期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到6篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
CatBoost算法结合Optuna框架预测砂土液化 被引量：2
1
作者 何家智 冯现大 刘天琦 《济南大学学报（自然科学版）》 CAS 北大核心 2024年第4期496-502,共7页
为了解决利用机器学习算法建立的部分砂土液化预测模型仅在特定地区实现高精确预测而泛化能力减弱的问题,从而扩大砂土液化预测模型适用范围,准确预测砂土液化,以更好地防治地震灾害,基于类别型特征提升算法CatBoost并结合自动超参数优... 为了解决利用机器学习算法建立的部分砂土液化预测模型仅在特定地区实现高精确预测而泛化能力减弱的问题,从而扩大砂土液化预测模型适用范围,准确预测砂土液化,以更好地防治地震灾害,基于类别型特征提升算法CatBoost并结合自动超参数优化框架Optuna进行调参训练,建立CatBoost-Optuna砂土液化预测模型;将标准贯入试验的地震液化数据集划分为训练集和测试集,利用5个评估指标评估所建立模型的预测结果,与测试集中多层感知机和支持向量机砂土液化预测模型的评估结果相比较,并以地震液化案例数据作为验证集,对比不同预测模型的预测效果。结果表明:与多层感知机和支持向量机砂土液化预测模型相比,所建立的模型在测试集中评估指标较大,有更好的预测效果;在验证集中,所建立模型的评估指标只有精准率略微减小,其他评估指标都保持稳定,而对比模型的评估指标只有召回率保持稳定,其他评估指标都有所减小,只有所建立模型的预测效果与在测试集中的预测效果保持一致,进一步证明所建立模型的泛化能力较强。 展开更多
关键词 岩土工程 砂土液化预测 机器学习 CatBoost算法 optuna框架 泛化能力
在线阅读 下载PDF
基于Optuna框架的L_(p)范数约束下多核支持向量机在违约风险预测中的应用
2
作者 郑怡昕 王重仁 《现代电子技术》 北大核心 2024年第6期147-153,共7页
针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_(p)范数约束的代价敏感的多核支持向量机(L_(p)-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学... 针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_(p)范数约束的代价敏感的多核支持向量机(L_(p)-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学习引入多核混合核函数组合;同时采用Optuna优化框架对犯错成本、核函数的参数和权重实现了自动化的调优过程;还在核函数权重上引入L_(p)范数约束,以提高模型对噪声和异常数据的鲁棒性。最后,对4种常用的基础核函数组合的L_(p)-Optuna-SVM进行探讨,并与单核支持向量机以及K邻近法、逻辑回归、高斯贝叶斯进行对比。结果表明,在给定数据集上,L_(p)-Optuna-SVM在违约数据上的g-mean和AUC均高于其他算法,并且在加了不同方差的噪声数据集上,该算法整体依旧保持较好的鲁棒性。 展开更多
关键词 多核支持向量机 optuna优化框架 L_(p)范数约束 多核学习 不平衡数据集 违约风险预测
在线阅读 下载PDF
基于梯度提升决策树算法的电力工程造价预测模型 被引量：3
3
作者 邵帅 赵祥 +2 位作者 敖慧凝 柳禾丰 王冬 《沈阳工业大学学报》 北大核心 2025年第3期302-308,共7页
[目的]电力工程造价预测在电网企业资源优化、财务稳定、风险管理、效率提升、项目决策、政策制定、市场秩序维护和投资者决策等方面具有重要意义。针对传统预测方法综合性能较差的问题,并考虑电力工程造价数据的小样本特性,提出了一种... [目的]电力工程造价预测在电网企业资源优化、财务稳定、风险管理、效率提升、项目决策、政策制定、市场秩序维护和投资者决策等方面具有重要意义。针对传统预测方法综合性能较差的问题,并考虑电力工程造价数据的小样本特性,提出了一种基于梯度提升决策树(gradient boosting decision tree,GBDT)的预测模型,通过优化训练过程中的残差,显著提升预测精度。[方法]从自然环境和技术因素出发,深入分析了电力工程造价的影响因子,筛选出11个影响电力工程造价的关键变量。通过数据清洗、特征编码和对数变换,构建适配GBDT模型的特征工程。采用Optuna框架进行超参数调优,并利用5折交叉验证法评估模型性能。模型优化以拟合优度作为评价指标,迭代寻找最优超参数,直至满足预测精度要求或达到最大迭代次数,最终建立结合Optuna框架的梯度提升决策树预测模型。以某地区变电工程造价数据为例,90%的数据样本作为训练集和验证集,10%的数据样本作为测试集,对比分析随机森林、神经网络、GBDT和结合Optuna的GBDT模型的预测效果,通过拟合优度与均方根误差进行性能评估。[结果]实验结果显示,结合Optuna的GBDT模型预测效果优于随机森林、神经网络及GBDT算法,预测值在真实值的±10元/kVA区间浮动。在验证集上,拟合优度为0.8923,均方根误差为8.01;在测试集上,拟合优度为0.8866,均方根误差为8.09。[结论]基于GBDT的电力工程造价预测模型能够精准预测电力工程造价,相较传统方法具有更高预测精度,尤其适用于电力工程造价类的小样本数据集。结合Optuna框架进行超参数调优,进一步提升了预测效果。未来研究将引入更多样本数据,并结合神经网络算法,探索更优的预测方案,助力电网企业实现高效运营与良性发展。 展开更多
关键词 电力工程 造价预测 梯度提升决策树 残差优化 对数变换 影响因子 特征工程 optuna框架
在线阅读 下载PDF
基于CatBoost优化算法的自密实混凝土工作性预测
4
作者 梁其旻 王喆 +2 位作者 梅英杰 孙奥 李鹏飞 《硅酸盐通报》 北大核心 2025年第9期3178-3187,共10页
针对自密实混凝土工作性控制不当易导致结构缺陷的问题,本研究提出一种基于CatBoost优化算法的自密实混凝土工作性预测方法。首先,通过试验建立了包含313组数据的数据集。随后,基于CatBoost算法建立自密实混凝土工作性预测模型,并采用Op... 针对自密实混凝土工作性控制不当易导致结构缺陷的问题,本研究提出一种基于CatBoost优化算法的自密实混凝土工作性预测方法。首先,通过试验建立了包含313组数据的数据集。随后,基于CatBoost算法建立自密实混凝土工作性预测模型,并采用Optuna超参数自动优化框架确定模型的最优超参数。最后,对模型输入参数进行分析。结果表明:相较于未加入净浆试验参数的数据集,本文所建立的数据集能有效提高自密实混凝土工作性预测精度;净浆试验参数在模型预测中表现出较高的相关性和重要性;所建立的模型可以高精度地预测扩展度和V型漏斗时间,表明该模型具有良好的泛化能力,可为自密实混凝土的设计和应用提供参考。 展开更多
关键词 自密实混凝土 净浆阈值理论 CatBoost算法 optuna框架 敏感性分析 工作性预测
在线阅读 下载PDF
冻融循环下玄武岩纤维混凝土冲击力学性能预测模型 被引量：2
5
作者 李艳 何峻宇 +5 位作者 翟越 李昌昊 贾宇 谢梓涵 殷溥隆 梁文彪 《西安科技大学学报》 CAS 北大核心 2024年第4期768-777,共10页
冻融循环下纤维混凝土的劣化规律是寒区服役混凝土工程安全性和耐久性评价的重要依据,现有服役混凝土工程的安全性和耐久性评价的研究具有工作量大、成本高、周期长等特点,构建基于机器学习的高精度力学性能预测模型已成为本领域研究热... 冻融循环下纤维混凝土的劣化规律是寒区服役混凝土工程安全性和耐久性评价的重要依据,现有服役混凝土工程的安全性和耐久性评价的研究具有工作量大、成本高、周期长等特点,构建基于机器学习的高精度力学性能预测模型已成为本领域研究热点。为探究冻融循环后玄武岩纤维混凝土冲击力学性能的高精度预测模型,采用SHPB装置对冻融循环后BFRC开展动态冲击压缩力学性能试验,并构建机器学习-Optuna混合预测模型,对60组以玄武岩纤维体积掺量、冻融循环次数、动荷载冲击速度为影响因素建立的动态峰值应力样本数据集进行预测。结果表明:k近邻、Lasso、多层感知机、极度梯度提升树和随机森林5种经典机器学习模型的预测准确度均较高,说明机器学习算法对于冻融循环后BFRC动态力学性能预测具有良好的预测效果,其中随机森林算法为最优预测算法;RF-Optuna混合预测模型显示出0.9754的拟合优度,具有良好的预测精度;非数据集工况预测表明,该混合模型对于各影响因素均具有良好泛化能力。研究成果可为冻融循环条件下BFRC动态力学性能的快捷精准预测提供参考。 展开更多
关键词 动态力学性能预测 玄武岩纤维混凝土 冻融循环 随机森林模型 optuna框架优化
在线阅读 下载PDF
基于混合尺度健康因子的LSTM-Transformer锂电池寿命预测 被引量：3
6
作者 赵昱坡 黄伟 张剑飞 《电子测量技术》 北大核心 2024年第11期112-122,共11页
为提高锂电池剩余使用寿命(RUL)预测的精度,提出基于混合尺度健康因子的集成模型进行RUL预测。针对电池退化数据噪声大,数据量少和非线性特点捕捉不全的问题,首先提出奇异值分解(SVD)对电容信号处理,通过奇异值的能量分布优化变分模态分... 为提高锂电池剩余使用寿命(RUL)预测的精度,提出基于混合尺度健康因子的集成模型进行RUL预测。针对电池退化数据噪声大,数据量少和非线性特点捕捉不全的问题,首先提出奇异值分解(SVD)对电容信号处理,通过奇异值的能量分布优化变分模态分解(VMD)的最佳模态数,降噪重构出直接健康因子SR。提出一种幅度、相位双扰动(APP)的数据增强方法,依据SR数据分布变化,生成人工标记数据ESR,此ESR与电容相关系数均高于0.97。将SR、ESR结合GRA算法择取的3个间接健康因子,建立了更全面的混合尺度寿命特征信息;此外,为了避免单一模型预测的局限性,采用LSTM模型改进了Transformer结构中的解码器,引入新兴Optuna框架分析了影响模型预测精度的关键超参数并对它们进行了优化。最后通过NASA数据进行实验,并与RNN、LSTM、Transformer以及现有模型方法进行比较,结果证明RMSE控制在2.39%以内,MAE在1.59%以内,且预测性能受预测起点的影响小,稳定性更高,95%置信区间更窄。 展开更多
关键词 锂离子电池 混合尺度特征提取 LSTM-Transformer模型 APP数据增强 optuna框架
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部