一种基于Boosting的油田水淹层识别算法

油田水淹级别的判定对于寻找剩余油、提高油田开发水平和稳油控水效果至关重要.本文提出了一种基于Boosting的C4.5决策树算法用于油田水淹层识别.实验结果表明,相比单一的C4.5决策树,经Boosting算法提升后的集成C4.5分类器具有较高的识别率和泛化能力,具有较高的应用推广价值.     

集成改进AHP与XGBoost算法的食品安全风险预测模型:以大米为例

近年来,我国在食品质量安全管控方面已有较大提升,但伴随着食品产业规模的增大,检验需求量的增多,食品安全检测数据出现高维、复杂且非线性等特征,这些特征会导致定量分析数据利用率低,从而直接影响以数据为载体的风险预测模型的准确性。为提高风险预测模型的准确性,以食品安全检测数据为基础,提出了一种集成层次分析法与极端梯度提升树算法的食品安全风险预测模型,并通过食品安全限定指标对集成模型进行优化改进,从而实现更高效准确的食品安全风险评估。研究以除港澳台外的全国31个省大米危害物检测数据为例,详细阐述了模型的使用方法,检验结果表明,该风险预测模型具有较强的平稳性与较高的准确性。研究旨在为食品安全监管部门评估决策提供一定的理论依据及参考。     

基于时间Dirichlet过程混合模型的在线目标跟踪

针对目标跟踪过程中,可变目标表观的特征数据会发生“分布漂移”的问题,提出一种基于非参贝叶斯多模表观模型的目标跟踪方法.首先,以时间Dirichlet过程为先验分布,把先前估计的目标样本划分为不同的聚集,使得每个聚集表示一类表观,同时,每个表现类被建模为判别式分类器;然后,基于贝叶斯后验推断,权衡先前表观模型的分类误差和拆分聚集的代价,从数据中自主学习表现模型;最后,基于Noisy-OR模型,以贪心(Greedy)策略协同各表观分类器判别出目标.仿真结果表明该方法能较好的跟踪可变目标表观,改善了目标跟踪性能.     

对牵引供电系统接触网保护回路的探讨

对电气化铁路AT、直供等不同制式牵引供电系统中保护回路进行分析,研究保护回路对铁路信号、供电系统等铁路行车相关设备的典型影响。对保护回路引起的红光带、网压过低、地网带电等典型故障现象进行深人分析．给出处理方法和预防措施。提出接触网设备保护回路属于牵引供电系统主导电回路的新观点。     

基于Boosting的支持向量机组合分类器

Boosting是一种有效的分类器组合的方法,文章提出用一个改进的Boosting方法对支持向量机分类器进行集成学习,得到Boosting-MultiSVM分类器;试验结果表明,基于Boosting的支持向量机训练是一个收敛过程,相比标准的支持向量机分类器,Boosting-MultiSVM分类器的泛化性能有不同程度的提高。     

用于储量渗透率预测的高效梯度提升决策模型

渗透率预测本质上属于拟合问题,因此可用拟合模型进行解决。机器学习模型是解决拟合问题的利器,其中LightGBM (light gradient boosting machine)表现出色,为此选用该模型进行预测。然而,LightGBM预测性能受自变量的数量和性质影响较大,同时较多超参数的使用使其预测状态难以最优,为此采用MIV (mean impact value)算法和CD (coordinate descent)算法对模型进行改进。为验证提出模型的预测性能,以姬塬油田西部长8段致密砂岩储层为例进行研究。设计了三个实验分别对提出模型进行性能分析。根据实验结果发现MIV和CD的使用能提高LightGBM的预测性能,同时提出模型在预测上较常规混合机器学习模型表现更为高效。实验结果证明提出模型可在纯数据驱动下高效地预测渗透率,较经典物理模型更具有适用性和推广性。     

基于改进鲸鱼优化算法的GBDT回归预测模型

针对梯度提升决策树（gradient boosting decision tree, GBDT）参数难以选择的问题, 提出一种基于改进鲸鱼优化算法（improved whale optimization algorithm, IWOA）的GBDT回归预测算法. 首先, 提出一种改进的鲸鱼优化算法, 利用混沌映射初始化种群提高种群多样性, 引入惯性权重与差分进化算法中的变异交叉策略解决迭代后期易陷入局部最优的问题； 其次, 利用IWOA对GBDT的关键参数寻优, 避免参数选择的盲目性, 提高回归预测模型的泛化能力； 最后, 建立IWOA-GBDT回归预测模型, 并利用UCI数据集对模型进行验证. 实验结果表明, 相比于决策树、 支持向量机、 Adaboost和GBDT算法, 该模型算法具有更好的拟合效果, 并有一定的实用价值.