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。     

基于LightGBM-IndRNN模型的现货市场日前电价预测

日前电价的准确预测对保障电力市场参与者的利益具有重要意义。针对高比例新能源参与现货市场交易导致日前电价预测难度加大的问题，提出一种基于轻型梯度提升机(LightGBM)的独立循环神经网络(IndRNN)日前电价预测方法。首先，使用LightGBM算法计算特征的重要性得分，根据计算值排序提取出重要特征；然后，将筛选得到的新数据集作为输入，运用IndRNN神经网络对其进行训练，从而实现对日前电价的预测；最后，采用北欧电力交易所Nord Pool的数据进行仿真分析。实验结果表明，所提算法与传统预测模型相比，充分考虑了新能源出力不确定性对日前电价的影响，有效提高了预测的准确性。     

基于多视图半监督集成学习的人体动作识别算法

移动设备上难以获取大量标签样本，而训练不足导致分类模型在人体动作识别上表现欠佳。针对这一问题，提出一种基于多视图半监督集成学习的人体动作识别算法。首先，利用两种内置传感器收集的数据构建两个特征视图，将两个视图和两种基分类器进行组合构建协同学习框架；然后，根据多分类任务重新定义置信度，结合主动学习思想在迭代过程中控制预测伪标签结果；使用LightGBM对扩充后的训练集进行学习。实验结果表明，算法的精确率、召回率和F1值较高，能稳定、准确地识别多种人体动作。     

基于多机器学习模型的变电站调试检修自动测试方法研究

为了提高变电站调试检修自动测试方法的智能水平,减少人工运维调试工作,提出一种构建LightGBM机器学习模型对变电站调试检修自动测试结果进行智能分析的方法。首先,构建LightGBM机器学习模型并对其进行参数调优和训练;然后采用变电站调试检修自动测试获取的数据对LightGBM机器学习模型进行测试;同时,构建XGBoost机器学习模型作为实验对照组,采用同样的实验方法对其进行训练与测试;最后,对比两种机器学习模型的综合性能。实验结果表明：LightGBM机器学习模型的拟合效果更好;XGBoost机器学习模型对自动检测方法故障类别预测出错数据的分析正确率最高为90.1%;而LightGBM机器学习模型的判断正确率维持在95%以上,最高达到了96.9%。可知在对变电站调试检修自动测试结果进行智能分析时,选择的LightGBM机器学习模型都更加适合,性能更稳定,能够实现提高变电站调试检修自动测试方法智能水平的目的。     

基于融合机器学习算法的网络入侵检测与定位技术

针对传统的网络入侵检测系统中存在的漏报、误报率较高的问题，文中提出一种基于融合机器学习算法的网络入侵检测与定位技术。该技术方案的核心算法由PCA、DCNN以及LightGBM组成，针对网络流量数据维度高的特点，使用PCA进行主动降维，并通过DCNN模型对降维后的数据加以训练。针对分类模型LightGBM存在边缘数据检测精度较低的问题，利用损失函数对其进行权重改进，从而提高算法的准确率和执行效率。实验与测试结果表明，所提方法的多项指标均优于基础算法LightGBM，可实现对网络入侵的有效检测与定位。与GAN、LSTM、SVM、RF以及CNN算法的横向对比实验结果表明，所提算法对5类数据的分类准确率分别为99.1%、98.5%、93.3%、88.9%和84.9%，均优于对比算法，验证了其综合性能的优越性。     

基于LightGBM算法的5G套餐的潜客识别

为了在大样本(百万级别)、高纬度的数据背景下,降低识别5G套餐潜在客户的建模成本,提高模型的精度和效率问题,提出了一种基于LightGBM集成算法为基础的5G套餐潜客识别方法.首先进行大规模的数据清洗;然后根据业务理解构建特征工程;最后将XGBboost、GBDT、LightGBM三种算法进行建模对比.实验结果表明,在...     

基于异常值识别的计量小区短期需水量预测

需水量预测是进行水资源调配、节能降耗和降低管网水龄的关键问题。现有需水量预测研究主要对预测模型进行改进,而忽视了对预测准确性至关重要的预处理步骤,如异常值处理,限制了预测模型的精度。为此,建立基于密度的局部离群因子模型(local outlier factor, LOF)对需水量数据中的异常值进行识别及矫正,并将其与一种新兴的高精度、高效率梯度提升树算法(light gradient boosting machine, LightGBM)结合,形成组合需水量预测模型(LOF+LightGBM)。通过实际案例进行模型性能测试,结果表明,相比基于原始数据的预测模型,基于经过LOF模型处理后的需水量数据进行预测的模型均方根误差平均降低10%。LightGBM模型在不同数据集上的绝对平均误差比人工神经网络和支持向量机平均降低了24.7%。整体上,LOF+LightGBM表现最佳预测性能,3个计量小区(district metered area, DMA)的纳什效率系数分别为0.886、0.951、0.942。所有模型训练及预测时间均小于0.7 s。无论是LOF模型、LightGBM模型还是LO...     

基于Stacking集成结构的钓鱼网站识别

快速且高效地识别钓鱼网站是非常有必要的，可以帮助人们有效避免钓鱼网站引起的网络安全威胁。提出一种基于Stacking集成模型对钓鱼网站进行识别的模型。首先对数据预处理，再利用XGBoost算法进行最优特征集筛选，建立单一模型和Stacking集成模型，同时使用分层交叉验证和网格搜索对算法参数进行调节。实验结果表明，基于Stacking集成结构对钓鱼网站的识别准确率达到了97.96%,AUC值为0.9801，该方法相比其他单一分类器具有更高的识别能力。     

基于混合策略改进的LightGBM土壤污染预测模型

社会经济快速发展，然而土壤污染中重金属污染所占的比例越来越大，对生态环境和人们的生命健康造成了巨大的威胁。针对以上问题，提出一种基于混合策略改进的土壤重金属污染预测模型，即先采用随机森林选出最优特征子集，再利用随机搜索对LightGBM参数进行优化，最后通过训练得到的LightGBM模型预测土壤的内梅罗综合污染指数，从而得出土壤重金属污染状况。以我国华北平原的某区域为研究区，并与RS LightGBM、LightGBM、SVR模型的预测结果进行对比。结果表明，所提模型的均方误差、平均绝对误差相比于LightGBM模型分别降低了6909%、3909%，决定系数相比于LightGBM模型提高了611%。上述结果表明本论文提出的模型可以有效应用于土壤重金属污染预测研究中。     

基于静态特征融合的恶意软件分类方法

针对现有恶意软件分类方法融合的静态特征维度高、特征提取耗时、Boosting算法对大量高维特征样本串行训练时间长的问题,提出一种基于静态特征融合的分类方法。提取原文件和其反编译的Lst文件的灰度图像素特征、原文件的结构特征和Lst文件的内容特征,对特征融合和分类。在训练集采样时启用GOSS算法减少对训练样本的采样,使用LightGBM作为分类器,该分类器通过EFB对互斥特征降维。实验证明在三类特征融合下分类准确率达到了97.04%,通过启用GOSS采样减少了29%的训练时间,在分类效果上,融合的特征优于融合Opcode n-gram的特征,LightGBM优于传统深度学习和机器学习算法。