摘要： 針對傳統(tǒng)單病種醫(yī)療費用分析方法在處理大量數(shù)據(jù)時存在效率低下的問題,提出了一種基于模糊聚類和機器學習的醫(yī)療數(shù)據(jù)統(tǒng)計分析算法。該方法利用模糊聚類在處理大量相關(guān)性較強數(shù)據(jù)上的優(yōu)勢,得到了影響醫(yī)療費用的因素;同時,對機器學習中的BP神經(jīng)網(wǎng)絡(luò)進行改進,設(shè)置雙層分類器來提高算法的聚類精準度。對比實驗結(jié)果表明,文中所提出醫(yī)療數(shù)據(jù)統(tǒng)計分析算法的平均分類精準度比基于Adaboost算法的數(shù)據(jù)分析算法高5.75%,證明了該統(tǒng)計分析算法的有效性與優(yōu)越性。

摘要： 為了提高視覺引導AGV多分支路徑識別的實時性和魯棒性,論文提出基于PCA-LDA的特征提取算法與ADABOOST的分類算法。首先對采集到的圖像進行預處理,再利用PCA對處理后的圖像降維,并利用LDA進行初分類得到識別特征,最后利用ADABOOST分類器進行多路徑的識別。實驗結(jié)果表明,在滿足實時性條件下,路徑識別的準確率可達到99%以上。

摘要： 利用高光譜遙感技術(shù)在水稻收獲前對籽粒品質(zhì)相關(guān)的蛋白質(zhì)含量進行監(jiān)測,一方面可以及時調(diào)整栽培管理方式,指導合理追肥,另一方面,有助于提前掌握籽粒品質(zhì)信息,明確市場定位。該研究以廣東省典型優(yōu)質(zhì)秈稻為研究目標,基于2019年和2020年兩年氮肥梯度實驗,以水稻分化期和抽穗期冠層尺度高光譜數(shù)據(jù)、水稻氮素參數(shù),包括葉片氮素含量(LNC)、葉片氮素積累量(LNA)、植株氮素含量(PNC)、植株氮素積累量(PNA)及籽粒蛋白含量數(shù)據(jù)為基礎(chǔ),利用四種個體機器學習算法partial least square regression(PLSR)、K-nearest neighbor(KNN)、Bayesian ridge regression(BRR)、support vector regression(SVR),三種集成學習算法random forest(RF)、adaboost、bagging,針對水稻不同生育期氮素狀況進行監(jiān)測建模,在此基礎(chǔ)上構(gòu)建基于水稻冠層光譜信息、光譜信息結(jié)合水稻農(nóng)學氮素參數(shù)的籽粒蛋白含量的監(jiān)測模型,并對模型進行精度對比。研究結(jié)果表明,在水稻氮素營養(yǎng)監(jiān)測方面,利用水稻冠層454~950 nm波段信息,采用RF及Adaboost算法,在水稻分化期、抽穗期及全生育期LNC、LNA、PNC及PNA模型R^(2)均達到0.90以上,同時也具有較低的RMSE和MAE。在水稻籽粒蛋白品質(zhì)監(jiān)測方面,采用全波段光譜信息進行籽粒蛋白含量監(jiān)測時,RF具有最高的精確度與穩(wěn)定性,兩生育期的RF模型對籽粒蛋白含量的監(jiān)測結(jié)果R^(2)分別為0.935和0.941,RMSE分別為0.235和0.226,MAE分別為0.189和0.152;兩生育期以全波段光譜信息結(jié)合長勢參數(shù)進行籽粒蛋白監(jiān)測時,Adaboost模型具有最高的精確度和穩(wěn)定性,其中分化期全波段光譜信息結(jié)合PNA作為輸入?yún)?shù),Adaboost模型R^(2)為0.960,RMSE為0.175,MAE為0.150,以抽穗期全波段光譜信息結(jié)合PNC作為輸入?yún)?shù),R^(2)為0.963,RMSE為0.170,MAE為0.137。研究結(jié)果表明,與PLSR,KNN,BRR和SVR幾種個體學習器算法相比,集成算法RF,Adaboost和Bagging具備良好的處理多重共線性的能力,適合用于高光譜數(shù)據(jù)的分析與處理,在作物氮素營養(yǎng)監(jiān)測及水稻品質(zhì)的早期遙感監(jiān)測方面具有明顯優(yōu)勢。

摘要： 近年來,基于超寬帶系統(tǒng)的室內(nèi)定位憑借其高精度和高穩(wěn)定性等優(yōu)點得到了廣泛應(yīng)用。在復雜室內(nèi)環(huán)境中,超寬帶信號在障礙物間的非視距傳播導致定位基站和標簽之間的距離測量值產(chǎn)生額外誤差從而導致定位精度下降。文章提出一種用于修正非視距(NLOS)誤差的超寬帶定位方法,通過基于自適應(yīng)增強算法識別 NLOS 傳播,識別后通過測量值重構(gòu)對應(yīng)視距測量值并計算位置坐標,最后通過無跡卡爾曼濾波算法修正定位誤差。實驗結(jié)果表明,該算法有效消除了 UWB 定位系統(tǒng)中較大的 NLOS 誤差,提高了定位精度,具有很好的穩(wěn)定性。

摘要： 集成學習是非線性系統(tǒng)的主流建模方法之一。但當常規(guī)的集成TSK模糊模型直接用于不平衡數(shù)據(jù)集時,其學習性能容易受到數(shù)據(jù)不平衡性的影響,因而常常會導致泛化能力差。為解決這一問題,基于TSK模糊模型提出了一種對不平衡數(shù)據(jù)處理的分類集成模型。基本思想是:首先利用SMOTE過采樣方法對不平衡樣本集做預處理,使得類別分布相對平衡,再引入AdaBoost方法對集成TSK模糊模型進行學習,集成時根據(jù)權(quán)值大小對樣本進行隨機采樣,并通過多次訓練對權(quán)值進行迭代更新,最后將生成的各個模型結(jié)果根據(jù)特定的加權(quán)方法結(jié)合,產(chǎn)生最終輸出,使各模型得到充分的訓練,進而提升整個集成TSK模糊模型的泛化能力。由此,提出了對應(yīng)的不平衡數(shù)據(jù)的集成TSK模糊模型,并使用模型在多個數(shù)據(jù)集上進行實驗,采用均方誤差和精度對模型進行評估均有較好的效果,然后改變模型數(shù)量和規(guī)則數(shù)量等參數(shù)探究它們對模型性能的影響,并使用圖像表示它們的變化情況,實驗結(jié)果證明了所提出的集成學習算法的有效性。

摘要： 為解決不均衡多分類問題,提出一種特征選擇和AdaBoost的集成方法。首先,數(shù)據(jù)進行預處理。利用WSPSO算法進行特征選擇,根據(jù)特征重要性選取初始粒子構(gòu)建初始種群,使得算法初期就可以沿著正確的搜索方向開展,減少不相關(guān)特征的影響。其次,利用AdaBoost算法對于樣本權(quán)重較敏感的特點,增強對小類樣本的關(guān)注度。并且利用AUCarea作為評價標準,相對于其他評價標準,AUCarea具有可視化的優(yōu)點且對較差AUC更加敏感。最后,與其他幾種不均衡分類算法在不平衡數(shù)據(jù)集上進行對比,結(jié)果證明該算法可有效處理不均衡多分類問題。

摘要： 在社會經(jīng)濟水平的不斷提高下,社會居民用電量呈現(xiàn)出不斷上升的趨勢,造成電網(wǎng)投資規(guī)模越來越大,為了進一步提高電網(wǎng)投資管理水平,現(xiàn)以“AdaBoost回歸樹”為例,提出一套行之有效的電網(wǎng)投資模型設(shè)計方案。首先,從建投資預測總體思路、電網(wǎng)缺失數(shù)據(jù)智能填補研究、電網(wǎng)運營數(shù)據(jù)特征研究等方面入手,完成對預測模型總體研究方案的制定。其次,從AdaBoost算法原理、弱回歸模型選擇、電網(wǎng)基建投資預測模型建立以及優(yōu)化設(shè)計、預測實驗結(jié)果及對比分析4個方面入手,完成對回歸樹電網(wǎng)投資模型的科學設(shè)計。結(jié)果表明:在AdaBoost回歸樹的應(yīng)用背景下,所提出的電網(wǎng)投資模型設(shè)計方案具有較高的可靠性和可行性,實現(xiàn)了對電網(wǎng)投資規(guī)模的規(guī)范化、標準化管理。希望通過這次研究,為相關(guān)人員提供有效的借鑒和參考。

摘要： In order to solve the problem that it is difficult for students to find self-study classrooms because of the limited classroom resources, combined with the current situation of informatization in colleges and universities, a feasible method of students counting in classrooms based on head detection is proposed. This method first collects the scene images in the classroom at regular intervals based on the existing examination monitoring system, and then uses the offline trained AdaBoost cascade detector to detect the head candidate region in the images. Then, the trained CNN-SVM model is used to further identify the head, and finally the identification results are processed and the number of students in the classrooms is counted. The test and practice show that the query system for the idle situation of self-study classrooms constructed by coordinating the classroom seat capacity, classroom scheduling data and the students counting in the classroom based on the above method can easily query the current crowded degree of the students in the classrooms, which plays a good guiding role for students to find self-study classrooms. The method has strong reference and promotion significance for solving similar problems in other universities.

摘要： 數(shù)字化賦能供應(yīng)鏈金融創(chuàng)新是推動我國產(chǎn)業(yè)鏈、供應(yīng)鏈持續(xù)穩(wěn)定優(yōu)化升級的重要內(nèi)容,在全球金融風險急劇增加的背景下,供應(yīng)鏈金融與大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)、人工智能等技術(shù)相融合,成為解決我國中小企業(yè)融資授信問題的有效方式之一。本文在對供應(yīng)鏈金融信用風險評價指標進行特征選擇的基礎(chǔ)上,采用一種動態(tài)變異的粒子群算法(DPSO)和AdaBoost算法對SVM進行協(xié)同優(yōu)化和集成,建立了Adaboost-DPSO-SVM模型,并將該模型應(yīng)用于我國新能源汽車行業(yè)供應(yīng)鏈金融信用風險評價中,實驗結(jié)果表明所建立的模型相對其他評價模型具有更好的分類識別性能。

摘要： 針對家用負荷提出了一種使用智能電表進行數(shù)據(jù)采集的非侵入式負荷在線識別方法。該方法使用智能電表計算出負荷的差量特征向量預先建立特征庫,訓練以決策樹作為弱分類器的AdaBoost分類器模型,利用負荷投切時電表的告警信息中包含的特征向量進行分類以實現(xiàn)負荷在線識別,實時性好且提高了單一決策樹模型的識別效果。實驗結(jié)果證明了該方法的可行性,實現(xiàn)了負荷使用信息的獲取,具有較好的實際應(yīng)用價值。

摘要： 視頻監(jiān)控中出入口人數(shù)統(tǒng)計的難點在于人流密集時對每個人體的準確分割。針對此問題，本文通過學習的方法得到人頭檢測的分類器，并在垂直拍攝圖像中提取人頭候選區(qū)域，以分離相互靠近的人體目標。進而根據(jù)人頭的運動特征剔除靜止誤檢區(qū)域，根據(jù)誤檢目標檢測頻率低及其響應(yīng)位置不連續(xù)的特征剔除動態(tài)誤檢區(qū)域。最后提出一種簡易可行的過線跟蹤方案以完成計數(shù)。實驗中對雙向同時過線，搬貨物過線和光照發(fā)生變化時過線的視頻進行測試，正確率能夠達到95%以上。

摘要： 視頻監(jiān)控中出入口人數(shù)統(tǒng)計的難點在于人流密集時對每個人體的準確分割。針對此問題，本文通過學習的方法得到人頭檢測的分類器，并在垂直拍攝圖像中提取人頭候選區(qū)域，以分離相互靠近的人體目標。進而根據(jù)人頭的運動特征剔除靜止誤檢區(qū)域，根據(jù)誤檢目標檢測頻率低及其響應(yīng)位置不連續(xù)的特征剔除動態(tài)誤檢區(qū)域。最后提出一種簡易可行的過線跟蹤方案以完成計數(shù)。實驗中對雙向同時過線，搬貨物過線和光照發(fā)生變化時過線的視頻進行測試，正確率能夠達到95%以上。

摘要： 視頻監(jiān)控中出入口人數(shù)統(tǒng)計的難點在于人流密集時對每個人體的準確分割。針對此問題，本文通過學習的方法得到人頭檢測的分類器，并在垂直拍攝圖像中提取人頭候選區(qū)域，以分離相互靠近的人體目標。進而根據(jù)人頭的運動特征剔除靜止誤檢區(qū)域，根據(jù)誤檢目標檢測頻率低及其響應(yīng)位置不連續(xù)的特征剔除動態(tài)誤檢區(qū)域。最后提出一種簡易可行的過線跟蹤方案以完成計數(shù)。實驗中對雙向同時過線，搬貨物過線和光照發(fā)生變化時過線的視頻進行測試，正確率能夠達到95%以上。

摘要： 視頻監(jiān)控中出入口人數(shù)統(tǒng)計的難點在于人流密集時對每個人體的準確分割。針對此問題，本文通過學習的方法得到人頭檢測的分類器，并在垂直拍攝圖像中提取人頭候選區(qū)域，以分離相互靠近的人體目標。進而根據(jù)人頭的運動特征剔除靜止誤檢區(qū)域，根據(jù)誤檢目標檢測頻率低及其響應(yīng)位置不連續(xù)的特征剔除動態(tài)誤檢區(qū)域。最后提出一種簡易可行的過線跟蹤方案以完成計數(shù)。實驗中對雙向同時過線，搬貨物過線和光照發(fā)生變化時過線的視頻進行測試，正確率能夠達到95%以上。

摘要： 視頻監(jiān)控中出入口人數(shù)統(tǒng)計的難點在于人流密集時對每個人體的準確分割。針對此問題，本文通過學習的方法得到人頭檢測的分類器，并在垂直拍攝圖像中提取人頭候選區(qū)域，以分離相互靠近的人體目標。進而根據(jù)人頭的運動特征剔除靜止誤檢區(qū)域，根據(jù)誤檢目標檢測頻率低及其響應(yīng)位置不連續(xù)的特征剔除動態(tài)誤檢區(qū)域。最后提出一種簡易可行的過線跟蹤方案以完成計數(shù)。實驗中對雙向同時過線，搬貨物過線和光照發(fā)生變化時過線的視頻進行測試，正確率能夠達到95%以上。

摘要： 隨著DSP技術(shù)的飛速發(fā)展，其運算速度和運算精度不斷地提高，系統(tǒng)功能、數(shù)據(jù)處理能力以及與外部設(shè)備的通信功能不斷地增強，完全可以利用DSP進行圖像識別系統(tǒng)的開發(fā)。該文章提出了基于TI系列TMS320DM642的快速人臉檢測系統(tǒng)的設(shè)計方案，降低了系統(tǒng)成本，簡化了硬件系統(tǒng)的設(shè)計，縮短了設(shè)計周期。首先簡要介紹了人臉識別算法的本原理，并選擇實用的有效特征，針對算法實現(xiàn)原理提出了相應(yīng)的硬件平臺設(shè)計方案，闡述了各個單元的功能，在設(shè)計的硬件系統(tǒng)上進行算法移植，實現(xiàn)嵌入式快速人臉識別系統(tǒng)的研制。最后，提出了系統(tǒng)的算法優(yōu)化方案，通過測試結(jié)果的分析，系統(tǒng)的性能大大改善。

摘要： 隨著DSP技術(shù)的飛速發(fā)展，其運算速度和運算精度不斷地提高，系統(tǒng)功能、數(shù)據(jù)處理能力以及與外部設(shè)備的通信功能不斷地增強，完全可以利用DSP進行圖像識別系統(tǒng)的開發(fā)。該文章提出了基于TI系列TMS320DM642的快速人臉檢測系統(tǒng)的設(shè)計方案，降低了系統(tǒng)成本，簡化了硬件系統(tǒng)的設(shè)計，縮短了設(shè)計周期。首先簡要介紹了人臉識別算法的本原理，并選擇實用的有效特征，針對算法實現(xiàn)原理提出了相應(yīng)的硬件平臺設(shè)計方案，闡述了各個單元的功能，在設(shè)計的硬件系統(tǒng)上進行算法移植，實現(xiàn)嵌入式快速人臉識別系統(tǒng)的研制。最后，提出了系統(tǒng)的算法優(yōu)化方案，通過測試結(jié)果的分析，系統(tǒng)的性能大大改善。

摘要： 隨著DSP技術(shù)的飛速發(fā)展，其運算速度和運算精度不斷地提高，系統(tǒng)功能、數(shù)據(jù)處理能力以及與外部設(shè)備的通信功能不斷地增強，完全可以利用DSP進行圖像識別系統(tǒng)的開發(fā)。該文章提出了基于TI系列TMS320DM642的快速人臉檢測系統(tǒng)的設(shè)計方案，降低了系統(tǒng)成本，簡化了硬件系統(tǒng)的設(shè)計，縮短了設(shè)計周期。首先簡要介紹了人臉識別算法的本原理，并選擇實用的有效特征，針對算法實現(xiàn)原理提出了相應(yīng)的硬件平臺設(shè)計方案，闡述了各個單元的功能，在設(shè)計的硬件系統(tǒng)上進行算法移植，實現(xiàn)嵌入式快速人臉識別系統(tǒng)的研制。最后，提出了系統(tǒng)的算法優(yōu)化方案，通過測試結(jié)果的分析，系統(tǒng)的性能大大改善。

摘要： 隨著DSP技術(shù)的飛速發(fā)展，其運算速度和運算精度不斷地提高，系統(tǒng)功能、數(shù)據(jù)處理能力以及與外部設(shè)備的通信功能不斷地增強，完全可以利用DSP進行圖像識別系統(tǒng)的開發(fā)。該文章提出了基于TI系列TMS320DM642的快速人臉檢測系統(tǒng)的設(shè)計方案，降低了系統(tǒng)成本，簡化了硬件系統(tǒng)的設(shè)計，縮短了設(shè)計周期。首先簡要介紹了人臉識別算法的本原理，并選擇實用的有效特征，針對算法實現(xiàn)原理提出了相應(yīng)的硬件平臺設(shè)計方案，闡述了各個單元的功能，在設(shè)計的硬件系統(tǒng)上進行算法移植，實現(xiàn)嵌入式快速人臉識別系統(tǒng)的研制。最后，提出了系統(tǒng)的算法優(yōu)化方案，通過測試結(jié)果的分析，系統(tǒng)的性能大大改善。

摘要： 本文首次將基于決策樹的AdaBoost算法引入到舌診分類中來.顏色和紋理是舌面信息中最為重要的兩項,本文首先運用PCA對特征進行了預處理.選擇基于CART的AdaBoost學習算法作為最終分類器,實驗結(jié)果表明,此方法對舌象二類分類具有很好的效果.

摘要： 本發(fā)明公開了一種基于AdaBoost算法的帕金森病凍結(jié)步態(tài)癥狀關(guān)鍵特征參數(shù)的語音分析方法。步驟一、采集帕金森病患者持續(xù)穩(wěn)定的元音，并記錄帕金森病患者是否有凍結(jié)步態(tài)癥狀；步驟二、對語音信號進行去噪預處理，并去除靜音片段；步驟三、提取多種語音特征；步驟四、利用CART算法對原始特征進行特征選擇，篩選出能夠有效表征凍結(jié)步態(tài)癥狀信息的關(guān)鍵特征；步驟五、訓練AdaBoost模型；步驟六、將待測語音的特征向量輸入模型，得到帕金森病凍結(jié)步態(tài)癥狀的關(guān)鍵特征參數(shù)。本發(fā)明使用AdaBoost算法來進行帕金森病凍結(jié)步態(tài)癥狀的分析，利用集成學習提高模型精度，降低了帕金森病凍結(jié)步態(tài)癥狀早期分析的成本。

摘要： 本申請的實施例提供了基于SAE?Adaboost的非預期故障診斷方法、裝置、設(shè)備和計算機可讀存儲介質(zhì)。所述方法包括獲取載體姿態(tài)數(shù)據(jù)；將所述載體姿態(tài)數(shù)據(jù)輸入至第一故障提取模型，得到故障類型集合；所述第一故障提取模型為SAE模型；將所述故障類型集合輸入至第二故障提取模型，得到非預期故障；所述第二故障提取模型為Adaboost模型。實現(xiàn)了對非預期故障的診斷。

摘要： 本發(fā)明提出了一種基于Adaboost的頭部定位方法，包括：第一步：使用攝像頭對頭部信息進行實時視頻采集；第二步：通過圖像處理模塊接收第一步中視頻采集頭部信息時傳輸?shù)膶崟r數(shù)據(jù)，對圖像進行預處理；第三步：使用基于Adaboost的方法進行頭部識別，借此，本發(fā)明具有實現(xiàn)對人體頭部進行定位的優(yōu)點。

摘要： 本發(fā)明涉及一種基于Adaboost?BP的電壓暫降類型辨識方法，屬于電能質(zhì)量檢測領(lǐng)域。依次包括電壓暫降域的計算，暫降事件電壓RMS波形特征提取，及基于Adaboost?BP的電壓暫降類型辨識算法；首先計算三相電壓數(shù)據(jù)的RMS波形，然后通過基于小波變換模極大值的暫降域確定方法，確定電壓暫降事件的暫降域。接著根據(jù)電壓暫降域的計算方法，計算暫降最嚴重相在暫降域內(nèi)的特征值，以四個特征值組成暫降波形的特征向量。將訓練樣本的特征向量輸入到Adaboost?BP分類模型中對模型進行訓練，訓練完成后再將測試樣本的特征向量輸入到訓練好的Adaboost?BP分類模型中進行測試。

摘要： 本發(fā)明公開了一種基于膚色聯(lián)合Adaboost算法的人臉檢測方法，包括：對人臉圖像進行預處理；建立新的顏色空間YCbCgCr；確定閾值模型以分割膚色和非膚色區(qū)域，得到初步的人臉檢測候選圖像；利用Adaboost算法訓練弱分類器，將不同訓練集中的弱分類器組合成強分類器，強分類器串聯(lián)成級聯(lián)分類器；利用訓練好的級聯(lián)分類器對選出的候選圖像進行第二次檢測，得到最終的檢測結(jié)果。本發(fā)明算法流程明確，能夠檢測輸入圖像中的側(cè)面或被遮擋的臉。

摘要： 本發(fā)明公開一種基于KNN和AdaBoost的鐵路事故類型預測方法，具體涉及，計算鐵路事故歷史數(shù)據(jù)集屬性的稀疏度，根據(jù)稀疏度閾值刪除部分屬性列；對鐵路事故數(shù)據(jù)中的字符型數(shù)據(jù)進行編碼；使用KNN算法對鐵路事故數(shù)據(jù)進行缺失值填補；對鐵路事故數(shù)據(jù)進行歸一化，歸一化后的數(shù)據(jù)隨機劃分為訓練集和測試集；使用AdaBoost方法，構(gòu)造鐵路事故類型預測分類器，在測試集上檢驗分類器性能。本發(fā)明公開的方法對鐵路事故數(shù)據(jù)進行了有效的預處理，并使用集成學習方法AdaBoost來緩解原始數(shù)據(jù)的類不平衡問題，提升了事故類型預測的性能。

摘要： 本發(fā)明公開了一種基于relieff特征選擇和BP_Adaboost算法的經(jīng)濟狀況不佳家庭預測分類模型，包括如下步驟：對數(shù)據(jù)集進行預處理、對數(shù)據(jù)集進行劃分、將訓練集的數(shù)據(jù)代入到相應(yīng)的算法中建立數(shù)學模型、把測試集中的數(shù)據(jù)通過建立好的數(shù)據(jù)模型進行分類預測、將數(shù)據(jù)模型預測的結(jié)果與真實標簽相比較，根據(jù)模型評估方法及原則對各個模型進行評估；本發(fā)明為工作者提供一個可視化的展示平臺，讓工作者清晰的了解到各個村鎮(zhèn)的經(jīng)濟狀況不佳家庭的教育水平、務(wù)工情況、勞動力水平、健康狀況、家庭住房情況等信息，通過及時走訪調(diào)查來遏制情況的惡化，系統(tǒng)結(jié)合GIS展示出到地圖上，并與圖表信息聯(lián)動，可以清晰的了解到整體局勢，避免大規(guī)模經(jīng)濟狀況不佳反復的情況發(fā)生。

摘要： 本發(fā)明公開了一種基于RF?Adaboost模型在異常水情數(shù)據(jù)中的診斷與插補方法，涉及水情監(jiān)測技術(shù)領(lǐng)域，該方法包括以下步驟：獲取實時水情數(shù)據(jù)，采用中值濾波對水情數(shù)據(jù)進行時間序列分析，繪制3?Sigma圖，基于3?Sigma圖對異常數(shù)據(jù)進行實時識別診斷；構(gòu)建基于隨機森林(RF)改進的Adaboost模型并訓練，應(yīng)用RF?Adaboost模型對水情監(jiān)測數(shù)據(jù)進行實時預測，并對異常數(shù)據(jù)進行插補，采用該方法可以有效提高水情監(jiān)測數(shù)據(jù)的實時預測和監(jiān)測，對于異常數(shù)據(jù)能夠及時診斷、插補，從而可以提高數(shù)據(jù)的可靠性、客觀反映水情變化、有效指導工程調(diào)度。

摘要： 本發(fā)明涉及一種基于改進的AdaBoost的乳腺癌生存預測方法，該方法包括以下步驟：數(shù)據(jù)輸入模塊、數(shù)據(jù)預處理模塊、AdaBoost訓練模塊、AdaBoost測試模塊、乳腺癌生存預測模塊，利用訓練好的AdaBoost模型作為最終應(yīng)用模型，用于乳腺癌的生存狀況預測。與現(xiàn)有的相關(guān)技術(shù)相比，本發(fā)明中AdaBoost算法中弱分類器的加權(quán)參數(shù)不但與錯誤率有關(guān)，還與其對正樣本的識別能力有關(guān)，改變?nèi)醴诸惼鞯臋?quán)重值，同時采用一種弱分類器相似度度量方式，對弱分類器進行選擇性集成，組合成強分類器，提高了分類的性能，提高了分類的性能。

摘要： 本發(fā)明公開了一種基于Adaboost?SVM的變壓器工況辨識方法，屬于變壓器狀態(tài)辨識技術(shù)領(lǐng)域。本發(fā)明包括在變電站采集變壓器工況原始數(shù)據(jù)集，根據(jù)環(huán)境溫度與負載情況劃分變壓器運行工況，選取環(huán)境溫度偏差率、變壓器負載電流和運行電壓3個參數(shù)構(gòu)建工況特征樣本u，基于所述變壓器運行工況及特征參數(shù)通過k?means聚類對特征樣本獲取工況類型標簽，訓練Adaboost?SVM分類模型，通過JS優(yōu)化算法尋取分類模型的最優(yōu)訓練參數(shù)，根據(jù)分類模型輸出結(jié)果確定變壓器工況類型，本發(fā)明能夠提升變壓器工況辨識的準確性，有利于提高現(xiàn)場檢修效率，降低事故風險。