Boosting算法

摘要： 目的评价Boosting算法结合SMOTE技术预测青年男男性行为者(YMSM)HIV感染状况的性能。方法通过网络和现场抽取2018-2019年天津市YMSM 1179名,分别用XGBoost、LightGBM、CatBoost和logistic结合SMOTE技术建立预测模型,通过AUC、F1、Accuracy、Brier score等指标评价其分类性能。结果应用SMOTE合成数据后,logistic、CatBoost、LightGBM和XGBoost的AUC分别提升了23.4%、24.0%、25.4%和26.8%,Boosting算法的分类性能优于logistic模型。结论Boosting算法结合SMOTE技术为类不平衡数据的分类预测提供了新思路。

摘要： 研究基于区块链技术的船舶信息安全预测方法,提升船舶信息传输的安全性。利用模型链整合区块链技术与信息安全预测算法,实现船舶信息的安全传输。模型链选取Boosting算法作为信息安全预测算法,预测船舶信息传输节点的决策权。确定具有决策权的船舶信息传输节点后,区块链技术采用改进的共识机制,利用区块链加密服务提供商为船舶信息传输提供密码服务。区块链加密服务提供商选取SM2签名算法作为区块链加密服务的数字签名方案,保证船舶信息传输安全。实验结果表明,船舶通信系统节点数量为80个时,区块链技术的共识效率提升比高达22%,可以实现船舶信息的安全传输。

摘要： 无人机视角的图像数据集常具有分辨率较低、特征信息较少和检测目标较小的特征。基于YOLO v3的深度学习框架,借鉴了Boosting算法的加权思想,提出了基于图像误差和正负样本不平衡的加权算法。最后,针对无人机小目标混合数据集进行了试验验证,并将该算法应用于无人机视角的车辆检测,取得了较好的检测效果。试验结果表明了该算法的可行性和有效性。

摘要： 针对目前Boosting算法计算成本高、学习时间长的问题,提出一种改进的随机森林提升(RF-Boost)算法(IRF-Boost)。对训练特征进行排序;在每个Boosting轮中,过滤并使用排序靠前特征的较小子集;根据权重选择一个特征构建新的弱假设,弱假设搜索空间的大小从k降低至1。实验检验并分析了信息增益、卡方、GSS系数、互信息、优势比、F1得分和准确度共7种特征排序方法。实验结果表明:在所评价的特征排序法中,互信息最适用于RF-Boost;IRF-Boost的效率优于RF-Boost及AdaBost.MH,即IRF-Boost是解决实践应用和专家系统中分类问题的较好选择。

摘要： 传统分类方法对于动态数据处理能力较差,无法得到高精度分类结果.针对此情况,设计基于Spark框架的网络大数据分类处理方法.通过构建网络大数据分类处理平台与网络数据分类器,完成网络大数据分类处理过程.经实验结果证实,Spark框架分类方法使用效果较好,能够实现高精度数据处理.

摘要： 在分类问题中,常用的高效算法有半监督学习算法、Bagging算法和Boosting算法等,当标记数据很少、数据间差异较大时,很难找到有效的规则来分类.针对此问题提出了三重集约束下的Boosting分类算法,对标记数据、伪标记数据、无标记数据进行三重约束划分;同时引入平衡函数将更新数据的近邻两点加权,确立数据空间稳定点;根据稳定点信息对分类器进行迭代,采用梯度下降法使得平衡函数收敛,得到最终的伪标记数据和分类器.经过UCI九个数据集的实验,验证了该算法更为高效、可行.

摘要： 目前,智能视频监控系统在仓库管理中得到广泛应用,对监控系统有关的核心技术——目标检测及跟踪算法的研究则是实现智能化监控管理的重要基础性工作.研究了Boosting跟踪算法及其改进策略,结合现有的多种目标跟踪算法,通过对比分析算法的用时、跟踪运动目标数、提取前景数、漂移现象存在、是否丢失目标和需创建跟踪器个数这6个方面,选择跟踪效果及综合性能最佳的改进的Boosting算法作为仓库视频运动物体的跟踪算法,为智能化仓库管理实践提供重要参考依据.

摘要： 目的:应用Boosting算法建模,对亚健康状态的人群进行分类并分析其临床特征,同时与通常使用的logistic统计方法进行比较研究。方法:使用不同损失函数下boosting算法对亚健康状态流行病学调查数据的健康和亚健康人群进行分类；同时,通过重要性度量分析得到亚健康状态的重要临床特征。结果:采用boosting算法对亚健康人群进行了分类得到了分类准确性及重要影响变量。结论:使用boosting算法对亚健康人群进行分类的方法比传统的两种logistic回归模型分类准确率要高,同时也可以得到影响亚健康状态的重要变量。

摘要： 为了对中低尺度物体进行有效的识别研究，提出了一种新的图元检测组合boosting算法。首先根据图像的边缘信息定义17个“图元”特征，构成一个三层产生式与或图模型；然后使用Adaboost算法在贝叶斯框架下集中计算这17个图元类，对每个与或图中的节点进行自底向上提案。该算法是递归的，能通过小训练集来学习，可应用于包括室内和室外的广泛图像集中。

摘要： k依赖贝叶斯分类器(k-BNC)放宽了朴素贝叶斯分类器中要求各属性结点间相互条件独立的强限制,更有利于运用到实际模型中。但是,放宽限制后的k依赖贝叶斯分类器的分类精确度有所下降。首先改进了原有k-BNC算法,将其变为一种不稳定的分类器生成算法。然后,利用集成技术中Boosting算法能够改善不稳定分类器总体性能的特点,对k-BNC分类器的分类性能进行提升。

摘要： k依赖贝叶斯分类器(k-BNC)放宽了朴素贝叶斯分类器中要求各属性结点间相互条件独立的强限制,更有利于运用到实际模型中。但是,放宽限制后的k依赖贝叶斯分类器的分类精确度有所下降。首先改进了原有k-BNC算法,将其变为一种不稳定的分类器生成算法。然后,利用集成技术中Boosting算法能够改善不稳定分类器总体性能的特点,对k-BNC分类器的分类性能进行提升。

摘要： k依赖贝叶斯分类器(k-BNC)放宽了朴素贝叶斯分类器中要求各属性结点间相互条件独立的强限制,更有利于运用到实际模型中。但是,放宽限制后的k依赖贝叶斯分类器的分类精确度有所下降。首先改进了原有k-BNC算法,将其变为一种不稳定的分类器生成算法。然后,利用集成技术中Boosting算法能够改善不稳定分类器总体性能的特点,对k-BNC分类器的分类性能进行提升。

摘要： k依赖贝叶斯分类器(k-BNC)放宽了朴素贝叶斯分类器中要求各属性结点间相互条件独立的强限制,更有利于运用到实际模型中。但是,放宽限制后的k依赖贝叶斯分类器的分类精确度有所下降。首先改进了原有k-BNC算法,将其变为一种不稳定的分类器生成算法。然后,利用集成技术中Boosting算法能够改善不稳定分类器总体性能的特点,对k-BNC分类器的分类性能进行提升。

摘要： k依赖贝叶斯分类器(k-BNC)放宽了朴素贝叶斯分类器中要求各属性结点间相互条件独立的强限制,更有利于运用到实际模型中。但是,放宽限制后的k依赖贝叶斯分类器的分类精确度有所下降。首先改进了原有k-BNC算法,将其变为一种不稳定的分类器生成算法。然后,利用集成技术中Boosting算法能够改善不稳定分类器总体性能的特点,对k-BNC分类器的分类性能进行提升。

摘要： AdaBoost以其优异的学习性能成为集成学习的代表性算法，但一直以来它为人所诟病的是其训练时间的漫长，使得AdaBoost在现实的应用中受到了限制。Bagging则具有快速和支持并行的特点。根据影响集成学习的主要原因是集成的个体分类器的差异性这一观点，结合Boosting思想使用聚类技术来对Bagging集成进行修剪。新算法在学习效率上接近Bagging，在学习性能上接近AdaBoost。由于该算法的训练速度优势，决定了该算法可以使用Cascade技术来探测不同难度的噪声，其性能明显优于传统的Boosting探测噪声方法。

摘要： AdaBoost以其优异的学习性能成为集成学习的代表性算法，但一直以来它为人所诟病的是其训练时间的漫长，使得AdaBoost在现实的应用中受到了限制。Bagging则具有快速和支持并行的特点。根据影响集成学习的主要原因是集成的个体分类器的差异性这一观点，结合Boosting思想使用聚类技术来对Bagging集成进行修剪。新算法在学习效率上接近Bagging，在学习性能上接近AdaBoost。由于该算法的训练速度优势，决定了该算法可以使用Cascade技术来探测不同难度的噪声，其性能明显优于传统的Boosting探测噪声方法。

摘要： AdaBoost以其优异的学习性能成为集成学习的代表性算法，但一直以来它为人所诟病的是其训练时间的漫长，使得AdaBoost在现实的应用中受到了限制。Bagging则具有快速和支持并行的特点。根据影响集成学习的主要原因是集成的个体分类器的差异性这一观点，结合Boosting思想使用聚类技术来对Bagging集成进行修剪。新算法在学习效率上接近Bagging，在学习性能上接近AdaBoost。由于该算法的训练速度优势，决定了该算法可以使用Cascade技术来探测不同难度的噪声，其性能明显优于传统的Boosting探测噪声方法。

摘要： 本发明公开了一种基于新型二阶滑模算法的boost功率变换器控制方法，基于boost功率变换器非线性、变结构的特性，及传统控制方法自身的局限性，提出了一种用于boost功率变换器的新型二阶滑模控制方案。本发明方法不仅考虑了状态空间中的位置误差，而且考虑了误差状态的运动信息；其次，误差状态按照指数收敛于滑模面，加快了系统的收敛速度；同时控制方法的系数因式与状态变量相关，可以对输出进行良好的跟踪。此控制方法可实现输出电压快速调节，与传统滑模和传统PID方法相比，本发明中的二阶滑模控制方法具有响应速度快、纹波小、抗干扰能力强、鲁棒性好等优点。同时还可以降低传统一阶滑模中存在的抖振问题，从而显著提高了boost变换器控制器的性能。

摘要： 本发明公开了一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统。所述构建方法包括：从样本数据集中提取可用于建模评估的有效样本；从有效样本的特征集合中筛选出符合现场医疗辅助诊断应用的10项特征；将有效样本的不完整数据集随机分割为训练集和验证集；使用Boosting的方法拟合训练集进行模型构建，采用十折交叉验证法，记录最优模型参数；根据ROC曲线使用验证集计算模型分类阈值t，从而构建得到川崎病风险评估模型。本发明还构建相应的川崎病风险评估系统应用于对待评估数据进行评估，得到KDx评分。本发明有助于降低川崎病的误诊率和漏诊率，使患者在发病早期可以获得有效的预防、干预和治疗。

摘要： 本发明公开了一种基于Boosting算法和支持向量机的洪水预报方法，该方法包括如下步骤：运用相关系数法确定预报因子；利用核主成分分析对所述预报因子进行降维处理；利用Boosting算法选取样本建立多个支持向量机预测模型，引入损失函数和相关系数调整样本权重，最后组合为一个总预测模型；利用所述总预测模型对测试样本进行预测。本发明前两个步骤是数据预处理，目的是提取洪水数据中的有用信息，消除冗余信息对预报造成的干扰。第三个步骤将Boosting算法引入到洪水预报中，尽量将前一个模型不能很好学习的样本，抽取出来用于训练下一个模型，这样组合后的模型可以有效提高洪水预报准确率，最后一个步骤用于检验模型效果。实验数据表明本方案能很好地提高预报精度。

摘要： 一种基于遗传算法的多模态Boost转换电路滑模控制方法，包括以下步骤：将多模态Boost转换电路系统建模为离散时间不确定网络化切换系统；考虑信道衰落对系统状态信息的影响，设计信道衰落模型；构造公共滑模面；设计滑模控制律，计算控制器参数；进行稳定性分析及可达性分析，基于最优可达性的目标函数，采用遗传算法构造有效的滑模控制策略，使滑模动态在有限时间内被驱动到理想的最小化滑动区域。综合考虑了参数不确定、多模态特性以及非线性对多模态Boost转换电路系统的影响，模型精确，更加符合系统的实际运行场景，应用范围广；提高了多模态Boost转换电路系统性能，能够保证信道衰落下多模态Boost转换电路稳定运行。

摘要： 本发明公开一种基于Boosting算法历史数据驱动的包裹交付时长预测方法。本发明包含以下步骤：1、获取下单数据，并对该数据进行整理；2、对获取到的包裹配送数据进行预处理；3、对预处理后的包裹配送数据进行特征提取，依靠数据原始特征创建新特征组成特征数据集；4、将得到的特征数据集，输入预测模型实现包裹交付时长的预测，利用多种评价指标，对模型进行评估，得到完成训练的包裹交付时长预测模型；5、将经过训练得到的包裹交付时长预测模型，用真实的测试数据进行测试，实现包裹交付时长的预测。本发明结合配送中心的相关特征，定义了负载率作为其特征之一来完成配送中心相关特征的构建。解决电商平台给出承诺送达时效不够精确的问题。

摘要： 本发明公开了一种基于新型二阶滑模算法的boost功率变换器控制方法，基于boost功率变换器非线性、变结构的特性，及传统控制方法自身的局限性，提出了一种用于boost功率变换器的新型二阶滑模控制方案。本发明方法不仅考虑了状态空间中的位置误差，而且考虑了误差状态的运动信息；其次，误差状态按照指数收敛于滑模面，加快了系统的收敛速度；同时控制方法的系数因式与状态变量相关，可以对输出进行良好的跟踪。此控制方法可实现输出电压快速调节，与传统滑模和传统PID方法相比，本发明中的二阶滑模控制方法具有响应速度快、纹波小、抗干扰能力强、鲁棒性好等优点。同时还可以降低传统一阶滑模中存在的抖振问题，从而显著提高了boost变换器控制器的性能。

摘要： 本发明涉及一种基于LSTM‑BOOST算法的股指预测系统。是一种适用于处理序列数据的神经网络模型，它以时间序列展开的模型架构如图1所示。在每个时间步t，模型的输入为x^((t))，状态信息为〖h〗^((t))。模型整体的算法流程为处理来自输入x的信息，将其合并到沿着时间向前传播的状态h，并通过最终的状态预测结果。而由于决策树是概率模型，所以无需对数据进行标准化的处理。将LSTM神经网络作为基学习器的Boosting策略中，每次迭代计算后的预测残差需要进行标准化处理。

摘要： 本发明公开了一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统。所述构建方法包括：从样本数据集中提取可用于建模评估的有效样本；从有效样本的特征集合中筛选出符合现场医疗辅助诊断应用的10项特征；将有效样本的不完整数据集随机分割为训练集和验证集；使用Boosting的方法拟合训练集进行模型构建，采用十折交叉验证法，记录最优模型参数；根据ROC曲线使用验证集计算模型分类阈值t，从而构建得到川崎病风险评估模型。本发明还构建相应的川崎病风险评估系统应用于对待评估数据进行评估，得到KDx评分。本发明有助于降低川崎病的误诊率和漏诊率，使患者在发病早期可以获得有效的预防、干预和治疗。

摘要： 本发明公开一种采用Boosting集成学习算法对地震事件进行区分的方法，属于地震学与机器学习交叉技术领域，该方法使用决策树作为Boosting框架下弱分类器的分类算法，通过更新权重，重视误差样本在训练弱分类器中的作用，训练产生多个弱分类器，然后使用线性结合策略得到一个强分类器，最后使用强分类器对地震信号进行分类识别，在识别时采用记录到该事件的多个台站投票的方式决定该地震事件是天然地震还是非天然震动事件，识别准确率可达90％以上。该方法不仅提高了对天然地震和非天然震动事件的分类识别准确率，还提高了对地震事件进行区分的效率。

摘要： 本发明提供了一种基于boosting算法的边缘云服务器利用率预测方法、预测装置及存储介质，其中方法包括：S1基于boosting算法模型，获取被预测带宽利用率数据；S2建立最近数据专注机制，包括：计算各服务器实际带宽利用率数据与被预测带宽利用率数据之间的时间差；为每条服务器实际带宽利用率数据生成一个介于时间差最小值与最大值之间的随机数后；保留时间差小于该随机数的带宽利用率数据，生成服务器专注特征数据；S3基于所述服务器专注特征数据进一步训练boosting算法模型生成R‑Aboosting算法模型，以输出各服务器预测带宽利用率数据，籍此有效筛选Boosting模型输入侧的数据规模，以提高模型训练速度及预测准确率。