典型文献
基于集成学习的装备小样本试验缺失数据插补方法研究
文献摘要：
针对装备试验数据量有限和装备测试数据易缺失的现状,提出了一种基于集成学习的回归插补方法;以随机森林和XGBoost算法为回归器,通过设定快速填充基准和特征重要性评估策略的方法,改进数据子集重建和训练集与测试集的迭代划分策略,使用Optuna框架实现回归器超参数的自动优化,在某型导弹发射试验上进行实例验证;结果表明,使用集成学习算法的回归插补效果明显优于传统的统计量插补法以及KNN和BP神经网络,在不同缺失比例下的回归确定系数结果均保持在0.95以上,能有效解决装备小样本试验数据缺失的问题,并利用KEEL公测数据集验证了该方法的推广价值和通用性.
文献关键词：
小样本试验;集成学习;随机森林;XGBoost;数据插补
中图分类号：
作者姓名：
马亮;郭力强;刘丙杰;杨静
作者机构：
海军潜艇学院,山东青岛 266199
文献出处：
引用格式：
[1]马亮;郭力强;刘丙杰;杨静-.基于集成学习的装备小样本试验缺失数据插补方法研究)[J].计算机测量与控制,2022(08):116-121
A类：
B类：
小样本试验,缺失数据插补,插补方法,装备试验,数据量,测试数据,XGBoost,特征重要性,重要性评估,评估策略,子集,训练集,测试集,Optuna,超参数,自动优化,导弹,集成学习算法,统计量,插补法,KNN,数据缺失,KEEL,公测,数据集验证,通用性
AB值：
0.417638
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。
