典型文献
聚丙烯复合材料老化数据集成学习
文献摘要：
聚丙烯复合材料老化实验周期长,且单次实验采集的数据样本少,使用传统机器学习方法进行预测的准确度较低.为了解决聚丙烯复合材料老化数据样本少与预测准确性低的问题,提出了一种虚拟样本生成(virtual sample generation,VSG)的集成学习预测方法.首先,对聚丙烯复合材料老化数据使用高斯混合模型(Gaussian mixed model,GMM)虚拟样本生成方法平滑生成验证有效的虚拟样本;然后,使用生成后的数据集建立集成学习预测模型,该模型包含随机森林(random forest,RF)、极端梯度提升(extreme gradient boosting,XGBoost)算法、轻量级梯度提升机(light gradient boosting machine,LightGBM)算法以及分类梯度提升(categorical boosting,CatBoost)算法.实验表明:集成学习模型的LightGBM算法与CatBoost算法性能最优,在测试数据上均方误差为0.001 3与0.000 1,比RF算法与XGBoost算法分别高出0.4与0.2.聚丙烯复合材料老化虚拟样本生成与集成学习方法可以有效解决实验周期长、单次实验采集的数据样本少的问题,并可取得比单一机器学习算法更优的性能.
文献关键词：
聚丙烯复合材料;材料老化;集成学习;高斯混合模型
中图分类号：
作者姓名：
武星;高进;丁鹏
作者机构：
上海大学计算机工程与科学学院,上海200444;之江实验室,浙江杭州311100;上海大学材料基因组工程研究院材料信息与数据科学中心,上海200444;上海大学理学院,上海200444
文献出处：
引用格式：
[1]武星;高进;丁鹏-.聚丙烯复合材料老化数据集成学习)[J].上海大学学报（自然科学版）,2022(03):440-450
A类：
B类：
聚丙烯复合材料,材料老化,数据集成,老化实验,机器学习方法,预测准确性,虚拟样本,样本生成,virtual,sample,generation,VSG,数据使用,高斯混合模型,Gaussian,mixed,model,GMM,生成方法,数据集建立,random,forest,RF,极端梯度提升,extreme,gradient,boosting,XGBoost,轻量级梯度提升机,light,machine,LightGBM,categorical,CatBoost,集成学习模型,算法性能,测试数据,均方误差,化虚,集成学习方法,可取,机器学习算法
AB值：
0.335698
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
