计算机工程

作者：徐晓滨, 张云硕, 施凡, 常雷雷, 陶志刚

单位：1. 杭州电子科技大学中国-奥地利人工智能与先进制造"一带一路"联合实验室, 浙江 杭州 3100182. 杭州电子科技大学自动化学院, 浙江 杭州 3100183. 中国矿业大学(北京)力学与土木工程学院, 北京 100083

关键词：特征匹配度,异类子模型,单模型,多模型融合,安全性评估

基金：浙江省属高校基本科研业务费专项(GK239909299001-010); 浙江省基础公益研究计划项目(LTGG23F030009); 国家重点研发计划(2022YFE0210700); 浙江省杰出青年科学基金(LR21030001)

机器学习模型的好坏影响预测精度、输入与输出结果的拟合情况。在复杂系统中, 使用单一模型评估系统安全性问题时容易受数据量、数据格式、模型结构以及环境干扰等因素影响, 使得这个模型在解决某个问题的能力上比较出色, 而在解决其他问题时, 结果却不尽如人意。针对上述问题, 提出一种基于特征匹配度和异类子模型融合的安全性评估方法。首先, 按照采样数据的输出值划分不同规模的数据集并构建子模型; 其次, 通过计算每个新数据对于这些子模型的匹配度, 进而得到每个子模型的权重; 最后, 根据权重大小融合所有子模型的子输出得到最终的多模型融合结果。所提方法对山东省济宁市霄云煤矿采掘数据集进行研究, 实验结果表明, 该方法与多样本单模型、少样本单模型和传统多模型方法相比, 在以330/70的比例来构建子模型的情况下均方根误差(RMSE)分别降低了15.13%、51.67%和12.46%, 该方法充分集成各子模型所能提供的有效信息, 减少和分散单一模型的预测误差, 以提高模型的预测精度和泛化能力。

来源：2024年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第8期