典型文献
多输出回归算法在超声粒径分布反演中的研究
文献摘要：
悬移质粒径分布作为研究水体运动规律和水利建设中的关键参数,通过对Epstein-Carhart-Allegra-Hawley(ECAH)模型和超声衰减实验这类先验信息的研究,结合机器学习算法对悬移质颗粒粒径进行预测.根据超声衰减实验和其他相关物性参数提取特征,结合筛分法确定的粒径分布种类制作训练数据集和验证数据集,通过对单种粒径预测的梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法进行组合构建多输出回归算法对粒径分布进行预测.结果 表明:三种样品单种粒径的最大相对误差在±10％以内,中位径误差分别为0.07％、-0.10％和-2.20％;在实验范围内,预测分布结果与筛分法结果一致,有较高的可行性和准确度,可为粒径分布测量提供一种新的思路.
文献关键词：
多输出回归;超声衰减;粒径分布;特征选择
中图分类号：
作者姓名：
应启帆;谢代梁;徐志鹏;徐雅;刘铁军;黄震威
作者机构：
中国计量大学浙江省流量计量技术研究重点实验室,浙江杭州310018
文献出处：
引用格式：
[1]应启帆;谢代梁;徐志鹏;徐雅;刘铁军;黄震威-.多输出回归算法在超声粒径分布反演中的研究)[J].声学技术,2022(01):137-143
A类：
Carhart,Allegra,Hawley,ECAH
B类：
多输出回归,回归算法,悬移质,质粒,运动规律,水利建设,Epstein,超声衰减,先验信息,机器学习算法,颗粒粒径,物性参数,参数提取,提取特征,筛分法,作训,训练数据集,梯度提升决策树,Gradient,Boosting,Decision,Tree,GBDT,粒径分布测量,特征选择
AB值：
0.336864
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。
