在图像识别的实际应用中, 不考虑人为平衡的因素, 其训练数据往往遵循长尾类分布。针对基于深度学习的长尾图像识别算法识别效果不佳, 中、尾部类别识别准确率不理想的问题, 提出了一种个性化专家识别算法(PMRA)。首先, 在残差网络的基础上集成多个分支构建多专家网络; 接着, 通过为不同专家分配个性化训练数据构建个性化学习模块以提高中、尾部类别的识别准确率, 通过专家信息融合反馈构建个性化信息增强模块处理中、尾部类别信息不足问题;在融合多个模块的专家网络中, 通过两阶段的学习来提高长尾图像的整体识别准确率; 最后, 在CIFAR-10-LT,CIFAR-100-LT,ImageNet-LT,iNaturalist2018基准数据集上的实验结果表明, 该算法在多个数据集上的识别准确率相比其他算法均有较大提升。

为了提升无线光通信系统接收灵敏度, 采用一种基于改进基分类器系数的AdaBoost弱光信号检测算法, 解决多像素光子计数器(MPPC)在弱光条件下的信号检测问题。该算法采用k最近邻(KNN)为基分类器组建强分类器, 针对传统AdaBoost算法基分类器系数仅与错误率有关而产生冗余的基分类器消耗系统资源的问题, 提出一种基于错误和正确分类样本权重的基分类器系数优化AdaBoost算法(W-AdaBoost), 将信号解调问题转换为分类问题; 并采用波长450 nm半导体激光器、MPPC光电转换器件搭建了无线光通信系统。结果表明, 系统在通信速率为2 Mbit/s、误比特率为3.8×10-3时, 改进的W-AdaBoost-KNN算法较传统AdaBoost-KNN和单一KNN算法,灵敏度分别提升了1.6 dB和4.8 dB左右。此研究结果说明W-AdaBoost-KNN算法可提高弱光条件下的信号检测效率, 提升无线光通信系统接收灵敏度。

针对传统经验公式对高性能混凝土强度预测时存在偏差大、效率低等问题, 本文提出一种基于Stacking模型融合的高性能混凝土强度预测方法。首先, 通过数据清洗和归一化对1 030组高性能混凝土抗压强度试验数据进行预处理, 剔除异常数据及消除数据间量纲影响; 其次, 基于极端梯度提算法(XGBoost)、类别优先梯度提升算法、多层感知器和随机森林(RF)4种算法开展超参数优化、模型训练和评估, 采用决定系数、均方根误差和平均绝对误差对比分析4种基学习器对强度预测的整体效果, 在此基础上构建基于Stacking集成学习融合多种机器学习算法的高性能混凝土强度预测模型; 最后, 采用103组新的高性能数据集对模型进行验证, 并开展可解释分析。结果表明: 与其他基学习器的组合相比, XGBoost和RF融合模型的预测精度和性能均明显提高, 泛化性能较好, 且可解释分析显示最重要的输入特征变量是龄期和水泥, 说明模型内在的预测逻辑与工程实践的经验较吻合, 具有较高的合理性与可靠度。研究结果为进一步提高高性能混凝土强度的预测精度提供参考。

为提高光纤陀螺的输出精度，以天牛须搜索算法（BAS）优化后的BP神经网络模型为基学习器，采用Bagging并行集成学习算法建立了BAS-BP-Bagging温度补偿模型，并对某型号光纤陀螺进行了温度补偿实验。实验结果表明，在-40~+60 ℃温度变化环境下，该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近80%，相较于多项式补偿算法减小了55%，相较于BP神经网络补偿算法减小了30%左右。同时该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。

首先，充分考虑温漂序列数据前后之间的强相关性，在对光纤法布里-珀罗可调滤波器（FFP-TF）的温漂进行建模的过程中引入时间权重的概念，为每个样本赋予不同的时间属性。然后，采用支持向量机（SVM）作为弱学习器对温漂样本进行建模，使用AdaBoost框架对多个SVM模型进行集成学习。在集成预测过程中，不仅每个模型的预测性能会影响样本的权重分配，而且样本的时间属性也会影响样本权重的更新。实验结果表明：在2 ℃的窄范围缓慢变温环境中，传统AdaBoost-SVM算法的最大温漂补偿误差为10.83 pm，而基于时间权重的AdaBoost-SVM的最大温漂补偿误差降低到7.04 pm；在15 ℃的温度范围下，传统AdaBoost-SVM算法的最大误差达到11.57 pm，基于时间权重的AdaBoost-SVM的最大误差仅为4.05 pm。与传统硬件方法相比，所提出的方法不需要额外硬件，为可调谐滤波器的温漂补偿提供了一种新的思路。

为了克服单一模型预测精度很难进一步提高的不足, 利用近红外光谱分析结合基于Stacking框架的异构集成学习模型实现对油页岩含油率的检测。 以松辽盆地某区块所取230个油页岩岩芯样本为研究对象, 使用低温干馏法测量油页岩样本的含油率, 同时扫描每个样本对应的近红外光谱数据。 样本使用蒙特卡洛算法进行异常样本剔除, 将剔除异常样本后的213个数据按照3∶1的比例随机划分为训练集和预测集。 利用去趋势加基线校正方法进行预处理消除光谱数据中噪声和基线漂移, 利用随机森林算法进行波长重要性排序并保留重要波长, 在此基础上采用CARS算法进行特征波长提取, 进一步降低数据维度。 最后, 构建以PLS, SVM, RF和GBDT为初级学习器, PLS回归模型为次级学习器的Stacking集成学习模型, 各初级学习器模型参数使用网格搜索进行寻优。 使用决定系数和预测均方根误差作为各模型的评价指标, 探究单一模型和集成学习模型对油页岩含油率预测的准确性。 研究结果表明, RF-CARS方法能够有效筛选重要波长, 进而提高模型效率。 基于Stacking的异构集成学习模型与单一模型(SVM和PLS)和同构集成学习模型(RF和GBDT)相比有更好的预测效果和更强的稳定性。 在多次随机划分数据集的基础上, Stacking集成学习模型的平均决定系数R2为0.894 2, 相比于其他单一模型平均提高了0.062 3； RMSEP为0.586 9, 比其他模型平均降低了0.147 4。 说明, 基于Stacking的异构集成学习模型能够组合初级学习器的优势, 提高油页岩含油率预测精度, 为油页岩含油率快速检测提供了一种新方法。

研究集成学习方法在有机物红外光谱定量分析中的应用及特征波长选取方法对红外光谱集成学习建模效率和预测精度的影响。 以柴油红外光谱的十六烷和总芳香烃含量为研究对象, 首先采用极端随机森林(ERT)、 线性核支持向量机(LinearSVM)、 径向基核支持向量机(RBFSVM)和多项式核支持向量机(polySVM)作为基学习器, LinearSVM作为元学习器建立两层Stacking集成学习框架, 分析比较单个基学习器与集成学习对柴油红外光谱的定量回归预测精度, 与偏最小二乘(PLS)定量回归模型相比, Stacking集成学习模型对柴油光谱的两种有机物含量的预测精度均有提升, 其中十六烷含量的ERT模型预测结果最优(r=0.848, RMSEP=1.603, RDP=2.627), 总芳香烃含量的Stacking模型预测结果最优(r=0.991, RMSEP=0.526, RDP=9.243); 进一步利用组合偏最小二乘(SiPLS)和连续投影算法(SPA)对红外光谱进行特征波长选取, 利用优选出的红外光谱特征波长建立集成学习定量回归模型, 其中十六烷含量的SiPLS-ERT模型预测结果最优(r=0.893, RMSEP=1.013, RDP=3.051), 芳香烃含量的SiPLS-Stacking模型预测结果最优(r=0.998, RMSEP=0.354, RDP=11.475), 且模型平均训练时间较全光谱训练时间减少50%以上, 建模速度明显提高。 研究结果表明, 特征波长结合集成学习定量回归建模能够用于有机物红外光谱的定量分析中, 与传统定量回归方法相比, 该方法的建模效率和预测精度均有较大提高, 为进一步研究机器学习在光谱定量分析中的应用提供相关方法支持。

云底高度是地气系统辐射收支以及飞行安全的重要影响因素。介绍了利用FY-4A卫星的数据产品反演云底高度的方法，设计了两种云底高度反演方案：第一种方案先将云划分为卷云（Ci）、高层云（As）、高积云（Ac）、层云/层积云（St/Sc）、积云（Cu）、雨层云（Ns）、深对流云（Dc）和多层云（Multi）等8种云类型，再分别采用独立的集成学习模型反演这8类云的云底高度；第二种方案不区分云的类型，采用统一的集成学习模型反演云底高度。将CloudSat探测的云底高度作为参考值，以129515个样本对两种方案进行评估，结果表明方案一的反演模型效果更好，均方根误差（RMSE）为1304.7 m，平均绝对误差（MAE）为898.4 m，相关系数（R）为0.9214。

对光纤振动信号的有效识别是保证油气管道光纤预警系统运行的重要基础。针对传统光纤振动信号检测中单一分类方法的不足，提出一种基于AdaBoost集成学习的光纤振动信号识别分类算法。首先通过分析研究5类光纤振动信号的特征，选取样本熵、能量分布以及频带宽度作为三维特征向量，并将其分别送入决策树、支持向量机（SVM）以及以决策树作为基分类器的AdaBoost分类算法进行训练识别；其次通过交叉验证的方式对得到的模型进行参数优化和模型评价；最后对得到的模型进行对比测试实验。实验结果表明：以决策树作为基分类器的AdaBoost集成学习算法可以对不同振动类型进行有效识别，在光纤预警中对不同来源振动信号的识别具有一定意义。