基于Bagging集成策略和多元状态估计的风电机组齿轮箱状态监测

风电机组齿轮箱的故障率和维护成本相对较高,有必要对其运行状态进行实时监测。多元状态估计(multivariate state estimate technique, MSET)是一种常用的状态监测方法,但在记忆矩阵规模较大时,MSET在线计算的实时性较差。为此,提出一种基于Bagging集成策略和MSET的新方法:首先基于Bagging集成策略,对训练数据进行多次随机抽样,构造多个记忆矩阵规模较小的MSET子模型,最终将子模型的结果平均后作为集成模型的输出。以某2 MW风电机组的运行数据为算例,对集成MSET的性能进行了对比实验。结果表明:在精度相当的前提下,集成方法的计算时间仅为常规方法的60%;结合统计过程控制技术设计了预警阈值和滑动窗口异常率,并对集成MSET的故障预警能力进行验证,结果表明,集成方法能够提前约10 d预警齿轮箱的实际故障。     

基于粗糙集的决策树集成学习算法

【目的】为提高决策树集成的泛化能力和效率,解决集成全部决策树的情况下有时并不显著提高精度、反而导致额外存储和计算开销的问题,提出一种基于粗糙集的决策树集成学习算法。【方法】该算法基于粗糙集理论,从训练的全部决策树中选择一部分进行集成。【结果】与目前流行的集成学习算法Bagging和Boosting相比,本文提出的算法有效地减小了集成规模,并获得更好的泛化能力。【结论】该算法提高了决策树集成的泛化能力和效率。     

基于Bagging的交通拥堵预测研究

针对交通拥堵原因的多元性及单个神经网络拥堵模型准确率不高的特点，设计了一个以BP经网络为弱学习算法、基于Bagging集成学习方法的交通拥堵预测模型．与单个神经网络模型相比，Bagging后的预测模型具有更加优良的性能，可为市内交通预警决策提供分析与支持。     

基于神经网络集成的经济预测模型

针对单个BP神经网络用于经济预测存在的不足,提出了一种新的更有效的经济预测模型--神经网络集成.神经网络集成通过训练多个神经网络并将各网络输出进行合成,能够显著提高网络的泛化能力.以广东省江门市的经济数据为例,采用Bagging算法训练了五个BP神经网络,构建了一个神经网络集成的GDP预测模型,并运用MATLAB 7.0语言程序实现.预测结果令人满意,优于单个神经网络预测方法.实证表明,神经网络集成用于经济预测是有效可行的,同时在一定程度上克服了单个神经网络的缺陷.     

一种基于ICA的特征Bagging支持向量机集成方法

为提高支持向量机集成的泛化性能,提出一种基于独立成分分析法的特征Bagging支持向量机集成方法,删除了冗余特征.该方法从得到的独立成分特征空间中提取特征子空间,避免了直接从原特征空间中随机选择特征子空间而导致的对特征依赖或相关性的破坏,提高了个体支持向量机的性能,保证了个体支持向量机之间的差异度.在UCI和Stat-Log数据集合上的仿真实验表明,该方法具有更好的泛化性能.     

粗糙集理论在客户关系管理中的应用

市场竞争的加剧使得客户关系管理成为当今企业日益关注的对象,用数据挖掘工具对其进行分析是近几年人们研究的热点.粗糙集理论作为一种新的数据挖掘工具,在处理不确定性知识方面有着突出的优势.本文用粗糙集的方法对客户关系管理进行了分析,提取决策规则.为提高决策规则的可靠性,通过引入Bagging的概念进而提出了一个改进的方法.并对方法进行了验证,结果表明此方法的效果是比较理想的.     

AdaBoost算法在多属性二分类问题中的应用——以魇术伽马望远镜数据集为例

采用AdaBoost算法对魔术伽马望远镜数据集进行分类测试,通过实验证明了AdaBoost算法在多属性二分类问题中应用的可行性,并与其他分类方法进行比较,表明AdaBoost算法在处理多属性二分类问题时,AdaBoost算法的精确度与Random Forest算法相似,优于SVM以及NN等其他算法。     

一种基于Bagging算法的高斯过程集成建模方法

针对单一高斯过程在化工过程软测量建模中存在估计精度不高的问题,利用Bagging和高斯过程回归算法,提出一种基于Bagging算法的集成高斯过程软测量建模方法.该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成多个高斯过程模型,并通过加权组合方式进行集成,得到最终的模型输出.将该方法应用...     

神经网络分类器动态集成方法

提出一种神经网络分类器的动态集成方法.基于bootstrapping构建不同的个体神经网络,针对混合属性,通过不同的加权最近邻设计评估单个网络的分类精度,在此基础上动态选择误差率较小的神经网络,经过投票形成集成分类结果.将该方法与其它几种集成方法在10个UCI数据集上进行了分类性能比较.实验结果表明,该方法在上述所有数据集上的平均分类精度最佳,同时发现,Bagging比隐层神经元数法能更好地生成个体网络,而将两者结合起来训练个体神经网络,并不能明显提高集成性能.     

基于Bagging与决策树算法的在线拍卖成交价格预测模型

通过分析在线拍卖出价特点,利用决策树和Bagging算法建立了一种全新的在线拍卖成交价格预测模型.作者编写程序收集淘宝网在线拍卖交易数据3310条,对应有效出价记录8275条. 数据分析表明, 如不考虑未成交商品,则有40.4{\%}的交易可以利用出价次数精确计算最终成交价格.如将未成交商品视为成交价格为0, 该比例可提高为79.55{\%}. 据此发现,作者通过预测出价次数间接对成交价格进行预测. 实验证明,模型明显优于平均值预测, 并有21.7{\%}的预测结果完全准确.通过与Heijst发表于《Decision Support Systems》上的研究进行对比,结果表明预测模型在样本需求量、运算时间,及完全准确预测率上有明显优势. 由于模型训练时间仅为数秒,为建立实时在线拍卖成交价格预测决策支持系统奠定了基础.