期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
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
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
上一页 1 下一页 到第
使用帮助 返回顶部