基于集成学习的遥测数据互相关结构知识发现

发布时间：2021-04-28 22:37

　　针对传统遥测数据相关性分析方法仅能发现相关程度知识,无法提供相关结构丰富信息的问题,提出一种神经网络与极限梯度提升（XGBoost）集成的遥测数据互相关结构知识发现方法。在对遥测时间序列进行线性、单调性、序对一致性、散点图形状4个维度相关结构信息标注的基础上,将混合采样、代价矩阵、神经网络、XGBoost算法相结合,直接对遥测数据进行分类得到其相关结构类别或相关关系有无的知识。采用量子卫星任务数据进行实验的结果表明:较之于原始XGBoost模型、融合混合采样与代价矩阵的XGBoost模型,所提方法在受试者工作特征（ROC）曲线、F1-score等性能指标方面具有更高的分类精度,且对类别不平衡数据不敏感,是一种适用于遥测数据互相关结构知识发现的有效方法。 

【文章来源】：北京航空航天大学学报. 2020,46(01)北大核心EICSCD

【文章页数】：8 页

【文章目录】：
1 问题模型
    1.1 遥测数据张量表示
    1.2 相关结构分类
    1.3 相关性知识发现问题模型
    1.4 遥测数据的类别不平衡特点
2 互相关结构知识发现
    2.1 混合采样
    2.2 代价矩阵
    2.3 集成模型
        2.3.1 XGBoost模型算法
        2.3.2 神经网络模型
        2.3.3 决策集成模型
3 评估指标
    3.1 F1-score
    3.2 受试者工作特征曲线及曲线下面积
4 实验分析与结果
    4.1 数据准备
    4.2 模型参数设计
    4.3 仿真实验对比分析
    4.4 混合采样代价矩阵集成模型测试集结果
5 结论



本文编号：3166299