关键词： 充电桩   模糊聚类   劣化度   正态云   贴合度  

摘要： 近年来,随着世界逐渐转向更低碳环保的技术,电动汽车作为替代传统汽车的一种环保解决方案脱颖而出,使得公众对于充电桩的需求日益增大。现有公共充电桩一般在停车场、加油站,值班人员较少或无人看守,存在数量大、位置分散等特征,因此充电桩的功能需要自动化水平更高、安全可靠性更强、维护更简便,以降低运行和维护成本并提升充电桩的使用效率。本文针对以上问题,在充电桩积累的历史数据和故障信息基础上,提取状态评价特征指标,并对各指标进行分析,得到其阈值和置信度;再对充电桩的运行状态进行实时评估,通过模糊聚类算法和动态劣化度相结合将待识别的充电桩类别划分为健康充电桩、亚健康充电桩、异常充电桩和严重充电桩;建立基于SVR回归算法的充电桩特征指标预测模型,根据预测模型相对误差变化趋势完成充电桩状态到趋势的预测;最后引入正态云模型,根据充电桩的实时在线监测数据完成充电桩从趋势到故障的预测。通过层次分析法赋予特征指标权重,并采用变权理论算法对充电桩发生劣化指标常权重进行修正。提出动态劣化度的概念,能够根据充电桩各特征指标实时数据和变化趋势对充电桩归一化后的各特征指标参数进行修正,再按照模糊聚类综合评价问题的最终目标是“非零最低模糊隶属度等级项”最小的原理,对充电桩进行实时状态划分。获取充电桩各评估指标回归预测的相对误差变化趋势序列,针对模糊聚类综合评价法在充电桩状态边界问题上随机性的不足,引入正态云模型,从相对误差变化趋势序列中提取正态云和异态云的数字特征,最后依据云模型中的最大贴近度对充电桩故障进行预测,从而初步建立起基于国家电网公司的智能充电桩大数据预测故障应用体系,最终达到有效地预防与减少充电桩故障发生率的目的,优化充电桩维修体系,降低充电桩故障对电动汽车造成的不良影响。

关键词： 第一性原理计算   结构预测   机器学习势场模型   高斯过程回归算法   硼团簇   CALYPSO  

摘要： 团簇作为连接微观世界与宏观世界的桥梁,其由数量不等的分子或是原子组成。团簇由于表面效应和量子限制效应,其表现出来的物理与化学性质与晶体迥然不同,而且其物理化学性质以及基态结构的构型与团簇的尺寸是紧密相关的。团簇领域的重要问题之一是团簇的生长模式的探索,然而对于小尺寸体系而言,我们可以通过第一性原理计算方法进行理论模拟,但是对于大尺寸体系,我们就显得束手无策了,这是一直困扰着科学家们的问题。硼元素由于其“缺电子”特性,导致原子之间的成键模式非常复杂,不同尺寸下的硼团簇的基态结构构型吸引着诸多科学家对其进行研究。目前,硼团簇已经发现了许多的基态候选结构的构型,且构型之间存在着竞争的关系,这使大尺寸的硼团簇的基态结构探索变得极具挑战性。但是,受限于计算开销,我们很难对大尺寸的硼团簇体系展开大规模的基于第一性原理计算的理论模拟。基于第一性原理计算的理论模拟已经成为结构预测领域的一种主要手段,其能够准确地预测结构的许多物理性质,能够帮助我们克服苛刻的实验条件的桎梏。如今,随着理论模拟的需求不断增加,即大尺寸体系的大规模模拟,我们在采用第一性原理计算方法进行理论模拟的过程中不得不面对其昂贵的计算开销,很难对大尺寸的体系展开计算,而采用经验势模型,其可移植性以及精度都大大限制了其应用范围。至此,对于大尺寸体系而言,发展一个精度高且计算开销小的原子间势能面模型是必不可少的。近年来,机器学习方法的蓬勃发展为科学家们解决此问题提供了一种全新的思路,即发展机器学习势场模型,不但可大大减小计算开销,提高计算效率,同时可以保证很高的精度。在本文的研究工作中,我们主要实现了以下两项工作:第一:我们搭建了基于高斯过程回归算法的机器学习势场模型,即高斯回归势场模型。通过验证集的表现,以及与成熟的神经网络模型之间的对比,证明了其有效性。第二:我们针对大尺寸硼团簇体系,展开了大规模的基态结构搜索。我们采取课题组自主研发的CALYPSO结构预测方法与第一性原理计算方法相结合的方案,产生了17616个硼团簇B_n（n=10–84）的数据集以此来进行机器学习势场模型的拟合。首先,我们在硼团簇Β101体系上,进行了测试,证明方法的可信度。随后,对于硼团簇B_n（n=58-108）,我们计算得到了不同尺寸下的基态候选结构,并以此谈论了大尺寸硼团簇B_n（n=82-108）的生长模式。本文的方法为结构预测领域的理论模拟提供了一种新的思路,本文的数据结果则为大尺寸硼团簇体系的生长模式的探索提供了参考价值。

关键词： Machine learning   Marine mammals   Remote sensing   Underwater acoustics  

摘要： Underwater acoustic data contain a myriad of sound sources that include marine life such as marine mammals, fishes, and crustaceans; man-made such as ships, sonar, airguns, and wind farms; as well as natural geophysical processes such as earthquake, hurricane, and volcanic eruption. Monitoring these acoustic events are important for many ocean applications, such as biology and ecology, where acoustic sensing of marine mammal and fish sounds is used to infer their behavior and distributions; ocean environmental compliance and mitigation in hydrocarbon prospecting; maritime surveillance and defense; as well as in geophysical environmental monitoring and prediction. Substantial volumes of underwater acoustic data are usually acquired in passive ocean acoustic waveguide remote sensing experiments with a large aperture coherent hydrophone array system. The human effort required to manually analyze underwater acoustic data limits the applications, especially when data is acquired using a large aperture coherent hydrophone array since beamformed signals in multiple distinct directions need to be analyzed. Developing automatic, accurate and fast algorithms for detection and classification of underwater acoustic events can help minimize the human effort for underwater events monitoring, enabling real-time processing and analysis, and hence aiding rapid scientific discoveries at sea. Among underwater acoustic events, marine mammal vocalization classification is one of the most challenging problems due to their transient broadband calls, high variation in the calls of a specie (intra-class variation), and high similarity between the calls of some species. Marine mammal produced sounds are related to different activities including communication between whales for breeding or feeding purposes, sexual behavior, echolocation, navigation, as well as physical activities including sea surface breaching and slapping motions. In this thesis, we investigate machine learning approaches f

关键词： 机器学习   分类   回归   LAMOST   APOGEE   恒星表面有效温度  

摘要： 机器学习是目前非常流行且高效的方法,具有分类和回归的功能。它们能够识别或近似出多维特征空间中的复杂非线性模型,为天文学中的一些复杂问题提供了新的解决方案。本文主要利用机器学习中主流算法研究恒星/星系/QSO分类、恒星光谱类型分类以及估算恒星表面温度。具体研究工作如下:本文利用6)近邻算法(6)NN)、决策树(DT)、随机森林(RF)和支持向量机(SVM)在LAMOST DR5上进行恒星/星系/QSO分类。选择u,g,r,i,z,J,H作为算法输入特征。结果表明,以上四个算法模型能够以～95%的准确度识别星源类型。筛选出恒星后,本文继续借助上述四个主流机器学习算法去识别恒星的光谱类型(G,K,M,F,A)。结果显示,四个算法模型的ROC(receiver operating characteristic)曲线下面积都接近1,这四个模型都能在一定程度上识别恒星光谱类型。RF和SVM的识别精度高于6)NN和DT的识别精度。随机森林能够以～73%的准确度识别恒星光谱类型。究其原因,G星和F星交叉错分严重,这两星的预测效果不如其他三星。本文使用随机森林去估算恒星表面有效温度。恒星主要来源于SDSS DR16的APOGEE和LAMOST DR6。此外,本文还对比分析了两种输入特征集的预测效果。当采用NUV-u、u-g、g-r、r-i、i-J、J-H、H-K、K-WISE＿4＿5作为算法输入特征时,随机森林在APOGEE恒星上的准确度高达94.91%,其估算的温度与标准给定的温度的标准偏差为93.89K;随机森林在LAMOST恒星上的准确度高达90.46%,其估算的温度与标准给定的温度的标准偏差为113.10K。当采用NUV-J、J-H、H-K、K-WISE＿4＿5作为算法输入特征时,随机森林在APOGEE恒星上的准确度高达94.37%,其估算的温度与标准给定的温度的标准偏差为96.59K;随机森林在LAMOST恒星上的准确度高达88.89%,其估算的温度与标准给定的温度的标准偏差为119.92K。与前者相比,精度不会降低太多且NUV、J、H、K、WISE＿4＿5均来自于全天观测,可以更广泛地应用于恒星有效温度的估算。而且,J-H是估算有效温度最重要的特征,其次是NUV-J。NUV是一个不可忽略的波段。

关键词： 随机森林   支持向量机   人工神经网络   逐步线性回归   土壤容重  

摘要： 传统测定土壤容重的方法不仅费时费力,而且不适用于区域大尺度土壤容重估算。土壤转换函数,因追寻高效的运算效率从而无法保证在全部的变量组合中得到最优变量组合。由于机器学习方法克服了参数和非参数统计方法的缺点,如空间自相关、非线性和过拟合,有利于提高空间模型的估算精度,并适用于区域大尺度土壤容重估算。因此为真实的反映我国大陆区域自然状态下的土壤容重空间分布,研究对区域大尺度上土壤容重的快速估算,本文进行了以下研究: (1)本文选取一个实例,采用随机森林、支持向量机、人工神经网络模型对土壤容重进行估算,来评估不同方法间估算土壤容重的估算精度,该实例数据集为全国第二次土壤普查数据,该数据集是目前内容较为全面的土壤属性数据。研究按不同土层深度进行土壤容重估算,分别为土层0～40cm、土层40～100cm、土层0～100cm。在土壤容重影响因子的相关性分析结果发现,在各土层中,其土壤容重与土壤有机质的相关性最好,相关系数均大于0.5。在该实例中,综合均方根误差(RMSE)、标准预测误差(SDPE)、平均预测误差(MPE)值和决定系数(R2)来看,在不同土层中(0～40cm、40～100cm、0～100cm),随机森林模型模拟效果均表现最佳。其中基于随机森林模型构建的表层土壤容重估算模型(40～100cm)的估算精度最高,决定系数R2为0.53、RMSE为0.1471 g/cm3,SDPE 为 0.1475 g/cm3,MPE 为-0.0064g/cm3。另外,土层 40～100cm 的各机器学习模型对估算土壤容重有较好的估算精度,其随机森林模型的误差最小,均方根误差为0.1285g/cm3、标准预测误差为0.1328 g/cm3)、决定系数为0.82。 (2)最后将机器学习模型与国内外已发表的PTFs、逐步线性回归和空间插值方法进行横向比较。结果发现,在土层0～100cm、0～40cm、40～100cm中,机器学习模型的估算精度均优于线性回归模型、协同克里格插值模型,其RMSE、SDPE、MPE与线性回归模型、协同克里格插值模型相比,均降低了小数位,并且决定系数均大于线性回归模型、协同克里格插值模型。表明机器学习模型拟合效果更好,其在估算土壤容重方面性能更优,估算精度最佳,能较为真实的反映我国大陆区域自然状态下的土壤容重空间分布。 综上,本研究提出的机器学习方法对土壤容重估算有较好的泛化能力和估算精度,能较为真实的反映我国大陆区域自然状态下的土壤容重空间分布,研究成果对区域大尺度上土壤容重的快速估算具有一定的实用价值。

关键词： 飞蛾火焰优化算法   基于梯度的优化器   基于堆的优化器   核极限学习机   地震预测  

摘要： 演化算法是一系列受生物群体行为启发而设计的全局优化算法。相比于传统的梯度优化等算法,演化算法实现简单,具有较高的灵活性和鲁棒性,因此已经成为了现代优化算法不可或缺的一部分。近年来,研究人员提出了许多新颖的演化算法,其中包括飞蛾火焰优化算法(moth-flame optimization,MFO)、基于梯度的优化器(gradient-based optimizer,GBO)和基于堆的优化器(heap-based optimizer,HBO)。这些算法都借助群体智能的优势,使得在处理较为复杂问题时可以得到满意的结果。但是随着演化算法的应用范围不断扩大及其与其他学科不断交叉结合,这些算法在处理实际问题时暴露出容易陷入局部最优和收敛速度较慢等问题。本文在MFO、GBO和HBO的基础上,分别对其进行改进,并对改进后的算法进行多方面的性能分析。改进算法还在地震预测领域得到应用。研究内容包括:(1)在MFO的基础上,提出了一种双自适应权重MFO改进算法(weight moth-flame optimization,WEMFO)。WEMFO在算法的不同阶段自适应地调整搜索策略,使算法在全局搜索和局部搜索之间的转换更加灵活可靠。WEMFO与近年来提出的演化算法在30个基准函数上进行了比较实验,并且分析了WEMFO算法的可扩展性。(2)在GBO的基础上,引入高斯骨干机制(gaussian bare-bones mechanism,GBB)、反向学习机制(opposition-based learning,OBL)和飞蛾螺旋更新机制,提出了一种改进GBO算法(gaussian opposite moth-flame gradient-based optimizer,GOMGBO)。其中GBB应用了差分进化算法的思想,在高斯变异的同时采用分支选择结构,使得高斯变异后的向量不局限于局部最优解。OBL的实质是在处理问题时同时考虑事物的对立面。飞蛾螺旋更新机制模拟了飞蛾的夜间飞行模式,是MFO的算法核心,保证了GOMGBO在不陷入局部最优的情况下找到全局最优解。GOMGBO在30个基准函数上与许多著名的基础演化算法及改进的演化算法进行了比较实验。(3)在HBO的基础上,引入Rosenbrock旋转方向法(modified rosenbrock’s rotational direction method,MRM)、灰狼更新机制(grey wolf mechanism,GWM)和正交学习策略(orthogonal learning,OL),提出了一种新的改进HBO算法(graywolf orthogonal heap-based optimizer,MGOHBO)。在30个基准函数上,将MGOHBO与11个著名的原始和改进元启发式算法进行了比较。(4)将改进后的演化算法应用在地震预测领域。使用WEMFO,GOMGBO和MGOHBO三个算法分别优化核极限学习机模型(kernel based extreme learning machine,KELM)的两个参数,再将三个算法所求参数求均值,形成新的用于地震预测的混合KELM模型。

关键词： 库岸滑坡   成因机制   机器学习   点预测   区间预测  

摘要： 我国三峡库区山地丘陵广布,地质条件复杂,加之雨季降雨量较为丰富,是典型的库岸滑坡高发区。受库水位高程变动及周期性强降雨的影响,该地区存在大量具有“阶跃”变形特征的新老滑坡,即在一个周期内长时间保持平稳变形,某一时刻变形突然加剧,而后又恢复稳定。对滑坡进行预测预报作为灾害防治的有效手段之一具有十分重大的工程意义,机器学习是一种使计算机模仿人类大脑进行运算的智能模型,将其与工程实际进行结合是目前各个领域的研究热点,已被成功应用于滑坡位移的预测方向。模型输入与输出数据间的相关性程度决定着其预测性能的优劣。因此,本文以白家包滑坡为例,对其变形机制和诱发因素进行了详细分析,并提出一种基于机器学习方法的位移点预测模型,随后又在此基础上提出了两种分别适用于不同规模样本的区间预测模型,以此量化点预测过程中存在的不确定性。本文重点做了以下工作: (1)结合现场工程地质资料及相关监测数据对白家包滑坡成因机制进行分析,重点分析了影响滑坡变形的内部控制因素和外部诱发因素。结合位移监测资料对滑坡的变形特征进行阐述,并深入探讨变形特征与影响因素间的响应关系。 (2)基于白家包滑坡ZG326监测点历史监测变形数据,采用变分模态分解法(VMD)将具有“阶跃”变形特征的位移进行分解,得到多个具有不同变形特征的位移分项。然后利用模糊C均值聚类法(FCM)将多个分项进行聚类得到具有实际物理意义的随机项、波动项和趋势项位移。在三组位移分项与初设影响因子间建立灰色关联度模型,根据相关性系数为每个位移分项选择有效影响因子。将有效影响因子作为输入数据,相应的位移分项作为输出数据建立贝叶斯优化的最小二乘支持向量机(Bayes-LSSVM)进行训练及预测。叠加位移分项预测值得到总累积位移的预测值。将上述模型应用于ZG323、ZG324和ZG325监测点的位移预测中,根据预测结果对所提方法的适用性进行验证。随后将上述模型与六种不同模型的预测结果进行对比,体现了所提模型的优越性。 (3)为解决传统点预测方法无法对滑坡位移预测过程中的不确定性进行量化的问题,提出一种适用于小样本数据的区间预测方法。首先采用不同的Bootstrap抽样方法对各位移分项数据集进行抽样,得到多组伪数据集,分别针对每组伪数据集建立相应的预测模型,计算得到预测区间。将基于不同抽样方法得到的预测区间进行对比,由此为每个位移分项选择最优抽样方法。利用各个位移分项的最优抽样法进行抽样预测,得到位移回归均值及系统误差方差。然后将所有的有效影响因子作为输入,模型的平方残差序列作为输出,建立蝙蝠算法优化的核极限学习机(BA-KELM)进行训练预测得到随机误差方差。将点预测值与上述两种误差的方差结合得到位移的预测区间。同样将所提方法应用于其他三个监测点,得到的预测区间表现均较好,表明模型适用性较高。然后将所建模型与其他两种不同模型的预测结果进行对比,从而验证所提模型的优越性。 (4)上述Bootstrap法对小样本数据适用性较强,预测结果的可靠度较高。但当样本规模变大时,该方法计算成本大幅增加,明显不再适用。因此提出一种适用于大样本数据的区间预测方法。将原始数据集划分为训练集、误差生成集和预测集,采用训练集对上述点预测模型进行训练,并根据训练后的模型对误差生成集进行预测,计算得到各点预测误差。由于单个监测点生成的误差数量较小,本文采用同样的方法对与ZG326具有工程相似性的ZG323、ZG324和ZG325监测点进行点预测,并将得到的预测误差作为原始预测误差集的补充数据,以此满足大样本条件。分别利用参数法和非参数法对误差分布的概率密度函数进行估计,计算得到不同的预测区间。通过差分进化算法将基于两种方法得到的预测区间进行加权组合,获得同时满足较高覆盖率和较窄宽度的高性能区间。同样地,利用该方法构建其余三个监测点的组合预测区间,根据预测结果验证本文模型的适用性。

关键词： 癫痫   机器学习   时频分析   边中心网络   分类   预测  

摘要： 癫痫脑电的分类研究,可以帮助临床医生快速识别出癫痫疾病,从而摆脱繁重的工作,提高诊断效率;癫痫脑电的预测研究,可以让患者通过治疗性干预来预防癫痫发作,极大地降低患者受到意外伤害的概率。癫痫脑电的分类和预测研究对提高人口素质和健康水平都有着深远意义。机器学习算法在近十几年来被广泛运用到各个领域,特别是在模式识别和预测研究中取得了巨大的成果。本文采用了多种机器学习算法对癫痫脑电信号进行分类与预测研究,具体工作如下:首先,对癫痫脑电信号进行预处理。采用CHB-MIT数据库、德国波恩大学脑电图数据库和印度新德里神经病学数据库的数据,使用小波变换进行去噪,并运用频谱不对称分析获取患者的最优单通道,通过最优通道数据进行后续研究。其次,采用Inception Net-V3卷积神经网络、SVM、K-NN、逻辑回归四种机器学习算法结合时频分析与边中心网络的特征提取方法对癫痫脑电进行分类。将脑电信号转换为时频图,利用Inception Net-V3卷积神经网络区分出正常脑电和发作期脑电,在CHB-MIT数据库24位患者中最高分类准确率为95.8%,波恩大学脑电图数据库和新德里神经病学数据库的准确率分别为90.2%和96.2%;同时采用边中心网络特征提取方法,利用SVM、K-NN、逻辑回归进行分类,在CHB-MIT数据库中最高分类准确率为96.9%,波恩大学脑电图数据库和新德里神经病学数据库的准确率分别为99.3%和98.6%。结果表明,边中心网络特征提取能够实现更理想的分类效果。最后,采用时频分析与边中心网络的特征提取方法对癫痫发作进行预测研究。分析了癫痫发作前20分钟的数据,以5分钟的数据长度为一个时间段,分为发作前0-5分钟、5-10分钟、10-15分钟和15-20分钟四个时间段,对四个时间段的数据进行预测,发现在发作前0-15分钟的预测准确率高于15-20分钟这一时间段内的预测准确率。结果表明,癫痫发作前15分钟内能够实现较理想的预测效果。本文采用了时频分析与边中心网络两种特征提取方法,对癫痫脑电分类时,边中心网络的特征提取方法能实现更好的分类效果;对癫痫发作预测时,两种特征提取方法差异并不明显,但结果是一致的。研究结果表明,本文方法可用于癫痫的检测和癫痫的发作预测研究,对癫痫的自动检测与预测研究有重要的意义,其中边中心网络的特征提取方法为癫痫检测研究提供了新的思路,对了解大脑的病理症状及临床诊断具有重要意义。

关键词： 手机价格分类预测   逻辑回归   组合权重   支持向量机   K近邻法  

摘要： 中国是全球智能手机用户第一大国,并且手机用户的数量还在呈现逐年上涨的趋势,但是国产手机用户的渗透率不高,海外手机对国产手机形成巨大压力。国产手机市场犹如一片“红海”,市场上的产品同质化严重,价格竞争十分激烈,智能手机行业开始进入不健康的发展期。随着5G技术的不断应用,5G手机开始成为行业的主流,根据2021年上半年中国信息通信研究院发布的数据显示:国内市场5G手机出货量为1.51亿部,同比增长94.3%.这一增长趋势,既说明5G手机是未来消费者的主流需求,也说明5G技术为疲软的智能手机市场注入了新的活力。但是5G手机的高价格门槛也将大量的用户阻挡在外,为了快速渗透市场,5G手机的生产制造商开始不顾芯片的短缺,掀起一场挑衅性的价格战,千元5G手机,价格一低再低,并且质量还要有所保证,因此虽然5G手机的出货量不断增加,但是销量的增加并没有带来利润的增加。本文正是基于以上背景,分析Kaggle网站上的移动手机数据集,采用多种不同的机器学习分类算法构建关于手机价格的分类预测模型,并对比各种方法从中选出最优模型。这样一方面可将最优模型在未知类别的数据集上进行分类预测,另一方面希望可以将本文所用的实证研究方法推广到市场上关于手机定价的相关情形,从而对智能手机设备生产制造销售商和消费者提供合理的价格底线。此外,本文还提供面对海量数据集的处理方法,以应对大数据时代的现实需求。具体地,本文首先对数据进行预处理,通过处理缺失值、标准化以及对数据特征进行描述性统计和多重共线性检验,整体上把握数据的分布情况;接着分析了20个手机特征关于因变量手机价格范围的相关分析,得出影响手机价格范围的关键变量,并且分别可视化关键变量——随机存取存储器、电池、像素分辨率高度和宽度与价格范围的内部联系;在经过探索性数据分析之后,应用决策树、随机森林、GBoost、Ada GBoost、XGBoost、逻辑回归、支持向量机和K近邻法对手机价格范围进行分类、并结合准确率、精确度、召回率和F-1值评价各种方法的预测效果。在8种机器学习分类模型中,综合改进前后各种模型的表现,得出最优模型为逻辑回归,其在手机价格分类与预测的过程中效果突出,4项评价标准的正确率均在90%以上;相比于其他模型,K近邻法、支持向量机在应用组合权重前后,在分类预测准确率上提质明显;但是对于集成学习算法而言,这种改进没有取得预期的效果;说明在具体的实际手机价格分类预测过程中,不能一概而论,需要对具体情形应用不同的情况。对于海量数据集,本文考虑分别采用简单随机抽样、均匀抽样、行范数抽样以及杠杆值抽样对数据集进行选取。通过对比模型运行时长和最优模型逻辑回归分类预测准确率,可以确定合适的抽样方法与样本容量,从而选取合适的数据集。

关键词： 热轧   板凸度   深度学习   集成学习   代价敏感多分类  

摘要： 热轧过程机理模型存在大量简化性假设,限制了板凸度控制精度的进一步提高。本文以国内某2160 mm热轧带钢凸度控制为研究对象,基于热轧生产过程工业大数据,采用数据驱动算法建立了板凸度预测模型,提高了模型设定与控制精度,提出了非平衡数据分类算法,实现了板凸度异常带钢的准确分类。本文主要内容如下: (1)研究了热轧带钢凸度自动控制策略,介绍了凸度的概念、影响因素,结合轧制过程中轧辊弹性变形、磨损和热膨胀理论模型,阐述了凸度自动控制系统中预设定、自学习、凸度前馈与反馈控制方法。 (2)研究了数据驱动方法的基本思想和相关算法原理,介绍了决策树、支持向量机和神经网络基本模型,分析了集成学习和非平衡数据分类问题,基于Python语言和PyCharm软件搭建了机器学习数据挖掘平台。 (3)采集热轧生产现场大规模历史数据,结合工艺机理完成了特征筛选、归并、异常剔除和归一化等数据预处理工作,消除了无关变量、量纲差异、离群数据对模型性能的影响。建立了基于神经网络、随机森林和深度森林的带钢凸度预测模型,采用RMSE、MAE、MAPE和R作为评价指标,对各模型进行了参数网格搜索寻优和模型性能评价,最终结果显示深度森林模型指标为:RMSE、MAE、MAPE、R分别为5.4744 μm、4.1830 μm、8.821%、0.878,深度森林模型预测性能最佳。 (4)传统分类方法多用于平衡数据分类,针对热轧带钢凸度数据分布不均衡的问题,为避免采样方法改变原始数据分布,引入并改进了代价敏感方法,提出了结合一对一分解策略将多类数据集分解为多个二类数据子集,对于每一个数据子集采用代价敏感方法解决,建立了基于分解策略和代价敏感学习的OVO-CSMLP模型。以MAUC、G-mean和F1-Macro作为分类模型的性能评价指标,采用了 UCI中部分标准数据集和6类常用于非平衡数据分类任务的模型作为对比算法,验证了提出模型的有效性。将上述模型应用于热轧带钢凸度数据分类任务,结果显示OVO-CSMLP模型指标为:MAUC、G-mean和F1-Macro均值分别为0.903、0.876和0.824,3个指标对应的标准差分别为0.018、0.027和0.022,OVO-CSMLP模型分类性能最佳,泛化性能强,实现了对非平衡热轧数据的异常分类。 本文的研究结果针对热轧带钢的凸度预测与异常分类,具有较强的实用性,研究成果对板凸度预测模型的开发和控制系统的优化具有一定的指导意义。