Bagging算法

摘要： 为提高负荷预测精度,提出一种基于改进Bagging算法与模糊最小窥视孔长短期记忆(Min peephole long short-term memory,MP-LSTM)融合的短期负荷预测模型。MP-LSTM模型相较于传统长短期记忆网络(Long short-term memory,LSTM)模型舍弃了输入门和输出门,只保留遗忘门,模型包括一个sigmoid网络层和一个tanh网络层,减少了模型参数,优化了模型结构。通过将温度进行模糊化处理,减小温度波动对负荷的影响。采用改进Bagging算法对MP-LSTM模型集成处理来提高模型预测的精度。以某地区的实际负荷数据进行算例仿真,并与传统LSTM神经网络预测法、MP-LSTM神经网络法和模糊MP-LSTM神经网络法进行对比,仿真结果表明文中所提模型具有较好的预测精度。

摘要： 针对供电系统故障诊断结果精准度低等问题,提出一种基于Bagging算法的地铁供电系统故障诊断方法。供电系统运行数据构建对应的数字模型。通过对诊断结果进行修正,得到高精度的故障诊断结果。以数字模型为基础,使用Bagging算法对供电系统运行数据进行分类。采用供电系统运行数据分类结果,实现BP神经网络实现供电系统故障诊断。实验结果表明,本方法故障诊断效果更好,更具可靠性与安全性。

摘要： 针对旋转机械早期故障特征提取困难、多元状态估计技术矩阵运算效率低、建模鲁棒性差的问题,研究小波包变换、多元状态参数估计和bagging算法等技术,构建基于振动、温度、流量和压力等参数的旋转设备早期故障监测方法。应用三门核电厂用水泵的实测数据对构建的故障监测方法进行验证,结果表明,旋转设备早期故障监测模型在故障特征提取、计算时间和建模精度等方面均具有明显优势,并能够检测出设备的早期故障,实现早期预警,有效地降低误报率。

摘要： 针对过程数据具有时序相关性以及过程故障是否影响产品质量的问题,提出一种基于Bagging思想和典型变量分析(CVA)的故障检测方法(Bagging-CVA).采用Bagging思想对建模数据随机抽样构成多组新的数据集,消除数据的时序相关性.分别在每组新的数据集基于CVA方法建立过程相关和质量相关的故障检测模型,同时监测故障对于过程和产品质量的影响.同时提出了一种最优模型选取策略,通过故障检测率和误报率来选出最优模型,降低了传统Bagging方法对多组模型的统计量进行融合的复杂度.通过数值案例和田纳西-伊斯曼过程的仿真实验对方法进行验证.实验结果表明,所提出的改进Bagging-CVA方法可以避免过程数据的时序相关性对故障检测模型的影响,从而提高检测率和降低误报率.此外,还可以进一步分析过程故障是否对产品质量产生影响.

摘要： 为了研究弱分类器的个数及种类的构成对强分类器预测准确性的影响,以及在不同经济金融数据的预测情况,选择credit,bank,stock,audit数据集模拟bagging算法分类器的个数和分类器构成方法不同时的预测情况.其中由KNN算法、C5.0算法和朴素贝叶斯算法构造了7种不同的组合方法.总的来看,基于bagging的C5.0决策树方法并设置分类器个数为50时预测效果最佳.对bank数据集设置最佳的方法和分类器个数进行实例分析,准确性达到94.17％,预测情况良好.

摘要： 针对传统方法对资产、财务的管理过程中存在难以预测资产异常状态的问题,文中提出了基于泛在物联网与机器学习的资产异常状态预警算法来评估用户的资产状态.该资产异常状态预警系统从结构与设计方法两个角度展开,采用B/S系统架构以满足通过互联网实现多终端的实时接入.泛在物联网技术连接了用户的各个层面,可为资产异常状态预警系统提供所需要的样本数据;机器学习中的BP神经网络与决策树算法被用来对样本数据进行特征提取及资产状态分类,从而构建资产异常状态预警模型;最终使用Bagging对资产异常状态预警模型进行优化.测试与数据分析结果表明,与使用Softmax作为分类器的模型对比,基于BP神经网络与决策树的资产异常状态预警算法具有更高的准确率,平均识别精准度为80.1％,可以为用户提供有效的资产风险预警.

摘要： 为了提高电力系统短期负荷的预测精度,提出了一种基于Bagging算法的双向加权门控循环单元GRU(gated recurrent unit)集成神经网络短期负荷预测模型.对双向门控循环单元BiGRU(bidirectional gated recur?rent unit)神经网络两个方向的隐含层状态进行加权求和处理,使得对负荷点的预测可以同时考虑过去和未来的信息.通过Bagging算法对双向加权GRU神经网络进行集成处理来提高模型的泛化能力.按照某地区真实负荷数据,并与反向传播BP(back propagation)神经网络、长短期记忆LSTM(long short-term memory)神经网络、单向GRU神经网络和双向GRU神经网络进行对比可以得出,所提模型有更好的预测效果.

摘要： 当前消化道胶囊内镜图像识别算法存在两个局限,一是要对有差别的病灶设计具体的特征检测算法;二是通过深度学习开展迁移学习时,原训练数据与胶囊内镜图像存在较大差异.因此,提出一种小型通用的基于神经网络与特征融合的胶囊内镜图像识别模型.对图像分离G通道、Log变换和直方图均衡化预处理;采用三个相同卷积神经网络分别对三种预处理后的图像提取特征;采用Bagging算法进行特征融合与识别.对Kvasir数据集的实验表明,该模型准确率为96.89％,比RGB输入、传统机器视觉和经典神经网络模型高出2.05百分点以上,其AUC均值达到0.99,灵敏度达到98.55％,特异度达到96.51％.该模型能为医生诊断提供辅助作用.

摘要： 可融资性难问题持续制约PPP健康发展,社会资本往往从项目本身和地方政府两个维度评价项目的可融资性.通过综合比较主流样本合成算法在合成样本的精细度以及分类器算法对非平衡样本集少数类样本的识别能力,针对我国财政部政府和社会资本合作中心库中PPP案例样本数据存在非平衡性及高噪声异质性问题,提出Borderline-SMOTE Bagging算法,按照不同领域对其中4组项目进行可融资性评价.结果表明:基于数据挖掘算法对PPP可融资性进行评价具备可行性;Borderline-SMOTE Bagging算法具备良好的样本分类能力和优秀的泛化能力,能有效降低因合成样本形成的噪音所带来的负面影响,且具备良好的少数类样本识别能力.最后结合实证过程遇到的问题,对未来PPP数据化发展,提出政府部门应增强PPP项目数据收集能力并逐步实现数据开放共享,借助大数据技术提升PPP项目管理效率和精准度等建议.

摘要： 基于选择性理论对传统Bagging算法进行改进,以CFM56-7B发动机指印图为基础进行数据扩充,得到建模的数据集,采用基于改进后的Bagging算法解决发动机气路故障诊断问题.在CFM56-7B发动机上的应用表明,改进后的集成算法模型相对于单一算法模型的诊断效果更为显著.

摘要： 工业污水处理过程具有高度非线性的特点,对水质指标中的生物需氧量(BOD)的实时监测提出了挑战,因此,提出一种基于核主元分析(KPCA)和Bagging算法的集成高斯过程回归(GPR)建模方法.首先,采用核主元分析(KPCA)方法将采集到的污水数据投影到高维空间进行降维处理,提取非线性主元作为模型输入;然后采用Bagging集成学习算法得到若干样本子集,对每一个样本子集建立相应的GPR模型;最后根据贝叶斯后验概率计算得到各子模型的权重,对各子模型的输出进行融合,得到全局预测值.对实际污水处理过程数据的仿真结果表明,本文方法具有良好的预测精度与泛化能力.

摘要： 工业污水处理过程具有高度非线性的特点,对水质指标中的生物需氧量(BOD)的实时监测提出了挑战,因此,提出一种基于核主元分析(KPCA)和Bagging算法的集成高斯过程回归(GPR)建模方法.首先,采用核主元分析(KPCA)方法将采集到的污水数据投影到高维空间进行降维处理,提取非线性主元作为模型输入;然后采用Bagging集成学习算法得到若干样本子集,对每一个样本子集建立相应的GPR模型;最后根据贝叶斯后验概率计算得到各子模型的权重,对各子模型的输出进行融合,得到全局预测值.对实际污水处理过程数据的仿真结果表明,本文方法具有良好的预测精度与泛化能力.

摘要： 工业污水处理过程具有高度非线性的特点,对水质指标中的生物需氧量(BOD)的实时监测提出了挑战,因此,提出一种基于核主元分析(KPCA)和Bagging算法的集成高斯过程回归(GPR)建模方法.首先,采用核主元分析(KPCA)方法将采集到的污水数据投影到高维空间进行降维处理,提取非线性主元作为模型输入;然后采用Bagging集成学习算法得到若干样本子集,对每一个样本子集建立相应的GPR模型;最后根据贝叶斯后验概率计算得到各子模型的权重,对各子模型的输出进行融合,得到全局预测值.对实际污水处理过程数据的仿真结果表明,本文方法具有良好的预测精度与泛化能力.

摘要： 工业污水处理过程具有高度非线性的特点,对水质指标中的生物需氧量(BOD)的实时监测提出了挑战,因此,提出一种基于核主元分析(KPCA)和Bagging算法的集成高斯过程回归(GPR)建模方法.首先,采用核主元分析(KPCA)方法将采集到的污水数据投影到高维空间进行降维处理,提取非线性主元作为模型输入;然后采用Bagging集成学习算法得到若干样本子集,对每一个样本子集建立相应的GPR模型;最后根据贝叶斯后验概率计算得到各子模型的权重,对各子模型的输出进行融合,得到全局预测值.对实际污水处理过程数据的仿真结果表明,本文方法具有良好的预测精度与泛化能力.

摘要： 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。将该方法应用到某双酚A 生产装置缩合反应釜出口24BPA 含量的软测量建模中，仿真结果表明相比于单一高斯过程模型，该集成算法具有

摘要： 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。将该方法应用到某双酚A 生产装置缩合反应釜出口24BPA 含量的软测量建模中，仿真结果表明相比于单一高斯过程模型，该集成算法具有

摘要： 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。将该方法应用到某双酚A 生产装置缩合反应釜出口24BPA 含量的软测量建模中，仿真结果表明相比于单一高斯过程模型，该集成算法具有

摘要： 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。将该方法应用到某双酚A 生产装置缩合反应釜出口24BPA 含量的软测量建模中，仿真结果表明相比于单一高斯过程模型，该集成算法具有

摘要： 利用Bagging算法对分类器集成可以有效的提高分类器的识别精度和稳定性。Bagging算法需要生成的子分类器差异度要大，则训练子集应有较大差异度。而采用随机采样不能保证训练子集的差异度，为此本文采用对训练样本集进行K均值聚类的方法得到差异度大的训练子集，训练子分类器并获得分类识别精度。实验表明，K均值聚类算法能有效提高Bagging集成算法的分类精度并降低样本维度。

摘要： 利用Bagging算法对分类器集成可以有效的提高分类器的识别精度和稳定性。Bagging算法需要生成的子分类器差异度要大，则训练子集应有较大差异度。而采用随机采样不能保证训练子集的差异度，为此本文采用对训练样本集进行K均值聚类的方法得到差异度大的训练子集，训练子分类器并获得分类识别精度。实验表明，K均值聚类算法能有效提高Bagging集成算法的分类精度并降低样本维度。

摘要： 本发明属于数据分析技术领域，具体涉及一种基于Bagging_BP算法的在线学习行为分析方法；该方法利用学习者在网络学习平台的学习数据，采用一种Bagging集成学习方法集成BP神经网络算法，通过学习者的学习行为训练算法，通过训练后的算法对新的学习者进行预测，进一步的通过预测的结果反馈给学习者对学习者的学习行为进行改进并提升学习者的学习效率和成绩；本发明提升了在线学习行为分析的准确率和效率，为学习者提供更加有效预测和反馈。

摘要： 本发明公开了一种基于Bagging算法的异构多分类器OTT应用程序用户分类方法，属于机器学习技术领域。步骤如下：1.对互联网流量进行捕获，取得最初的所有IP数据包，使用网络流量生成器生成流统计特征；2.使用相应流量软件对原始IP数据包进行二次处理，执行深度包检测获得OTT应用程序，即第7层协议名称，合并流统计特征信息生成原始数据集文件；3.对原始数据集文件进行预处理后，生成用户组数据集，执行聚类分析；4.通过先前的聚类分析，使用Bagging算法构建分类模型，采用异构多分类器的方法，即基分类器使用不同的算法分类器。该方法可以通过聚类分析将用户组划分为高消费、中等消费和低消费三个集群，并通过机器学习算法良好的建立一个能够在三个识别的集群之一中对新用户进行分类的分类模型。

摘要： 本发明公开了一种基于Bagging‑Fuzzy‑GBDT算法的心脏病预测方法，首先根据病人心脏病数据的特点，将数据中取值范围变化大的属性取出，利用模糊逻辑将这些数据进行模糊化；将模糊化的数据与GBDT算法相结合，组成Fuzzy‑GBDT心脏病预测算法；最后利用Bagging算法通过m次有放回的采样，增加数据的多样性，将Bagging算法与Fuzzy‑GBDT算法相结合，提出本文的Bagging‑Fuzzy‑GBDT心脏病预测算法。本发明降低了Fuzzy‑GBDT预测算法的方差，以此来增加数据的多样性，避免单个点造成过拟合，在兼顾预测算法高泛化性的同时提高预测算法的准确性。(4)本发明通过实验进行了性能评价，结果表明，本发明的Bagging‑Fuzzy‑GBDT心脏病预测算法同时具有较好的准确性和泛化性。

摘要： 本发明涉及一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法，优化由激光焊接工艺参数预测模型与多目标粒子群优化方法构成，预测模型为采用Bagging模型融合算法将多个基学习器进行模型融合后得到，预测模型建立起激光焊接工艺参数与焊缝质量评定参数之间的非线性映射关系，通过多目标粒子群优化算法最终得到优化后的激光焊接工艺参数，预测准确度更高，可以更好的为激光焊接工艺参数制定提供指导，提高工艺的制定效率。

摘要： 本发明为基于LR‑Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备，能够根据客户行为轨迹准确预测出欠费的违约概率，改变了事后欠费管理的被动局面，减少电力客户欠费风险。其方法包括：确立分析目标，抽取正负样本；收集指标，选取与用电客户欠费风险相关的指标，根据相关的指标衍生形成指标体系；指标预处理，筛选高预测力的指标进入模型；构造基于LR‑Bagging算法模型，根据随机选取样本的子集及步骤3所筛选的指标来训练LR‑Bagging算法模型，模型的终止迭代条件由AUC统计量的变化率决定；把训练后得到的多个逻辑回归模型作为基分类器，把多个基分类器的预测结果的加权平均作为最终的预测概率。

摘要： 本发明属于数据分析技术领域，具体涉及一种基于Bagging_BP算法的在线学习行为分析方法；该方法利用学习者在网络学习平台的学习数据，采用一种Bagging集成学习方法集成BP神经网络算法，通过学习者的学习行为训练算法，通过训练后的算法对新的学习者进行预测，进一步的通过预测的结果反馈给学习者对学习者的学习行为进行改进并提升学习者的学习效率和成绩；本发明提升了在线学习行为分析的准确率和效率，为学习者提供更加有效预测和反馈。

摘要： 本发明公开了一种基于Bagging‑Fuzzy‑GBDT算法的心脏病预测方法，首先根据病人心脏病数据的特点，将数据中取值范围变化大的属性取出，利用模糊逻辑将这些数据进行模糊化；将模糊化的数据与GBDT算法相结合，组成Fuzzy‑GBDT心脏病预测算法；最后利用Bagging算法通过m次有放回的采样，增加数据的多样性，将Bagging算法与Fuzzy‑GBDT算法相结合，提出本文的Bagging‑Fuzzy‑GBDT心脏病预测算法。本发明降低了Fuzzy‑GBDT预测算法的方差，以此来增加数据的多样性，避免单个点造成过拟合，在兼顾预测算法高泛化性的同时提高预测算法的准确性。(4)本发明通过实验进行了性能评价，结果表明，本发明的Bagging‑Fuzzy‑GBDT心脏病预测算法同时具有较好的准确性和泛化性。

摘要： 本发明属于乳腺癌预测技术领域，尤其涉及基于bagging算法的乳腺癌预测方法，病例‑对照数据收集：基于乳腺癌防治相关知识设计调查问卷，问卷包含被认为对乳腺癌有影响的特征变量，通过该问卷收集来自中国三省一市25‑70岁122058名女性的乳腺疾病流行病学研究数据，记录病例‑对照数据备份，数据处理：对问卷收集来的数据进行数据清洗，删除重复信息以及缺失值或异常值过多的无效样本和特征变量。该基于bagging算法的乳腺癌预测方法，通过集成学习建立了一个有效的预测乳腺癌患病风险的模型，帮助医护人员预测处于乳腺癌的患者，及时并准确地对高危人群采取针对性的措施，这将有助于乳腺癌的辅助诊断和预防，为智能诊断作出贡献。

摘要： 本发明公开了一种基于stacking和bagging算法的电费敏感用户分析方法，根据电费敏感的分类目标，基于电费敏感的原始数据表的几个核心业务指标，利用优区算法，解决非平衡和不相容问题，构建训练集和测试集。一方面，进一步细化基于电费敏感相关的核心业务结构化特征。另一方面，基于分词和词频统计的非结构化文本特征，利用stacking方法构建电费敏感的初级模型，为每个样本生成扩展的stacking特征。然后，将二者的特征进行合并作为整体输入。这样利用bagging和vote算法，在训练集和测试集上构建电费敏感的次级模型。利用训练好的模型，对验证集进行预测，并在实际业务中进行验证。从而，能提高了电力公司对用户的电费敏感度的掌握，有利于为电力客户提供差异化、针对性的优质供电服务。

摘要： 本发明属于乳腺癌预测技术领域，尤其涉及基于bagging算法的乳腺癌预测方法，病例‑对照数据收集：基于乳腺癌防治相关知识设计调查问卷，问卷包含被认为对乳腺癌有影响的特征变量，通过该问卷收集来自中国三省一市25‑70岁122058名女性的乳腺疾病流行病学研究数据，记录病例‑对照数据备份，数据处理：对问卷收集来的数据进行数据清洗，删除重复信息以及缺失值或异常值过多的无效样本和特征变量。该基于bagging算法的乳腺癌预测方法，通过集成学习建立了一个有效的预测乳腺癌患病风险的模型，帮助医护人员预测处于乳腺癌的患者，及时并准确地对高危人群采取针对性的措施，这将有助于乳腺癌的辅助诊断和预防，为智能诊断作出贡献。