LightGBM混合模型在乳腺癌诊断中的应用

乳腺癌是最常见的癌症种类之一,且患病率每年仍在上升。在不进行手术活检的情况下,通过分析细胞核的各项指标来预测肿块的良性与否,可以有效地为医生提供辅助诊疗并减少患者的痛苦。为此,提出了一种基于LightGBM算法的乳腺癌诊断模型。使用边界-合成少数类过采样算法（borderline-synthetic minority oversampling technique,Borderline-SMOTE）来改善乳腺癌确诊数据不平衡的问题。在麻雀搜索算法（sparrow search algorithm,SSA）中引入PWLCM混沌映射、全新的惯性权重和纵横交叉算法对其进行改进,再运用改进后的SSA算法对LightGBM的参数进行自动寻优。由于LightGBM对噪点较为敏感,所以提出了一种OVR-Jacobian正则化方法对LightGBM进行降噪处理。使用改进后的LightGBM混合模型对乳腺癌进行诊断。实验结果表明,提出的混合模型在均方误差、决定系数和交叉验证得分这三个指标上均优于常见的模型,显示出其较好的诊断效果。     

基于机器学习的风电场风速多模式集合预报

[目的]随着大量风电场的兴建,组合研究不同的机器学习算法和气象预报模式已成为研究焦点。[方法]文章以湖北省风能资源的空间分布特征为基础,通过选取代表站点结合实验数据分析对结果进行深入探讨。[结果]在湖北省,已建和在建的风电场主要集中在“三带一区”的区域,具体包括：位于湖北省中部,从荆门至荆州的南北向风带;位于鄂北,从枣阳至英山的东西向风带;部分湖岛和沿湖地带;以及鄂西南和鄂东南的部分高山地区。该研究采用4种不同的数值预报产品,包括CMA-WSP、CMA-GD、WHMM和EC,与实测风速对比深入探究这些数值模式的适用范围。[结论]通过分析基于机器学习的5种集合预报方法及均值法在湖北省各地区的表现确定了适合的算法和预报模式组合,为提高集合预报的准确性提供了参考。     

基于Xgboost和LightGBM算法预测住房月租金的应用分析

结合收集的住房月租金数据,通过合理处理异常缺失数据和设置多个数据集的预处理后,分别应用GBDT(Gradient Boosting Decision Tree)、Xgboost(eXtreme Gradient Boosting)和LightGBM三种机器学习模型对住房月租金进行预测。通过比较分析在不同数据集训练下的预测结果,发现Xgboost和LightGBM模型优于传统GBDT模型。同时发现影响住房月租金的关键因素主要包括房屋面积、小区所在商圈位置、房屋距离地铁的距离、房屋所在建筑的总楼层数和小区房屋出租数量等。预测模型及分析结果对住房租赁市场中住房租金价格的预测具有一定的参考价值。     

基于云计算的高校学生学业预警技术研究

基于公有云以及微信小程序平台开发了一套云计算的高校学生学业预警系统.首先设计了云计算模式下的学业预警系统架构,阐述了网络端-管-云的信息交互关系.在预测算法方面,综合采用了LightGBM梯度提升算法和统计学诊断算法优化设计了LightGBM的参数.然后,通过数据增强方法并利用真实数据集开展毕业状态分类的实验分析和预警系统测试.结果 表明,该技术的分类精度和计算效果高,且高等数学与毕业设计课程对毕业状态的影响度最高.目前,学生通过手机端就能提交成绩信息,也能够立即获得预警结果.     

基于CNN和LightGBM的新型风电功率预测模型

考虑到风力发电具有波动和不确定的特点,难以预测,文章提出了基于卷积神经网络和LightGBM算法相结合的新型风电功率预测模型.通过分析风电场与相邻风电场原始数据的时序特征,构建出新的特征集;应用卷积神经网络(CNN)从输入数据中提取信息,基于数据间的对比结果调整相应参数;为了提高预测结果的准确性和鲁棒性,将LightGBM分类算法加入模型中.对比所提模型与支持向量机以及单一的LightGBM和CNN模型仿真结果,证明所提模型具有更好的精度和相率.     

风电机组叶片故障仿真与状态判别研究

该文利用Bladed软件模拟叶片覆冰和破损故障,通过对比和分析风电机组叶片故障与正常时的运行数据,发现叶片故障状态时的机组运行参数变化特征;然后利用叶片振动信号,基于叶片工作模态分析理论识别出叶片模态参数,根据模态参数的变化揭示了两种故障对叶片振动影响的区别;最后将所识别的叶片模态参数与风电机组的运行参数组成多源数据,采用LightGBM框架下的分类决策树算法实现了对叶片故障状态的有效判断和识别。     

集成模糊层级划分的LightGBM食品安全风险预警模型：以肉制品为例

在食品安全风险管理中,风险点精确定位能从源头解决食品安全问题,对食品安全风险评估和预警具有关键意义。近年来,食品行业信息化的发展使得原料生产、加工、仓储运输、抽检等环节积累了大量数据,并亟待开发利用。而现存的风险预警方法存在风险细粒度难以衡量、数据利用率低、人工成本高等问题。因此,本研究首先对食品安全相关数据进行归纳分类并描述数据特征,作为后续处理的基础。为了充分利用食品安全数据海量、高维的特点,本研究使用先验风险概率与模糊层级划分相结合的方法对不同类型的属性计算模糊综合风险值,作为预测模型标签值。由LightGBM和专家干预策略结合产生的预测模型可对风险值进行预测和校正。基于此,依托肉制品和水产品数据的实验详细阐述了方法的使用流程,并进一步验证了方法优越性和规律合理性。研究中产出的风险分析结果,包括风险值和属性重要程度分布等可以为决策者提供有价值的决策依据。     

基于卷积神经网络与LightGBM的短期风电功率预测方法

考虑到风力发电存在的波动性和不确定性,提出一种基于卷积神经网络(CNN)和LightGBM相结合的风力发电机功率预测模型。先对相邻风电机组原始数据进行时序特征相关性分析,构建新的特征集;其次,应用CNN从输入数据中提取信息,并通过比较实际结果调整网络参数;再次,考虑到单一卷积模型在预测风电时的局限性,将LightGBM分类算法集成到模型中,从而提高预测的准确性和鲁棒性;最后,将提出的算法与已有的支持向量机、LightGBM、CNN进行仿真对比,结果表明所提出的融合模型具有更好的精度和效率。     

基于机器学习的回流焊焊点形貌预测

提出一种基于机器学习预测回流焊焊点形貌的方法,通过该方法建立一个针对钽电容回流焊焊点形貌的预测模型,该模型为现有实验方式提供了新的思路。通过峰值温度、降温速率和焊膏厚度3种影响因素以及焊点厚度、焊点宽度和焊料爬高3种评价焊点形貌的评价标准,分别基于BPNN和LightGBM算法建立钽电容回流焊焊点形貌预测模型。对比实验证明,通过LightGBM算法建立的预测模型优于通过BPNN建立的预测模型,并通过实际测试帮助实验人员减少实验次数,节约大量时间成本。