM的输出,建立KELM的滤光片缺陷识别模型。通过KELM和极限学习机(ELM)、支持向量机(SVM)、BP神经网络(BPNN)的对比发现,算法KELM具有更高的识别准确率,提高了滤光片缺陷识别的精度,同时为滤光片缺陷识别研究和应用提供了新的方法。     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

超大深基坑的支护设计及变形预测研究

为切实积累基坑支护设计经验，并准确掌握基坑变形发展规律，以龙潭医院改造基坑为工程背景，先在阐述工程概况的基础上，开展了基坑支护设计研究，并详述了基坑支护设计内容；然后利用动态模态分解、极限学习机等构建基坑变形预测模型，通过变形预测来评价支护设计方案的合理性。实例分析表明：由于龙潭医院改造基坑属超大深基坑，加之近接建、构筑物对位移变化较为敏感，因此，基坑支护方案采用分段支护设计，包含采用放坡、挂网喷浆、管桩及支护桩等支护形式。同时，通过变形预测研究，得出预测结果的平均相对误差在2.06%～2.12%之间，训练时间在59.25～61.44 ms之间，验证了R-PSO-ELM模型不仅具有较优的预测精度，还具有较快的收敛速度，且外推预测显示基坑变形趋于稳定方向发展，最大预测值均在预警值范围内，验证了基坑支护设计方案是合理有效的。     

基于大数据机器学习的航班价格预测研究

基于大数据机器学习方法建立了航班价格预测模型,利用大数据技术将海量的航班价格变化曲线构造成机器学习的数据样本。因为实际数据构造的样本为非平衡样本,所以要对传统BP神经网络进行改造以适应航班价格预测模型。选取航班3U8996合肥至成都2016年11月16日至2017年1月15日共3 900个样本点作为实例进行实验,预测准确率在70%～80%,表明该模型是有效的,并具有一定的推广意义。     

融合分类器可信度的数据流集成分类

提出基于分类器可信度的权重计算策略,解决动态数据流集成分类中子分类器权重分配难题.该方法充分考虑了所处不同位置样本对权重计算的影响,利用信息熵描述分类器对预测结果的不确定性,建立分类器可信度与样本之间的关系,进而给出分类器可信度的定量计算方法.最后结合动态数据流分类需求和概念漂移特点,借助批量学习和时间遗忘策略构建基于分类器可信度的动态加权集成分类模型.理论分析和实验结果表明该分类方案可行,相比传统集中方法具有一定的优势.     

结合类别信念的AdaBoost算法(英文)

集成学习是一种受到广泛认可和使用的机器学习算法.为此提出一种新的多类集成学习算法,即AdaBoost belief.此算法改进多类集成学习算法AdaBoost·SAMME,使每个基分类器对于每个类别都有权重信息.这种类别上的权重被称为类别信念,可通过计算每次迭代中各个类别的正确率得到.将所提出的算法与原有的AdaBoost·SAMME算法从预测准确率、泛化能力以及理论支持等方面进行比较发现:在高斯数据集、多种UCI数据集以及基于日志的多类别入侵检测应用中,该算法不但具有更高的预测准确率和泛化能力,而且当类别数目增加,即类别更难以预测时,其分类错误率较原有AdaBoost·SAMME算法上升得更缓慢.     

基于改进YOLOX-S的足球比赛视频目标检测方法

为了提升足球赛事水平,催生出足球新战术,识别足球巨星梅西和足球的位置,为进一步的跟踪提供良好的基础,提出了一种基于改进YOLOX-S的足球赛事目标检测方法．使用Pseudo-IoU度量,改进了YOLOX-S中的正样本初步筛选机制,将更标准化和准确的分配规则引入到YOLOX-S无锚检测框架．在损失函数中使用了Focal Loss,以平衡难易样本．实验结果表明,相较于YOLOX-S模型,所提模型具有更好的综合表现,足球类别平均精度为79.8%,梅西类别平均精度为72.6%,平均精度均值为76.2%.     

基于属性值贡献率的朴素贝叶斯改进算法

朴素贝叶斯分类是一种简单高效的方法.但是当属性独立性假设不成立时,有可能导致待测样本类别判断错误;且当待测样本到各类别的概率相同时,无法判断该样本类别,从而影响了它的分类准确率.本文提出基于属性值贡献率的朴素贝叶斯改进算法,利用待测样本的各个属性值在各类别的总贡献率判别该样本的类别.在蘑菇数据实验结果表明,该算法能有效提高分类的准确率.