局部均值分解(LMD)方法在多尺度变形分析中的应用分析探讨

我国是一个自然灾害种类多、发生频繁和危害严重的国家,工程建筑物的变形监测非常重要。测绘学科中,在多尺度变形分析方面,目前主要有小波分析和经验模态分解(EMD)算法,对其研究作了评述,对近年来提出的局部均值分解(local mean decomposition;LMD)方法的基本思想、在其他学科的应用研究和前景作了分析讨论,在测绘学科的多尺度变形分析提出了其应用研究的可能性。     

局部均值分解在刀具故障诊断中的应用

为有效监测刀具磨损状态,提出一种基于局部均值分解的刀具故障诊断方法.将声发射信号自适应地分解为一系列乘积函数,选取包含主要故障信息的前8个乘积函数分量,获得每个乘积函数分量的平均能量,并组成特征向量.分别提取正常切削、中期磨损和严重磨损三种状态下的特征向量,利用频带能量的变化识别刀具磨损特征.实验结果表明,随着刀具的磨损,各乘积函数分量平均能量增加,并且在高频部分增加显著,该方法可以有效应用在刀具故障诊断中.     

基于随机森林和转导推理的特征提取方法

提出一种基于随机森林和转导推理的特征提取方法,步骤如下:1)利用带标签的训练样本建立随机森林模型;2)将无标签的测试数据导入随机森林模型中,生成全体数据(训练样本和测试数据)的相似性矩阵;3)对该相似性矩阵进行多维尺度变换得到全体数据的低维数据表示,即低维特征,使得原高维数据在低维空间中具有更好的可分性.UCI数据库的实验结果表明:与主成分分析方法相比,该方法将无标签测试集的数据分布信息转移到相似性矩阵中,更好地刻画整个样本空间上的数据分布特性,从而提高分类器的性能,是一种行之有效的特征提取方法.最后还讨论了特征提取维数对模型准确率的影响,为实际应用提供参考.     

基于小波包分解和近似熵的脑电信号分类

为提高脑电信号分类准确率,提出基于小波包分解和近似熵相结合的特征提取方法。该方法利用小波包对信号的低频和高频进行分解,用近似熵对得到的叶子结点进行计算得到特征值,然后将其输入支持向量机进行分类。实验结果表明,该方法在两种思维结合识别中正确率最高达到了97.37%,取得了较好的分类效果。     

基于CSSD和SVM脑电分类技术的研究

本文研究的BCI实验是基于BC12003竞赛数据来对脑电信号分类。本文提出了一种脑电信号趋势的概念,使用支持向量机（SVM）作为分类器的算法。首先将BC12003竞赛数据通过中值滤波器和由小波函数构成的带通滤波器,然后用时间窗进行时域上地过滤,选取对于大脑思维活动现象表现最明显的一段数据,再通过共空域子空间分解（CSSD）从脑电信号中提取特征,最后基于提取的特征,通过SVM训练后,进行分类识别,分类识别率达到了85％～96％。实验中采用的特征提取方法和分类方法对于脑电信号的分类识别准确率提高了不少。     

基于局部均值分解的高频金融数据波动率估计

为解决高频数据在风险评估中存在的非线性问题,提出了利用局部均值分解方法实现高频数据波动率估计。首先,采用高频模拟数据验证估计方法的可行性; 其次,将沪深300 指数不同频率收盘价作为研究对象,利用局部均值分解方法估计波动率,计算相对误差统计量。实验结果表明,利用局部均值分解方法可以有效实现高频数据波动率估计和解决高频数据中的非线性问题,随着抽样频率的增加,估计精度逐渐提高。该方法为高频数据波动率非参数估计提供了新的研究思路。     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

基于非局部均值去噪算法的PM模型及其Split-Bregman迭代实现

基于偏微分方程能量变分模型中规则项的设计,将传统的基于梯度的PM模型与非局部均值算法相结合,对加性噪声进行去噪在最小化非局部PM模型能量函数的过程中,分别运用原始算法和Split-Bregman迭代算法进行了数值运算,结果表明,两种方法均取得到了较好的修复效果。     

基于卷积神经网络与随机森林算法的专利文本分类模型

为解决专利文档的自动化分类,根据机械领域专利文本的特点,提出了一种基于卷积神经网络与随机森林的机械专利文本分类模型;该模型应用卷积神经网络作为有监督的文本特征提取器,结合随机森林作为分类器,面向机械领域专利文本进行专利文本分类。该模型被应用在包含96类的107 302份英文机械专利文档的数据集上。实验结果表明,该模型相比k近邻、Na6ve Bayes、随机森林等经典机器学习算法在准确率、召回率以及查全率方面均有显著提高。     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题.针对此问题,提出了 一种基于鲁棒局部均值分解(robust local mean decomposition,RLMD)以及二阶瞬态提取变换(second-order transient-ex-tracting transform,S...     

基于局部敏感哈希 双层随机森林的燃气轮机剩余使用寿命预测

针对燃气轮机剩余使用寿命预测中监测数据信息利用不够充分、退化过程难以表示、预测精度低等问题,提出了一种基于局部敏感哈希-双层随机森林的燃气轮机剩余使用寿命预测方法.该方法首先使用主成分分析充分利用多维监测数据信息构建健康因子来表示退化过程,并通过滑动截取的方法在健康因子曲线上获取训练数据;然后,通过p-stable分布局部敏感哈希相似性搜索算法匹配和需要预测的样本最相似的样本;进而,使用双层随机森林对剩余使用寿命进行回归预测.利用C-MAPSS数据集验证了该方法的有效性和准确性,研究结果可为其他非线性退化系统剩余使用寿命预测提供一定的参考.     

基于矩阵分解与随机森林的多准则推荐算法

现今的推荐算法大多忽略用户偏好和项目属性中的多个特征,而是在单一推荐准则的基础上训练模型进行推荐. 基于多准则的推荐算法通过考虑用户偏好的多个方面,可以为用户行为提供更加准确的预测. 酒店是旅游行业中重要的环节,为了提高旅客体验,实现酒店评分预测,提出了基于矩阵分解与随机森林的多准则推荐算法. 该算法分两步实现,通过矩阵分解训练得出用户对物品在各个准则上的评分特征,然后随机森林学习评分特征预测最终评分. 实验结果显示,相较传统算法,基于矩阵分解与随机森林的多准则推荐算法的准确性和实用价值更高.     

基于随机森林和支持向量机的分类特征选择

由于数据具有海量、高相关性和非线性的特点,所以如何选择原始数据的本质特征,是关系到能否有效提高问题分类器推广能力的关键问题。本文讨论了目前基于所有特征以及词袋和词序列袋的特征选择方法,提出了采用随机森林和支持向量机(SVM)相结合的方法来进行特征选择。实验证明,此方法能够有效地选择分类特征,从而提升问题分类的效率和精度。     

基于随机森林的文本分类模型研究

随着WWW的迅猛发展，文本分类成为处理和组织大量文档数据的关键技术．随机森林模型是决策树的集成，并且由一随机向量决定决策树的构造．当森林中的决策树的数目增大，随机森林的泛化误差将趋向一个上界．将随机森林模型应用于文本分类，在Reuter21578数据集上的实验表明，分类效果比较好，性能比较稳定，将共同C4．5，KNN，SM0，SVM4种典型的文本分类器进行了比较，结果显示它的分类性能胜于CA．5，同KNN，SMO和SVM方法相当．     

基于粗糙集和随机森林算法辅助糖尿病并发症分类研究

提出基于粗糙集和随机森林算法辅助糖尿病并发症分类。首先,运用简化的分明矩阵法对属性约简,产生新的决策信息系统;其次,采用随机森林算法对该新信息系统生成随机森林,实现分类;最后,通过糖尿病并发症临床诊断数据子集测试。实验表明该方法有效性,并优于直接用随机森林算法分类。     

基于随机森林的文本分类模型研究

随着WWW的迅猛发展，文本分类成为处理和组织大量文档数据的关键技术.随机森林模型是决策树的集成，并且由一随机向量决定决策树的构造. 当森林中决策树的数目增大，随机森林的泛化误差将趋向一个上界.将随机森林模型应用于文本分类,在Reuter21578数据集上的实验表明，分类效果比较好，性能比较稳定，将其同C4.5, KNN, SM0, SVM 4种典型的文本分类器进行了比较，结果显示它的分类性能胜于C4.5，同KNN, SMO和SVM方法相当.     

改进的LMD算法及其在EEG信号特征提取中的应用

针对LMD方法在对脑电信号处理时会产生端点效应,为了降低这种端点效应的影响,增强脑电信号的特征提取效果,提出了一种基于相似波形加权匹配的端点延拓算法。该算法主要利用在一段波形中相似子波会反复出现这一特点,提取与端点处波段相似的子波,求得其加权平均波,并利用得到的平均波对原始信号的左右端点进行延拓。仿真结果表明,与传统的LMD方法分解相比,该算法能够有效抑制传统LMD的端点效应,更好地提取脑电的特征信息。     

基于K均值聚类与随机森林算法的居民低碳出行 意向数据挖掘

对居民低碳意识的形成机理进行研究,可以为交通管理者引导城市居民选择低碳出行方式提供重要依据.运用数据挖掘技术对低碳出行问卷数据进行分析;将计划行为理论框架下的15维问题视为表征居民低碳出行意愿的内在原因变量,应用K均值聚类算法对居民低碳出行意愿强度进行归类,并将所得结果作为被解释变量应用于随机森林模型中,探讨居民的社会属性特征、出行特征等对其低碳出行意愿的作用机理.结果表明:基于Silhouette指标检验及t-SNE降维,居民低碳出行意愿可划分为3类:强烈、中立、不强烈;基于重要性指标显示影响最为显著的4项因素分别是居民的职业、居住地、家庭构成、通勤时间.研究结果从多个角度为城市交通低碳化发展及管理提供政策建议.     

基于随机森林的全波形点云数据分类研究

针对机载全波形数据,本文提出了一种基于随机森林法的点云分类算法,首先通过全波形分解获得振幅,回波次数,以及回波宽度3个特征,再结合本文中提出的特征提取方法,构建一个多维特征向量并进行特征选择,最后利用随机森林法将激光点云分为植被,地面部分以及建筑物三类.对比支持向量机分类方法,实验证明该方法具有很好的稳定性以及高效性,能够在城市区域取得很好的分类精度.