-
公开(公告)号：CN113723679A
公开(公告)日：2021-11-30
申请号：CN202110992331.8
申请日：2021-08-27
Applicant: 暨南大学
Abstract: 本发明公开了一种基于代价敏感深度级联森林的饮用水质预测方法及系统，该方法包括以下步骤：数据采集步骤：采集饮用水质原始数据，饮用水质原始数据包括水质参数；数据预处理步骤：对饮用水质原始数据进行数据清洗、标准化数据，得到水质预处理数据；预测步骤：将水质预处理数据输入到水质预测模型进行预测水质是否合格；水质预测模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括饮用水质训练数据和标识该水质训练数据是否合格的标签信息；本发明通过设置不平衡代价矩阵以引入代价敏感因子进而提升模型预测不平衡数据能力，对水质预测具有较高的准确性。
-
公开(公告)号：CN113744083B
公开(公告)日：2024-04-23
申请号：CN202110992226.4
申请日：2021-08-27
Applicant: 暨南大学
Abstract: 本发明公开了一种基于环境不平衡数据的水质预测方法，该方法包括：特征预处理步骤：对环境原始不平衡数据集进行去除标签信息缺失的样本数据，对环境原始不平衡数据的特征进行标准化得到多组原始训练集；特征扩增步骤：对每组原始训练集中的原始特征进行深度特征提取和标准化得到多组扩增训练集；模型筛选步骤：利用贪心算法筛选监督集成学习训练模型；待测预处理步骤：根据最佳特征组合进行采集数据得到待测原始数据；对待测原始数据进行特征扩增和标准化得到待测输入数据；水质预测步骤：利用水质预测模型进行判断水质是否合格。该方法通过特征扩增和特征选择来提升监督集成模型对环境不平衡数据的预测能力，对环境质量预测具有参考价值。
-
公开(公告)号：CN113723679B
公开(公告)日：2024-04-16
申请号：CN202110992331.8
申请日：2021-08-27
Applicant: 暨南大学
IPC: G06Q10/04 , G06N20/00 , G06F18/241 , G06F18/214
Abstract: 本发明公开了一种基于代价敏感深度级联森林的饮用水质预测方法及系统，该方法包括以下步骤：数据采集步骤：采集饮用水质原始数据，饮用水质原始数据包括水质参数；数据预处理步骤：对饮用水质原始数据进行数据清洗、标准化数据，得到水质预处理数据；预测步骤：将水质预处理数据输入到水质预测模型进行预测水质是否合格；水质预测模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括饮用水质训练数据和标识该水质训练数据是否合格的标签信息；本发明通过设置不平衡代价矩阵以引入代价敏感因子进而提升模型预测不平衡数据能力，对水质预测具有较高的准确性。
-
公开(公告)号：CN113744083A
公开(公告)日：2021-12-03
申请号：CN202110992226.4
申请日：2021-08-27
Applicant: 暨南大学
Abstract: 本发明公开了一种基于环境不平衡数据的水质预测方法，该方法包括：特征预处理步骤：对环境原始不平衡数据集进行去除标签信息缺失的样本数据，对环境原始不平衡数据的特征进行标准化得到多组原始训练集；特征扩增步骤：对每组原始训练集中的原始特征进行深度特征提取和标准化得到多组扩增训练集；模型筛选步骤：利用贪心算法筛选监督集成学习训练模型；待测预处理步骤：根据最佳特征组合进行采集数据得到待测原始数据；对待测原始数据进行特征扩增和标准化得到待测输入数据；水质预测步骤：利用水质预测模型进行判断水质是否合格。该方法通过特征扩增和特征选择来提升监督集成模型对环境不平衡数据的预测能力，对环境质量预测具有参考价值。
-
-
-
Search Results
4
records
(took 0.017 seconds)
