期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于串行–并行集成学习的高峰负荷预测方法 被引量:31
1
作者 史佳琪 马丽雅 +2 位作者 李晨晨 刘念 张建华 《中国电机工程学报》 EI CSCD 北大核心 2020年第14期4463-4472,共10页
负荷预测自电力工业诞生便是一项热门的基础研究问题,连续多天的日高峰负荷预测往往对电网的优化运行与安全稳定起到重要作用。该文深入分析了统计学习类算法的误差分布,提出一种基于串–并行集成学习的连续多日高峰负荷预测方法。首先... 负荷预测自电力工业诞生便是一项热门的基础研究问题,连续多天的日高峰负荷预测往往对电网的优化运行与安全稳定起到重要作用。该文深入分析了统计学习类算法的误差分布,提出一种基于串–并行集成学习的连续多日高峰负荷预测方法。首先介绍了统计学习类算法的泛化误差的分解情况,阐述了XGBoost串行集成算法与Bagging并行集成学习的训练机理,分析了粒子群算法的基本原理。在综合考量模型偏差与方差分布的基础上,提出Bagging框架下基于XGBoost算法的负荷预测模型,并采用粒子群算法交叉验证XGBoost模型最优超参数。最后,使用斯洛文尼亚电力公司用电负荷数据对算法有效性进行验证,算例表明XGBoost模型对特征贡献度的量化分析有效地辅助了特征选择的过程,粒子群算法缩短了XGBoost超参数寻优的时间。与传统模型相比,基学习器为树模型的Bagging-XGBoost算法有着较高的预测精度。预测结果显示串–并行方式耦合的集成学习方式在连续多日高峰负荷预测场景中有着较高应用价值。 展开更多
关键词 连续多日高峰负荷预测 串–并行集成学习 XGBoost BAGGING 超参数优化 特征贡献度
原文传递
基于资源分配网络的小数据集并行集成学习方法 被引量:2
2
作者 张安国 张树勋 +2 位作者 朱巍 李秀敏 黄金龙 《计算机应用研究》 CSCD 北大核心 2019年第4期997-1000,共4页
为了在小规模的训练数据集上获得一个具有稳定的高计算精度的算法模型,提出了一种基于扩展卡尔曼滤波器的资源分配网络并行集成学习方法。该集成系统由多个带有扩展卡尔曼滤波器的资源分配网络(RANEKF)组成,并且每个RANEKF子网的输入由... 为了在小规模的训练数据集上获得一个具有稳定的高计算精度的算法模型,提出了一种基于扩展卡尔曼滤波器的资源分配网络并行集成学习方法。该集成系统由多个带有扩展卡尔曼滤波器的资源分配网络(RANEKF)组成,并且每个RANEKF子网的输入由原始数据集中的输入经过随机权值的修正得到。通过和其他神经网络构成的集成学习算法的实验对比,发现提出的方法在小训练集上拥有更高的计算精度和稳定性。 展开更多
关键词 资源分配网络 并行集成学习 增量学习 扩展卡尔曼滤波器
下载PDF
基于IAFSA-BP并行集成学习算法的大学生就业预测模型
3
作者 蒋正婷 袁章帅 闫瑞林 《价值工程》 2019年第19期232-234,共3页
随着我国高校毕业人数逐年增加,大学生“就业难”问题越发突出,其已然成为了社会广泛关注的热点之一。准确预测大学生的就业前景,提高当代大学生的就业率及就业质量引起了党中央和国家的高度重视。因此,本文通过将改进的人工鱼群算法优... 随着我国高校毕业人数逐年增加,大学生“就业难”问题越发突出,其已然成为了社会广泛关注的热点之一。准确预测大学生的就业前景,提高当代大学生的就业率及就业质量引起了党中央和国家的高度重视。因此,本文通过将改进的人工鱼群算法优化BP神经网络的权值和阈值,提出了基于IAFSA-BP神经网络并行集成学习算法的大学生就业预测模型,并将整理的数据集在matlab中进行仿真实验时达到了极佳的预测效果,以期该模型能为推动大学生高质量就业提供参考意见。 展开更多
关键词 BP神经网络 人工鱼群算法 并行集成学习 大学生就业预测模型
下载PDF
基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型 被引量:14
4
作者 李敬明 倪志伟 +1 位作者 朱旭辉 许莹 《系统工程理论与实践》 EI CSSCI CSCD 北大核心 2018年第5期1343-1353,共11页
针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back pr... 针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性. 展开更多
关键词 佳点集萤火虫算法 BP神经网络 并行集成学习 旱情预测模型
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部