| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 281 | 一种基于集成学习的航班延误预测方法 | CN202110947624.4 | 2021-08-18 | CN113657671A | 2021-11-16 | 于滨; 方轲; 陈鹏飞 |
| 本发明公开了一种基于集成学习的航班延误预测方法，包括步骤S1：获取目标航班相关的航空公司属性、航班属性、执行班机属性、紧前航班的延误信息、起飞机场及航站信息，并对所获数据进行预处理；S2：根据预处理后信息提取多维解释变量并计算航班延误；S3：采用聚类算法设置延误分类规则；S4：依照航班延误时长设置延误等级标签；S5：基于集成学习算法模型并训练数据；S6:利用航班的多维特征预测目标航班的延误情况。本发明提供的一种基于轻量级梯度提升机的航班起飞延误预测方法，能够显著提升训练效率、降低内存消耗并且可以获取更高的准确率。 | ||||||
| 282 | 基于集成学习的非视距信号检测方法和装置 | CN202110693041.3 | 2021-06-22 | CN113625319A | 2021-11-09 | 孙源; 邓中亮 |
| 本申请公开了一种基于集成学习的非视距信号检测方法和装置。通过应用本申请的技术方案，可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型，在实际场景中检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成，也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题，从而提高GNSS非视距信号的检测性能。 | ||||||
| 283 | 一种基于强化学习的类集成测试序列生成方法 | CN202110647435.5 | 2021-06-10 | CN113377651A | 2021-09-10 | 张艳梅; 丁艳茹; 姜淑娟; 袁冠; 张颖辉 |
| 本发明公开了一种基于强化学习的类集成测试序列生成方法，属于软件测试技术领域。包括下列步骤：1）定义强化学习任务；2）程序静态分析；3）度量测试桩复杂度；4）设计奖励函数；5）设计值函数；6）生成类集成测试序列。本发明解决了目前已有的基于强化学习的类集成测试序列生成方法评估确定类集成测试序列花费的总体代价的指标不够精确的问题，为实际生产生活中测试人员开展测试工作提供了更为准确的度量方法，提升了集成测试的效率，可以更好地控制产品的质量。 | ||||||
| 284 | 一种集成机器学习的多模式降水预估方法 | CN202110620607.X | 2021-06-03 | CN113361766A | 2021-09-07 | 赵立龙; 江志红; 李童; 朱欢欢 |
| 本发明公开了一种集成机器学习的多模式降水预估方法，其特征在于：采用基于最新的CMIP6气候模式模拟数据和中国气象局台站观测的格点资料，计算生成中国区域的四类降水的极端气候指数，利用历史时段的观测和模式数据训练多种机器学习模型，评估不同机器模型的性能，基于模型性能赋予不同权重，集成生成未来不同增温情景、增温幅度的平均及极端降水概率预估结果。本发明采用了多模式和多机器算法集成技术，降低了未来预估中由不同模式和不同算法引入的不确定度，使预估的结果更具可靠性。 | ||||||
| 285 | 基于全卷积神经网络集成学习的道路提取方法 | CN201810193120.6 | 2018-03-09 | CN108446616B | 2021-09-03 | 张向荣; 焦李成; 马文康; 韩骁; 周挥宇; 侯彪; 杨淑媛; 马文萍 |
| 本发明提出一种基于全卷积网络集成学习的道路提取方法，旨在得到道路连贯，路网结构完整，查全率高的道路提取结果。实现步骤为：首先在现有遥感数据库中选取样本集并划分测试样本和训练样本，其次训练一个以交叉熵为损失函数的全卷积神经网，接着改变损失函数正样本惩罚权值，在前一个网络的网络模型参数基础上进行调优，得到不同惩罚权值损失函数的全卷积神经网络，再利用训练得到全卷积神经网络进行道路提取，得到不同全卷积网络的道路提取结果，最后依据空间一致性原则，对不同的提取结果按照基于空间一致性的集成策略进行集成，输出最终的结果图。本发明能够改善道路提取结果的查全率，鲁棒性强。 | ||||||
| 286 | 一种基于集成深度学习的地震岩性识别方法 | CN202110556296.5 | 2021-05-21 | CN113325480A | 2021-08-31 | 王俊; 曹俊兴; 何晓燕 |
| 本发明公开了一种基于集成深度学习的地震岩性预测方法，属于石油地球物理勘探技术领域，所述方法包括：根据标定的目标层位，获取与所述目标层位对应的岩性数据以及井旁道地震数据；基于所述井旁地震道数据和井上的岩性数据，以井旁道地震数据为输入数据，井上的岩性数据为目标数据，建立地震岩性识别集成深度学习模型；基于所述地震岩性识别集成深度学习模型，输入待预测区域实际地震数据，即得到预测岩性。本方法通过建立地震岩性识别集成深度学习模型提取地震数据与岩性数据之间的弱地震响应特征，能够更简单高效地确定储层分布的岩性数据体，解决井间的储层预测问题，为油气勘探开发提供参考依据。 | ||||||
| 287 | 一种基于集成学习的线上内容热度预测方法 | CN201811295404.2 | 2018-11-01 | CN109344319B | 2021-08-24 | 龙飞; 许美霞; 李玉垒 |
| 本发明公开了一种基于集成学习的线上内容热度预测方法，涉及自然语言处理领域，包括预测预料的选择与爬取；对爬取的语料进行预处理；对预处理后的语料向量化，确定热度阈值；模型训练与集成。该方法综合考虑了线上内容的话题、标题和内容质量，使得预测模型具有可扩展性；使用集成学习的方法预测线上内容热度，使得预测具有鲁棒性，且更加准确；性能相近的基础学习器进行集成，可得到较好的效果。 | ||||||
| 288 | 基于集成深度学习的协作波束成形方法 | CN202110480652.X | 2021-04-30 | CN113242071A | 2021-08-10 | 杨绿溪; 徐佩钦; 张天怡; 周京鹏; 李春国; 黄永明 |
| 本发明公开了一种基于集成深度学习的协作波束成形方法，步骤包括采用波束成形的基站连接到应用基带处理的云/中央处理器，同时为移动用户提供服务。对于该系统，制定了中央基带和基站RF波束成形矢量的训练和设计问题，以最大程度地提高系统有效可达到的速率。基站从全向接收的上行链路导频和波束训练结果中学习映射，来预测基站的最优RF波束成形矢量。基站首先从预定义的码本中选择其波束成形矢量。然后，中央处理器设计其基带波束成形以确保用户的相干组合。本发明中的密集神经网络与深度学习集成的方法，分析了不同模型的特点以及对模型拟合度和预测数据效果上的强弱。 | ||||||
| 289 | 一种基于集成学习的智能辐射源识别方法 | CN202110577156.6 | 2021-05-26 | CN113177520A | 2021-07-27 | 孙国敏; 邵怀宗; 王沙飞; 杨健; 潘晔; 林静然; 利强 |
| 本发明公开了一种基于集成学习的智能辐射源识别方法，包括以下步骤：S1、使用集成学习进行数据增强，得到增强数据；S2、根据增强数据，采用训练后的已知目标分类网络对未知目标进行辨识；S3、对未知目标进行标定，并对分类网络进行更新；S4、采用更新后的分类网络对未知目标进行再入识别，得到辐射源识别结果。本发明提高了样本利用率，在小样本的条件下，达到了数据增强的目的，能够更好地对未知电磁目标进行辨识，并且通过已辨识的未知目标重新训练分类网络，并进行再入识别，保证了分类网络的及时更新，提高了识别准确率。 | ||||||
| 290 | 基于联邦集成学习的电量需求预测方法和系统 | CN202110444330.X | 2021-04-23 | CN113139341A | 2021-07-20 | 林培斌; 戚远航; 刘毅 |
| 本发明提出了一种基于联邦集成学习的电量需求预测方法和系统，方法包括以下步骤：包括以下步骤：总电站从所有参与训练的子电站中随机抽取部分子电站参加本轮训练，并将预训练的全局模型发送给相应的子电站；每个子电站收到全局模型，并对自身的本地模型进行初始化，并且子电站使用自身的本地数据集进行本地训练；子电站在进行本地训练之后将自身的本地模型上传给总电站，总电站对收到的本地模型执行聚合操作，得到新的全局模型；循环执行以上步骤，直至全局模型达到收敛，当前每个子电站的本地模型为电量需求预测模型，子电站采用对应的电量需求预测模型执行电量需求预测任务。根据本发明实施例的方法，能够实现对于子电站的电量需求的预测。 | ||||||
| 291 | 基于集成学习的交通参与者事故风险预测方法 | CN201810783019.6 | 2018-07-16 | CN109191828B | 2021-05-28 | 刘林; 陈凝; 吕伟韬; 李璐 |
| 本发明提供一种基于集成学习的交通参与者事故风险预测方法，以优化的抽样方法获取交通违法数据与事故数据样本，采用集成学习算法训练人员交通事故风险预测模型，实现高危人员的自动判别，获取交通参与者事故风险预测指标，能够应用于交通安全主动防控的管理工作中，提高交通安全治理工作的针对性，提升日常交通安全管理工作效率。 | ||||||
| 292 | 一种基于元类基学习器的行人重识别集成方法 | CN201911044411.X | 2019-10-30 | CN110941994B | 2021-05-04 | 李平; 赵国潘; 徐向华 |
| 本发明公开了一种基于元类基学习器的行人重识别集成方法。本发明方法首先对行人图像的深度特征向量聚类以获取元类集合能够使得元类中的图像在特征空间中语义相似；通过均匀划分卷积神经网络的全连接层获取每个元类对应的基学习器，解决对应元类的行人重识别子问题；同时给出了元类内的正例对和负例对及元类间负例对的采样过程、基学习器的训练方案以及自适应梯度加权的基学习器差异化策略。本发明能够有效地处理行人图像数据分布的复杂性，高效地利用深度特征的表示空间，从而获取更优越的行人识别性能。 | ||||||
| 293 | 一种基于Stacking集成学习的网贷回头客预测的方法 | CN202110026408.6 | 2021-01-08 | CN112700325A | 2021-04-23 | 张涛; 秦立力 |
| 本发明公开了一种基于Stacking集成学习的网贷回头客预测的方法，包括:数据采集、数据处理、特征提取、模型训练。本发明在对用户二次贷款意愿预测的时候，考虑从四个维度来收集用户的相关数据，尤其加入了过往模型预测所忽视的用户的行为标签数据以及用户的社交关系数据加入数据采集中。因为研究表明用户的消费信息和人际关系会对用户的行为产生影响。为了避免单一学习器精度低，容易过拟合的问题，采用Stacking集成学习提升预测的准确度。考虑到了性能和精度的平衡，采用10折交叉验证来训练模型。并且选择了比较新又高性能的CatBoost、分类精度良好的经典XGBoost和随机森林作为初级学习器，大大降低了训练过程的耗时，提高了预测的精度。 | ||||||
| 294 | 一种基于集成学习的用户基础属性预测方法 | CN202010070270.5 | 2020-01-21 | CN111291798B | 2021-04-20 | 曹倩; 王曼; 刘立红; 左敏; 李海生 |
| 本发明涉及一种基于集成学习的用户基础属性预测方法，该方法通过分析移动用户的App安装及使用数据，预测用户的年龄和性别。首先将多分类问题转化为多个二分类问题，利用LightGBM和FM融合模型作为二分类器进行二分类预测；然后把二分类的预测结果与原始特征合并，构建多分类模型。实验结果表明，本发明提出的融合方法能够提高用户属性预测的效果。 | ||||||
| 295 | 一种基于集成学习的URL清洗系统及方法 | CN201811510866.1 | 2018-12-11 | CN109766500B | 2021-04-06 | 陈鑫; 肖龙源; 蔡振华; 李稀敏; 刘晓葳; 谭玉坤 |
| 本发明公开了一种基于集成学习的URL清洗系统及方法，其通过爬取网站的URL及其对应的网站标题；判断所述网站标题是否与指定的爬取主题一致，若是，则将所述网站标题标记为A类标题，否则标记为B类标题；对所标记的A类标题和B类标题分词处理，并根据分词结果进行朴素贝叶斯算法的训练和预测，并构造与分词结果相应的正则表达式；然后采用Stacking算法进行融合处理得到融合结果；最后采用决策树算法对所述融合结果进行训练和预测，得到决策树模型，并通过所述决策树模型对URL进行清洗；从而极大的提高了URL清洗效率，节省大量的人工检查时间，并提高了验证URL所对应网站标题的准确程度。 | ||||||
| 296 | 一种基于集成学习的电阻点焊质量预测方法 | CN202011329318.6 | 2020-11-24 | CN112487708A | 2021-03-12 | 王小华; 潘晓光; 田奇; 马彩霞; 令狐彬 |
| 本发明属于电焊质量管控技术领域，具体涉及一种基于集成学习的电阻点焊质量预测方法，包括下列步骤：根据焊接过程中传感器测得的过程参数，采集该焊点样本的焊接过程数据；构建数据库；对输入数据集通过特征进行预处理；建立焊点治理预测的集成学习模型；每个分类器分别输出待测样本的质量预测结果；根据不同分类器的输出结果，根据投票的方式，集成不同分类器对于该待测焊点样本质量预测的结果，以多数判定结果为最终的预测输出。本发明能有效解决传统焊点质量检测过程中的高损耗和低效率问题，能够快速且准确地基于焊接过程参数识别预测焊点质量，极大的提高电子元器件的焊点质量分析的效率，节约生产成本。本发明用于电阻点焊质量的预测。 | ||||||
| 297 | 一种基于半监督聚类集成学习的客户细分方法 | CN202011117305.2 | 2020-10-19 | CN112288465A | 2021-01-29 | 孟明; 庄栋; 甘海涛; 张肖辉; 杨策程 |
| 本发明公开一种基于半监督聚类集成学习的客户细分方法，本发明首先收集客户的特征信息，将特征信息数字化，构建客户特征信息数据集；利用少量的标签样本来初始化聚类中心，并设置核模糊聚类算法的模糊度和高斯宽度两个参数，生成若干个差异性较大的基聚类；利用标签样本的聚类准确性来计算各基聚类的可信度；通过近邻法和各基聚类的可信度来构造质量函数；最后利用D‑S证据理论将质量函数进行证据融合，得到聚类结果。本发明将半监督集成学习引入到客户细分中，解决了算法参数敏感性的问题；利用了先验信息合理估计各基聚类的可信度，改变各基聚类在融合过程中所占的比重，解决了证据冲突问题，使得融合结果更加合理，提高了客户细分的准确性。 | ||||||
| 298 | 一种深度迁移学习的不平衡分类集成方法 | CN201710480452.8 | 2017-06-22 | CN107316061B | 2020-09-22 | 陈琼; 徐洋洋 |
| 本发明公开的一种深度迁移学习的不平衡分类集成方法，包括以下步骤：建立辅助数据集；构建辅助深度网络模型和目标深度网络模型；训练辅助深度网络；将辅助深度网络的结构和参数迁移到目标深度网络；计算auprc值的乘积作为分类器的权值，对各个迁移分类器的分类结果加权集成，得到集成分类结果，作为集成分类器输出。本发明的方法，改进的平均精度方差损失函数APE和平均精度交叉熵损失函数APCE，在计算样本的损失代价时，动态调整样本的权值，对多数类样本赋予较少的权值，对少数类样本赋予更多的权值，由此训练得到的深度网络对少数类样本更加重视，更适用于不平衡数据的分类问题。 | ||||||
| 299 | 一种基于集成学习的局放故障状态识别方法 | CN202010404189.6 | 2020-05-13 | CN111626153A | 2020-09-04 | 吴慧娟; 唐波; 邱浩宇; 王宇丰 |
| 本发明公开了一种基于集成学习的局放故障状态识别方法，涉及电力设备局部放电检测识别领域，首先通过局放声光联合检测系统采集局部放电信号，获取原始数据，经过数据预处理，包括异常值检测与清洗、数据去噪和数据标准化，再从多分析域提取信号特征，将得到的超声信号特征、紫外信号特征输入到本发明设计的两阶段Stacking-Bagging集成学习模型中，最终通过相对多数投票判断出当前输入信号所处的局放故障状态。该识别方法对电力设备的局放故障状态识别率高，且识别稳定性高。 | ||||||
| 300 | 一种基于负相关学习的中小河流集成预报方法 | CN202010409759.0 | 2020-05-14 | CN111597758A | 2020-08-28 | 王继民; 李家欢; 曹颖; 张新华 |
| 本发明公开了一种基于负相关学习的中小河流集成预报方法，首先根据不同的流域特点和预报要求进行具体分析，明确研究内容，对数据进行分析。进行数据预处理，选择与预测结果相关性最高的数据构建模型输入输出数据。基于集成学习的思想，结合目标流域特点和样本数据集复杂度，选择构成集成神经网络的子网络并确定其结构。使用负相关学习方法构建集成预报模型，选用优化算法及损失函数对不同超参数条件下的模型进行训练和调优。应用模型进行洪水预报并计算相应的洪水过程评价指标评估模型预报效果，应用于实际场景时将预处理后的水文历史数据作为集成预报模型的输入，对应预见期时刻的流域出口断面流量作为集成预报模型的输出，进行相应的实时预报。 | ||||||
QQ群二维码
意见反馈
意见反馈