期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于DGA与鲸鱼算法优化LogitBoost-决策树的变压器故障诊断方法 被引量:43
1
作者 张国治 陈康 +2 位作者 方荣行 王堃 张晓星 《电力系统保护与控制》 EI CSCD 北大核心 2023年第7期63-72,共10页
为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis,DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm,WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树... 为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis,DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm,WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将LogitBoost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-LogitBoost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。 展开更多
关键词 变压器 油中溶解气体 决策树 鲸鱼优化算法 logitboost 故障诊断
在线阅读 下载PDF
Logitboost算法在慢性乙型肝炎肝纤维化中的应用研究
2
作者 王建 圣建惠 +2 位作者 申悦平 张建军 王捷婷 《检验医学与临床》 CAS 2012年第3期277-278,280,共3页
目的将Logitboost算法用于判别分析慢性乙型肝炎肝脏纤维化血清学检测指标,建立一种无创性慢性乙型肝炎纤维化分期诊断模型。方法 226例慢性乙型肝炎患者进行肝活检和肝纤维化血清学指标的检测,血清学指标进行相关系数和Logitboost算法... 目的将Logitboost算法用于判别分析慢性乙型肝炎肝脏纤维化血清学检测指标,建立一种无创性慢性乙型肝炎纤维化分期诊断模型。方法 226例慢性乙型肝炎患者进行肝活检和肝纤维化血清学指标的检测,血清学指标进行相关系数和Logitboost算法判别分析,并与肝活检结果比对。结果 Logitboost算法在迭代100轮时判别正确率最高,与肝活检的结果相比较,纤维化分期S(0~4)的诊断符合率分别为92.3%、89.5%、91.5%、96.9%、97.7%。结论 Logitboost算法可以对慢性肝炎肝纤维化进行有效分期。 展开更多
关键词 肝纤维化 慢性乙型肝炎 logitboost算法
暂未订购
一种新型的模型树算法研究及应用 被引量:2
3
作者 张坤 穆志纯 常晓辉 《控制工程》 CSCD 2008年第1期103-106,共4页
决策树算法训练速度快、结果易于解释,但在实际应用中其分类精度难以满足业务要求。为了提高决策树算法的精度,基于LogitBoost算法的优点,对决策树C4.5算法进行了改进。在决策树的叶节点上应用LogitBoost算法建立叠加回归模型,得到一种... 决策树算法训练速度快、结果易于解释,但在实际应用中其分类精度难以满足业务要求。为了提高决策树算法的精度,基于LogitBoost算法的优点,对决策树C4.5算法进行了改进。在决策树的叶节点上应用LogitBoost算法建立叠加回归模型,得到一种新型的模型树算法-LCTree算法。通过11组UCI数据集试验,经分析比较,证明LCTree算法比其他算法更有效。将该算法应用于电信客户离网预警系统建模,结果表明,该算法可有效地分析客户特征,精确地预测离网客户。 展开更多
关键词 logitboost 模型树算法 数据挖掘 客户关系管理 客户离网预警
在线阅读 下载PDF
一种基于Logicboost的软件缺陷预测方法 被引量:1
4
作者 张洋 《软件》 2019年第8期79-83,共5页
针对软件缺陷预测中对不平衡数据分类精度较低的问题,提出了一种新的基于LogitBoost集成分类预测算法,使用SMOTE方法对原始数据集进行平衡处理,然后使用随机森林算法作为弱分类器算法进行分类预测,最后使用LogitBoost算法以加权方式集... 针对软件缺陷预测中对不平衡数据分类精度较低的问题,提出了一种新的基于LogitBoost集成分类预测算法,使用SMOTE方法对原始数据集进行平衡处理,然后使用随机森林算法作为弱分类器算法进行分类预测,最后使用LogitBoost算法以加权方式集成各弱分类器的结果。通过在NASAMDP基础数据集上验证得出本文提出的分类预测算法比数据集均衡处理前准确率高出0.1%-11%,同时在均衡处理后比KNN算法平均高出0.9%,比SVM算法平均高出0.4%,比随机森林算法平均高出0.1%。 展开更多
关键词 不平衡数据 logitboost集成算法 随机森林算法 软件缺陷预测
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部