期刊导航
期刊开放获取
唐山市科学技术情报研究..
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于堆叠集成算法的质量分类案例分析
被引量:
1
1
作者
常凤
刘静
+1 位作者
胡忠旭
艾鹏
《电子技术(上海)》
2024年第2期220-221,共2页
阐述针对葡萄酒品质分类常用的单一算法,提出堆叠集成算法,通过参数优化SVM、GBDT、RF、KNN学习器,将结果作为元学习器的RF输入特征。实验证明,堆叠集成算法评价指标显著提高。
关键词
堆叠集成算法
元学习器
基学习器
原文传递
基于集成学习算法和Optuna调优的江西省森林碳储量遥感估测
2
作者
王可月
王轶夫
+3 位作者
陈馨
郑峻鹏
李杰
孙玉军
《生态学报》
北大核心
2025年第2期685-700,共16页
了解森林碳储量对于完整、准确地量化碳排放及气候变化背景下的环境监测至关重要,借助遥感数据源是估算区域尺度碳储量的有效方法。以江西省为研究区,基于第七次国家森林资源连续清查样地数据与Landsat-5 TM遥感数据,通过GEE平台对影像...
了解森林碳储量对于完整、准确地量化碳排放及气候变化背景下的环境监测至关重要,借助遥感数据源是估算区域尺度碳储量的有效方法。以江西省为研究区,基于第七次国家森林资源连续清查样地数据与Landsat-5 TM遥感数据,通过GEE平台对影像进行处理,将递归特征消除(RFE)、Boruta两种特征选择方法与支持向量机(SVR),包括随机森林(RF)、极端梯度提升(XGBoost)和堆叠集成(Stacking)在内的三种集成学习算法相结合,分析不同模型的估测精度。此外,运用Optuna超参数优化框架来确定各模型的超参数。根据最优估测模型来反演江西省森林碳储量并绘制空间分布图,选用地理探测器对碳储量的空间分布格局进行驱动力分析。结果表明:(1)根据特征重要性排名,RFE筛选出30个变量,Boruta筛选出11个变量,合适的特征子集与回归算法相结合能显著提升估测的准确性。(2)基于Optuna对各模型的超参数进行迭代调优,发现不同特征子集与机器学习算法相结合,超参数取值和重要性在模型中差异较大。其中RFE筛选的最优特征子集与Stacking算法结合进行回归拟合时获得了最好的估测效果(R^(2)=0.527,RMSE=15.85Mg/hm^(2),MAE=12.31Mg/hm^(2)),该模型有效利用训练数据,结合多种算法的优点以减少偏差,显著改善森林碳密度高值低估和低值高估的问题。(3)最优估测模型反演得到江西省2006年的森林碳密度平均值为33.356Mg/hm^(2)(2.585—88.943Mg/hm^(2)),森林碳储量总量为321.507Tg。(4)自然环境因子中海拔和坡度是影响碳储量空间分布格局的主要驱动因子;所有因子在交互作用下呈非线性增强和双因子增强,其空间分布格局是自然因素和人为因素协同作用的结果。
展开更多
关键词
森林碳储量遥感估测
集成
学习
算法
Optuna超参数调优
堆叠集成算法
碳密度
地理探测器
在线阅读
下载PDF
职称材料
基于集成量子神经网络的大地构造环境判别与分析
3
作者
张佳文
李明超
+1 位作者
韩帅
张敬宜
《地学前缘》
EI
CAS
CSCD
北大核心
2024年第3期511-519,共9页
量子地球科学是一门崭新的跨学科前缘专业,量子计算和量子机器学习算法为地学大数据的深度挖掘与分析带来了新的契机。其中,量子神经网络是目前最具代表性的研究方向之一,在复杂多源数据处理方面的效率与准确率尤为突出。本文以大地构...
量子地球科学是一门崭新的跨学科前缘专业,量子计算和量子机器学习算法为地学大数据的深度挖掘与分析带来了新的契机。其中,量子神经网络是目前最具代表性的研究方向之一,在复杂多源数据处理方面的效率与准确率尤为突出。本文以大地构造环境判别这一关键问题为切入点,利用堆叠集成算法对量子神经网络(Stacking Quantum Neural Network,S-QNN)进行了改进,并分别实现了玄武岩、辉长岩和尖晶石的构造环境智能判别;同时与四种传统算法(SVM、RF、KNN和NB)、经典神经网络(ANN)和传统量子神经网络(QNN)进行对比。结果表明,集成后的S-QNN模型在3类情况下的准确率较最优的传统算法分别提升5.67%、6.19%和13.34%,较普通的QNN模型提升3.11%、4.99%和3.84%,且更具鲁棒性和通用性。该研究反映了所提出的S-QNN在数据处理中的优势,更证实了量子机器学习算法在地球科学研究中的适用性与潜力,为量子科学与地球科学的交叉融合提供了新思路。
展开更多
关键词
量子地球科学
构造环境判别
岩石矿物
地球化学
堆叠集成算法
量子神经网络
在线阅读
下载PDF
职称材料
题名
基于堆叠集成算法的质量分类案例分析
被引量:
1
1
作者
常凤
刘静
胡忠旭
艾鹏
机构
昭通学院
出处
《电子技术(上海)》
2024年第2期220-221,共2页
文摘
阐述针对葡萄酒品质分类常用的单一算法,提出堆叠集成算法,通过参数优化SVM、GBDT、RF、KNN学习器,将结果作为元学习器的RF输入特征。实验证明,堆叠集成算法评价指标显著提高。
关键词
堆叠集成算法
元学习器
基学习器
Keywords
stacking ensemble algorithm
meta learner
base learner
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
原文传递
题名
基于集成学习算法和Optuna调优的江西省森林碳储量遥感估测
2
作者
王可月
王轶夫
陈馨
郑峻鹏
李杰
孙玉军
机构
北京林业大学森林资源和环境管理国家林业和草原重点实验室
北京市十三陵林场管理处
北京市园林绿化大数据中心
出处
《生态学报》
北大核心
2025年第2期685-700,共16页
基金
江西省林业局科技创新专项([202133])
中央高校基本科研业务费专项资金(BFUKF202404,PTYX202407)。
文摘
了解森林碳储量对于完整、准确地量化碳排放及气候变化背景下的环境监测至关重要,借助遥感数据源是估算区域尺度碳储量的有效方法。以江西省为研究区,基于第七次国家森林资源连续清查样地数据与Landsat-5 TM遥感数据,通过GEE平台对影像进行处理,将递归特征消除(RFE)、Boruta两种特征选择方法与支持向量机(SVR),包括随机森林(RF)、极端梯度提升(XGBoost)和堆叠集成(Stacking)在内的三种集成学习算法相结合,分析不同模型的估测精度。此外,运用Optuna超参数优化框架来确定各模型的超参数。根据最优估测模型来反演江西省森林碳储量并绘制空间分布图,选用地理探测器对碳储量的空间分布格局进行驱动力分析。结果表明:(1)根据特征重要性排名,RFE筛选出30个变量,Boruta筛选出11个变量,合适的特征子集与回归算法相结合能显著提升估测的准确性。(2)基于Optuna对各模型的超参数进行迭代调优,发现不同特征子集与机器学习算法相结合,超参数取值和重要性在模型中差异较大。其中RFE筛选的最优特征子集与Stacking算法结合进行回归拟合时获得了最好的估测效果(R^(2)=0.527,RMSE=15.85Mg/hm^(2),MAE=12.31Mg/hm^(2)),该模型有效利用训练数据,结合多种算法的优点以减少偏差,显著改善森林碳密度高值低估和低值高估的问题。(3)最优估测模型反演得到江西省2006年的森林碳密度平均值为33.356Mg/hm^(2)(2.585—88.943Mg/hm^(2)),森林碳储量总量为321.507Tg。(4)自然环境因子中海拔和坡度是影响碳储量空间分布格局的主要驱动因子;所有因子在交互作用下呈非线性增强和双因子增强,其空间分布格局是自然因素和人为因素协同作用的结果。
关键词
森林碳储量遥感估测
集成
学习
算法
Optuna超参数调优
堆叠集成算法
碳密度
地理探测器
Keywords
forest carbon storage remote sensing estimation
ensemble learning algorithm
Optuna hyperparameter tuning
Stacking
carbon density
Geodectetor
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
TP79 [自动化与计算机技术—检测技术与自动化装置]
S718.5 [农业科学—林学]
在线阅读
下载PDF
职称材料
题名
基于集成量子神经网络的大地构造环境判别与分析
3
作者
张佳文
李明超
韩帅
张敬宜
机构
天津大学水利工程智能建设与运维全国重点实验室
香港理工大学建筑与房地产学系
出处
《地学前缘》
EI
CAS
CSCD
北大核心
2024年第3期511-519,共9页
基金
天津市杰出青年科学基金项目(17JCJQJC44000)。
文摘
量子地球科学是一门崭新的跨学科前缘专业,量子计算和量子机器学习算法为地学大数据的深度挖掘与分析带来了新的契机。其中,量子神经网络是目前最具代表性的研究方向之一,在复杂多源数据处理方面的效率与准确率尤为突出。本文以大地构造环境判别这一关键问题为切入点,利用堆叠集成算法对量子神经网络(Stacking Quantum Neural Network,S-QNN)进行了改进,并分别实现了玄武岩、辉长岩和尖晶石的构造环境智能判别;同时与四种传统算法(SVM、RF、KNN和NB)、经典神经网络(ANN)和传统量子神经网络(QNN)进行对比。结果表明,集成后的S-QNN模型在3类情况下的准确率较最优的传统算法分别提升5.67%、6.19%和13.34%,较普通的QNN模型提升3.11%、4.99%和3.84%,且更具鲁棒性和通用性。该研究反映了所提出的S-QNN在数据处理中的优势,更证实了量子机器学习算法在地球科学研究中的适用性与潜力,为量子科学与地球科学的交叉融合提供了新思路。
关键词
量子地球科学
构造环境判别
岩石矿物
地球化学
堆叠集成算法
量子神经网络
Keywords
quantum geoscience
tectonic settings discrimination
rock and mineral
geochemistry
stack integration algorithm
stacking quantum neural network(S-QNN)
分类号
P541 [天文地球—构造地质学]
O413 [理学—理论物理]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于堆叠集成算法的质量分类案例分析
常凤
刘静
胡忠旭
艾鹏
《电子技术(上海)》
2024
1
原文传递
2
基于集成学习算法和Optuna调优的江西省森林碳储量遥感估测
王可月
王轶夫
陈馨
郑峻鹏
李杰
孙玉军
《生态学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
基于集成量子神经网络的大地构造环境判别与分析
张佳文
李明超
韩帅
张敬宜
《地学前缘》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部