CN110309771A - 一种基于gbdt-insgaii的eas声磁系统标签识别算法 - Google Patents
一种基于gbdt-insgaii的eas声磁系统标签识别算法 Download PDFInfo
- Publication number
- CN110309771A CN110309771A CN201910578275.6A CN201910578275A CN110309771A CN 110309771 A CN110309771 A CN 110309771A CN 201910578275 A CN201910578275 A CN 201910578275A CN 110309771 A CN110309771 A CN 110309771A
- Authority
- CN
- China
- Prior art keywords
- gbdt
- tag recognition
- data
- insgaii
- recognition algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000035772 mutation Effects 0.000 claims abstract description 16
- 230000000739 chaotic effect Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000002028 premature Effects 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 25
- 238000003066 decision tree Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000010353 genetic engineering Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GBDT‑INSGAII的EAS声磁系统标签识别算法。标签识别算法的主要步骤为：采用GBDT模型作为标签识别算法训练模型；对GBDT训练模型参数进行初始化；对声磁标签信号样本数据对进行数据预处理后分成两组；根据训练数据，采用INSGAⅡ算法对GBDT模型初始参数进行优化；将测试数据代入GBDT训练模型，计算误差，更新GBDT模型的参数值；满足训练结束条件后得到GBDT标签信号识别模型；将实测的标签信号数据经过预处理后。本发明采用的INSGAⅡ算法对较优的父代的变异操作中引入混沌变异算子，与传统NSGAⅡ相比，加快了收敛速度，并且防止了局部早熟收敛；本发明提出基于GBDT‑INSGAII的EAS系统标签识别算法提高了灵敏度、检测距离，降低了误报率，并且可以满足系统实时检测的要求。
Description
技术领域
本发明涉及一种EAS声磁系统标签识别算法，特别是一种基于GBDT-INSGAII的EAS声磁系统标签识别算法。
背景技术
GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple AdditiveRegression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。
GBDT中的树是回归树（不是分类树），GBDT用来做回归预测，调整后也可以用于分类。GBDT的思想使其具有天然优势可以发现多种有区分性的特征以及特征组合。业界中，Facebook使用其来自动发现有效的特征、特征组合，来作为LR模型中的特征，以提高 CTR预估（Click-Through Rate Prediction）的准确性；GBDT在淘宝的搜索及预测业务上也发挥了重要作用。
NSGAII适合应用于复杂的、多目标优化问题。是K-Deb教授于2002在论文：A FastandElitist Multi-objectiveGeneticAlgorithm:NSGA-II中提出。在论文中提出的NSGA-II解决了NSGA的主要缺陷，实现快速、准确的搜索性能。NSGA-II（带精英策略的快速非支配排序遗传算法），是基于遗传算法的多目标优化算法，是基于pareto最优解讨论的多目标优化。NSGA-Ⅱ是目前最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。
发明内容
为了克服现有技术的不足，本发明的提供了一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，且该算法具有灵敏度高、检测距离远和误报率低等优势。
本发明解决其技术问题所采用的技术方案是：一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，包括如下步骤：
步骤1. 确定GBDT模型作为标签识别的训练模型；
步骤2. 对GBDT模型的参数值进行初始化；
步骤3. 对样本数据进行预处理，并将处理后的数据分成两组：训练数据和测试数据；
步骤4. 根据INSGAⅡ算法对GBDT初始参数进行优化，优化输出的结果作为GBDT的最优初始参数，得到GBDT声磁信号训练模型；
步骤5. 采用测试数据学习更新模型参数值，得到EAS声磁系统的GBDT标签识别模型；
步骤6. 对实测标签信号进行预处理，输入到GBDT识别模型，模型输出作为报警判断依据。
所述步骤1的具体过程为：采用GBDT作为数据的训练模型，基分类器为分类回归树（CART），模型包含最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数4个参数。
所述步骤2的具体过程为：采用随机生成小的随机数对最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数4个参数进行初始化。
所述步骤3的具体过程为：EAS声磁系统标签信号具有58kHz特征，根据这一特征本发明采用滑动均值滤波的方法对标签样本数据进行降噪处理，窗口数设置为12；处理后的数据前80%作为训练数据，后20%作为测试数据。
所述步骤4的具体过程为：
步骤4.1 用GBDT的初始化参数即最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数作为INSGA-Ⅱ的染色体进行编码；
步骤4.2 设标签样本信号为：
步骤4.3 进行GBDT训练，在每一次迭代中，后一个弱学习器的训练是拟合前一个弱学习器的残差，且沿着最大梯度下降的方向。在第m步梯度提升时根据伪残差数据计算决策树。令树的叶节点数目为J，即树将输入空间划分为J个不相交区域，并且决策树可以在每个区域中给出某个类型的确定性预测。使用指示记号，对于输入x，为：
其中，是样本x在区域的预测值；
步骤4.4、对标签信号进行二元分类处理：
a.初始化弱学习器：
;
b.对每个样本i=1,2,...,N计算负梯度，即残差：
，；
c.将上步得到的残差作为样本新的真实值，并将数据，i=1,2,..N作为下棵树的训练数据，得到一颗新的回归树其对应的叶子节点区域为，j=1,2,...,J。其中J为回归树t的叶子节点的个数；
d.对叶子区域j=1,2,...,J，求取最佳拟合值
e.更新强学习器：；
最终得到训练集和二元分类的输出；
步骤4.5 由GBDT梯度提升树训练得到的负梯度即残差进行非支配排序并作为目标函数间的拥挤度值；
步骤4.6 根据INSGAⅡ算法进行遗传操作，联赛选择、交叉，对较优的父代的变异操作中引入混沌变异算子，混沌运动的范围为优化变量的取值范围；
步骤4.7 结合父代和子代种群，进行快速非支配排序和虚拟拥挤度距离计算；
步骤4.8 选出前N个个体，产生父代种群Pt+1;
步骤4.9 判断是否达到最大迭代次数；当达到最大迭代次数的要求时，采用模糊隶属度决策法，得到帕累托最优解集，输出Pareto：最大特征数、决策树最大深度及叶子节点最小样本数，当未达到最大迭代次数时，返回INSGAⅡ算法继续进行遗传操作。
所述步骤5的具体过程为：
步骤5.1 采用测试数据计算残差，将得到的残差作为样本新的真实值，并将数据，i=1,2,..N作为下棵树的训练数据，得到一颗新的回归树其对应的叶子节点区域为，j=1,2,...,J。其中J为回归树t的叶子节点的个数。对叶子区域j=1,2,...,J，求取最佳拟合值
步骤5.2、GBDT更新强学习器：；
最终得到训练集和二元分类的输出。
所述步骤6的具体过程为：
步骤6.1 将实测标签信号采用滑动均值滤波预处理，窗口数设置为12；
步骤6.2 处理后的数据输入到GBDT识别模型，模型输出作为报警判断依据。
对较优的父代的变异操作中引入混沌变异算子，混沌运动的范围为优化变量的取值范围，与传统的NSGAII相比，加快了收敛速度，并且防止了局部早熟收敛。
通过一代代不断进化，得到帕累托最优解集，最后采用隶属度函数求解出最优折中参数值，形成最终的GBDT标签信号检测模型。
本发明的有益效果是，提出的EAS系统标签识别算法中对NSGAII进行了改进，即对较优的父代的变异操作中引入混沌变异算子，混沌运动的范围为优化变量的取值范围，与传统的NSGAII相比，加快了收敛速度，并且防止了局部早熟收敛，提出的EAS系统标签识别算法能够通过达到最大迭代次数，使输出函数收敛。通过一代代不断进化，得到帕累托最优解集，最后采用隶属度函数求解出最优折中参数值，形成最终的GBDT标签信号检测模型。提出的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，将一种改进带精英策略的非支配排序遗传算法（INSGAⅡ）与梯度提升树（GBDT）相结合，并提出了多类型控制变量的方式，由GBDT梯度提升树训练得到的负梯度即残差进行非支配排序并作为目标函数间的拥挤度值，增强算法的全局搜索能力。从而提高了灵敏度、检测距离，降低了误报率，并且可以满足系统实时检测的要求。
附图说明
图1为本发明的算法流程图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例提出了一种基于GBDT-INSGAII的EAS声磁系统标签识别算法。将一种改进带精英策略的非支配排序遗传算法（INSGAⅡ）与梯度提升树（GBDT）相结合，并提出了多类型控制变量的方式，由GBDT梯度提升树训练得到的负梯度即残差进行非支配排序并作为目标函数间的拥挤度值，增强算法的全局搜索能力。
实施例的具体实施如下：
如图1所示，一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，包括以下步骤：
本发明的目的是提供一种基于GBDT-INSGA-的EAS声磁系统标签识别算法，且该算法具有灵敏度高、检测距离远和误报率低等优势。
本发明的目的是这样实现的，包括如下步骤：
步骤1. 确定GBDT模型作为标签识别的训练模型；
步骤2. 对GBDT模型参数进行初始化；
步骤3. 对样本数据进行预处理，并将处理后的数据分成两组：训练数据和测试数据；
步骤4. 根据INSGAⅡ算法对GBDT初始参数进行优化，优化输出的结果作为GBDT的最优初始参数，得到GBDT声磁信号训练模型；
步骤5. 采用测试数据学习更新模型参数值，得到EAS声磁系统GBDT标签识别模型；
步骤6. 对实测标签信号进行预处理，输入到GBDT识别模型，模型输出作为报警判断依据。
在上述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，步骤1的实现包括：采用GBDT作为数据的训练模型，基分类器为分类回归树（CART），模型的参数包括最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数4个。
在上述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，步骤2的实现包括：采用随机生成小的随机数对最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数4个参数进行初始。
在上述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，步骤3的实现包括：EAS声磁系统标签信号具有58kHz特征，根据这一特征本发明采用滑动均值滤波的方法对标签样本数据进行降噪处理，窗口数设置为12；处理后的数据前80%作为训练数据，后20%作为测试数据。
在上述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，所述步骤4的具体实现包括以下步骤：
步骤4.1 用GBDT初始化参数包括最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数作为INSGA-Ⅱ的染色体进行编码；
步骤4.2 设标签样本信号为：
.
步骤4.3 进行GBDT训练，在每一次迭代中，后一个弱学习器的训练是拟合前一个弱学习器的残差，且沿着最大梯度下降的方向。在第m步梯度提升是根据伪残差数据计算决策树。令树的叶节点数目为J，即树将输入空间划分为J个不相交区域，并且决策树可以在每个区域中给出某个类型的确定性预测。使用指示记号，对于输入x，为：
其中，是样本x在区域的预测值；
步骤4.4、对标签信号进行二元分类处理：
a.初始化弱学习器：
;
b.对每个样本i=1,2,...,N计算负梯度，即残差：
，；
c.将上步得到的残差作为样本新的真实值，并将数据，i=1,2,..N作为下棵树的训练数据，得到一颗新的回归树其对应的叶子节点区域为，j=1,2,...,J。其中J为回归树t的叶子节点的个数；
d.对叶子区域j=1,2,...,J，求取最佳拟合值
e.更新强学习器：；
最终得到训练集和二元分类的输出；
步骤4.5 由GBDT梯度提升树训练得到的负梯度即残差进行非支配排序并作为目标函数间的拥挤度值；
步骤4.6 根据INSGA-Ⅱ算法进行遗传操作，联赛选择、交叉，对较优的父代的变异操作中引入混沌变异算子，混沌运动的范围为优化变量的取值范围；
步骤4.7 结合父代和子代种群，进行快速非支配排序和虚拟拥挤度距离计算；
步骤4.8 选出前N个个体，产生父代种群Pt+1;
步骤4.9 判断是否达到最大迭代次数；当达到最大迭代次数的要求时，采用模糊隶属度决策法，得到帕累托最优解集，输出Pareto：最大特征数、决策树最大深度及叶子节点最小样本数，当未达到最大迭代次数时，返回INSGA-Ⅱ算法继续进行遗传操作。
在上述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，所述步骤5的具体实现包括以下步骤：
步骤5.1 采用测试数据计算残差，将得到的残差作为样本新的真实值，并将数据，i=1,2,..N作为下棵树的训练数据，得到一颗新的回归树其对应的叶子节点区域为，j=1,2,...,J。其中J为回归树t的叶子节点的个数。对叶子区域j=1,2,...,J，求取最佳拟合值
步骤5.2、GBDT更新强学习器：；
最终得到训练集和二元分类的输出。
在上述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，所述步骤6的具体实现包括以下步骤：
步骤6.1 将实测标签信号采用滑动均值滤波预处理，窗口数设置为12；
步骤6.2 处理后的数据输入到GBDT识别模型，模型输出作为报警判断依据。
本发明提出的EAS系统标签识别算法对较优的父代的变异操作中引入混沌变异算子，混沌运动的范围为优化变量的取值范围，与相比传统的NSGA-II，加快了收敛速度，并且防止了局部早熟收敛。
本发明提出的EAS系统标签识别算法能够通过达到最大迭代次数，使输出函数收敛。通过一代代不断进化，得到帕累托最优解集，最后采用隶属度函数求解出最优折中参数值，形成最终的GBDT标签信号检测模型。
本发明提出的EAS系统标签识别算法提高了灵敏度、检测距离，降低了误报率，并且可以满足系统实时检测的要求。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，包括如下步骤：
步骤1. 确定GBDT模型作为标签识别的训练模型；
步骤2. 对GBDT模型的参数值进行初始化；
步骤3. 对样本数据进行预处理，并将处理后的数据分成两组：训练数据和测试数据；
步骤4. 根据INSGAⅡ算法对GBDT初始参数进行优化，优化输出的结果作为GBDT的最优初始参数，得到GBDT声磁信号训练模型；
步骤5. 采用测试数据学习更新模型参数值，得到EAS声磁系统的GBDT标签识别模型；
步骤6. 对实测标签信号进行预处理，输入到GBDT识别模型，模型输出作为报警判断依据。
2.根据权利要求1所述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，所述步骤1的具体过程为：采用GBDT作为数据的训练模型，基分类器为分类回归树（CART），模型包含最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数4个参数。
3.根据权利要求1所述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，所述步骤2的具体过程为：采用随机生成小的随机数对最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数4个参数进行初始化。
4.根据权利要求1所述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，所述步骤3的具体过程为：EAS声磁系统标签信号具有58kHz特征，根据这一特征本发明采用滑动均值滤波的方法对标签样本数据进行降噪处理，窗口数设置为12；处理后的数据前80%作为训练数据，后20%作为测试数据。
5.根据权利要求1所述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，所述步骤4的具体过程为：
步骤4.1 用GBDT的初始化参数即最大特征数、决策树最大深度、内部节点再划分所需最小样本数及叶子节点最小样本数作为INSGA-Ⅱ的染色体进行编码；
步骤4.2 设标签样本信号为：
步骤4.3 进行GBDT训练，在每一次迭代中，后一个弱学习器的训练是拟合前一个弱学习器的残差，且沿着最大梯度下降的方向；在第m步梯度提升时根据伪残差数据计算决策树；令树的叶节点数目为J，即树策树可以在每个区域中给出某个类型的确定性预测；使用指示记号，对于输入x，为：
其中，是样本x在区域的预测值；
步骤4.4、对标签信号进行二元分类处理：
a.初始化弱学习器：；
b.对每个样本i=1,2,...,N计算负梯度，即残差：，；
c.将上步得到的残差作为样本新的真实值，并将数据，i=1,2,..N作为下棵树的训练数据，得到一颗新的回归树其对应的叶子节点区域为，j=1,2,...,J；其中J为回归树t的叶子节点的个数；
d.对叶子区域j=1,2,...,J，求取最佳拟合值
e.更新强学习器：；
最终得到训练集和二元分类的输出；
步骤4.5 由GBDT梯度提升树训练得到的负梯度即残差进行非支配排序并作为目标函数间的拥挤度值；
步骤4.6 根据INSGAⅡ算法进行遗传操作，联赛选择、交叉，对较优的父代的变异操作中引入混沌变异算子，混沌运动的范围为优化变量的取值范围；
步骤4.7 结合父代和子代种群，进行快速非支配排序和虚拟拥挤度距离计算；
步骤4.8 选出前N个个体，产生父代种群Pt+1;
步骤4.9 判断是否达到最大迭代次数；当达到最大迭代次数的要求时，采用模糊隶属度决策法，得到帕累托最优解集，输出Pareto：最大特征数、决策树最大深度及叶子节点最小样本数，当未达到最大迭代次数时，返回INSGAⅡ算法继续进行遗传操作。
6.根据权利要求1所述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，所述步骤5的具体过程为：
步骤5.1 采用测试数据计算残差，将得到的残差作为样本新的真实值，并将数据，i=1,2,..N作为下棵树的训练数据，得到一颗新的回归树其对应的叶子节点区域为，j=1,2,...,J；其中J为回归树t的叶子节点的个数；对叶子区域j=1,2,...,J，求取最佳拟合值：
步骤5.2、GBDT更新强学习器：；
最终得到训练集和二元分类的输出。
7.根据权利要求1所述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，所述步骤6的具体过程为：
步骤6.1 将实测标签信号采用滑动均值滤波预处理，窗口数设置为12；
步骤6.2 处理后的数据输入到GBDT识别模型，模型输出作为报警判断依据。
8.根据权利要求1所述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，对较优的父代的变异操作中引入混沌变异算子，混沌运动的范围为优化变量的取值范围，与传统的NSGAII相比，加快了收敛速度，并且防止了局部早熟收敛。
9.根据权利要求1所述的一种基于GBDT-INSGAII的EAS声磁系统标签识别算法，其特征在于，通过一代代不断进化，得到帕累托最优解集，最后采用隶属度函数求解出最优折中参数值，形成最终的GBDT标签信号检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910578275.6A CN110309771B (zh) | 2019-06-28 | 2019-06-28 | 一种基于gbdt-insgaii的eas声磁系统标签识别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910578275.6A CN110309771B (zh) | 2019-06-28 | 2019-06-28 | 一种基于gbdt-insgaii的eas声磁系统标签识别算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110309771A true CN110309771A (zh) | 2019-10-08 |
| CN110309771B CN110309771B (zh) | 2023-03-24 |
Family
ID=68078484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910578275.6A Active CN110309771B (zh) | 2019-06-28 | 2019-06-28 | 一种基于gbdt-insgaii的eas声磁系统标签识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309771B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929451A (zh) * | 2019-10-24 | 2020-03-27 | 同济大学 | 一种燃料电池单体电压一致性预测方法 |
| CN111461350A (zh) * | 2020-04-08 | 2020-07-28 | 西安交通大学 | 一种基于非线性集成模型的预测数据错误风险方法 |
| CN111724355A (zh) * | 2020-06-01 | 2020-09-29 | 厦门大学 | 一种鲍鱼体型参数的图像测量方法 |
| CN112001305A (zh) * | 2020-08-21 | 2020-11-27 | 西安交通大学 | 基于梯度提升决策树的特征优化ssvep异步识别方法 |
| CN112419086A (zh) * | 2020-11-18 | 2021-02-26 | 贵州电网有限责任公司 | 一种基于调控数据分析的故障研判方法 |
| CN112950231A (zh) * | 2021-03-19 | 2021-06-11 | 广州瀚信通信科技股份有限公司 | 一种基于XGBoost算法的异常用户识别方法、设备及计算机可读存储介质 |
| WO2021221829A1 (en) * | 2020-04-30 | 2021-11-04 | Sensormatic Electronics, LLC | Evolutionary algorithm based machine learning applied to electronic article surveillance tag detection |
| US12001963B2 (en) | 2021-03-19 | 2024-06-04 | Sensormatic Electronics, LLC | Facilitating ML algorithm contribution to use cases where data is prohibitive |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018107488A1 (zh) * | 2016-12-16 | 2018-06-21 | 深圳大学 | 基于提升直觉模糊树的目标跟踪方法及装置 |
| CN109634121A (zh) * | 2018-12-28 | 2019-04-16 | 浙江工业大学 | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 |
| CN109767759A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 基于改进型cldnn结构的端到端语音识别方法 |
-
2019
- 2019-06-28 CN CN201910578275.6A patent/CN110309771B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018107488A1 (zh) * | 2016-12-16 | 2018-06-21 | 深圳大学 | 基于提升直觉模糊树的目标跟踪方法及装置 |
| CN109634121A (zh) * | 2018-12-28 | 2019-04-16 | 浙江工业大学 | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 |
| CN109767759A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 基于改进型cldnn结构的端到端语音识别方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929451A (zh) * | 2019-10-24 | 2020-03-27 | 同济大学 | 一种燃料电池单体电压一致性预测方法 |
| CN111461350A (zh) * | 2020-04-08 | 2020-07-28 | 西安交通大学 | 一种基于非线性集成模型的预测数据错误风险方法 |
| WO2021221829A1 (en) * | 2020-04-30 | 2021-11-04 | Sensormatic Electronics, LLC | Evolutionary algorithm based machine learning applied to electronic article surveillance tag detection |
| CN111724355A (zh) * | 2020-06-01 | 2020-09-29 | 厦门大学 | 一种鲍鱼体型参数的图像测量方法 |
| CN111724355B (zh) * | 2020-06-01 | 2022-06-14 | 厦门大学 | 一种鲍鱼体型参数的图像测量方法 |
| CN112001305A (zh) * | 2020-08-21 | 2020-11-27 | 西安交通大学 | 基于梯度提升决策树的特征优化ssvep异步识别方法 |
| CN112001305B (zh) * | 2020-08-21 | 2022-08-05 | 西安交通大学 | 基于梯度提升决策树的特征优化ssvep异步识别方法 |
| CN112419086A (zh) * | 2020-11-18 | 2021-02-26 | 贵州电网有限责任公司 | 一种基于调控数据分析的故障研判方法 |
| CN112950231A (zh) * | 2021-03-19 | 2021-06-11 | 广州瀚信通信科技股份有限公司 | 一种基于XGBoost算法的异常用户识别方法、设备及计算机可读存储介质 |
| US12001963B2 (en) | 2021-03-19 | 2024-06-04 | Sensormatic Electronics, LLC | Facilitating ML algorithm contribution to use cases where data is prohibitive |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110309771B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309771A (zh) | 一种基于gbdt-insgaii的eas声磁系统标签识别算法 | |
| US11816183B2 (en) | Methods and systems for mining minority-class data samples for training a neural network | |
| He et al. | XBART: Accelerated Bayesian additive regression trees | |
| CN109784091B (zh) | 一种融合差分隐私gan和pate模型的表格数据隐私保护方法 | |
| Xue et al. | Particle swarm optimization for feature selection in classification: A multi-objective approach | |
| CN103729678B (zh) | 一种基于改进dbn模型的水军检测方法及系统 | |
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| Pirlo et al. | Fuzzy-zoning-based classification for handwritten characters | |
| CN110751121B (zh) | 基于聚类与sofm的无监督雷达信号分选方法 | |
| CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
| CN102024179A (zh) | 一种基于半监督学习的ga-som聚类方法 | |
| Oliveira et al. | Feature selection for ensembles: A hierarchical multi-objective genetic algorithm approach | |
| CN112132262B (zh) | 基于可解释模型的循环神经网络后门攻击检测方法 | |
| CN110569883B (zh) | 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法 | |
| CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
| CN109145960A (zh) | 基于改进粒子群算法的数据特征选择方法及系统 | |
| CN104463221A (zh) | 适用于支持向量机训练的不平衡样本加权方法 | |
| CN107195297A (zh) | 一种融合数据归一化的自适应变异鸟群语音识别系统 | |
| Zhu et al. | A novel simple visual tracking algorithm based on hashing and deep learning | |
| Zhang et al. | Radar signal recognition based on TPOT and LIME | |
| Oliveira et al. | Improving cascading classifiers with particle swarm optimization | |
| Liu et al. | Swarm intelligence for classification of remote sensing data | |
| CN112564834B (zh) | 一种面向无线通信系统的智能认知与干扰方法及系统 | |
| CN114550283A (zh) | 基于改进支持向量机的无线网信号动作识别系统及方法 | |
| CN106529577A (zh) | 一种AdaBoost算法中弱分类器的同步选取、加权、排序方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Label Recognition Algorithm for EAS Acoustic Magnetic System Based on GBDT-INSGAII Granted publication date: 20230324 Pledgee: Nanjing Bank Co.,Ltd. Nanjing North Branch Pledgor: Nanjing Fenghu Electronics Co.,Ltd. Registration number: Y2024980017362 |