一种基于集合运算的兼容多模型输出融合方法技术

本发明专利技术公开了一种基于集合运算的兼容多模型输出融合方法，该方法包括以下步骤：(1)划分数据集。将数据按照4:1随机划分为训练集D<subgt;T</subgt;和测试集D<subgt;V</subgt;；(2)构建子模型。选取两种以上机器学习方法，用训练数据集D<subgt;T</subgt;来构建S个子模型；(3)计算权重。根据模型的精度和数据与模型的相似度计算权重；(4)多模型输出融合及验证。根据步骤(3)计算出的权重以及各个模型的精度，对多模型的输出进行融合，并在测试集上验证，该方法高度兼容，因为所提出的方法适用于任何基线方法、不同的焦点数据百分比，甚至不需要模型准确性。

【技术实现步骤摘要】

本专利技术涉及多模型融合，具体指一种基于集合运算的兼容多模型输出融合方法。

技术介绍

1、对于复杂系统的建模，机器学习已经成为一个广泛应用的方法，通过使用训练数据集对模型进行训练，然后在测试数据集上进行验证。例如使用反向传播神经网络(bpnn)进行复杂时空动态预测、使用径向基函数(rbf)神经网络进行非线性系统建模等。然而在大多数实际情况下，选择的机器学习方法主要基于可用性而不是实际条件的额适用性，考虑到每种机器学习方法都有其优点和缺点，因此复杂系统建模的性能在很大程度上取决于各自的机器学习方法。一个直观的解决方案是使用多个机器学习方法构建多个模型，然后将他们融合易产生最佳结果，即多模型融合。

2、传统的多模型融合主要分为两种类型，即(1)多模型融合将多个子模型融合成一个统一模型，用于生成给定测试输入的输出，以及(2)多模型输出融合将多的模型的多个输出与给定测试输入融合。对于前者的多模型融合，常规的方法是集成学习中的bagging和boosting，对于后者的多模型输出融合，有基于权重的方法以及当每个模型附加了物理含义时的非基于权重的方法。两者本文档来自技高网...

【技术保护点】

1.一种基于集合运算的兼容多模型输出融合方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于集合运算的兼容多模型输出融合方法，其特征在于，所述训练集DT和测试集DV按照4:1的比例进行随机划分。

3.根据权利要求1所述的一种基于集合运算的兼容多模型输出融合方法，其特征在于，所述步骤S2中选取的两种机器学习模型为反向传播神经网络和径向基函数。

4.根据权利要求1所述的一种基于集合运算的兼容多模型输出融合方法，其特征在于，所述子模型的精度计算方法为：

5.根据权利要求1所述的一种基于集合运算的兼容多模型输出融合方法，其特征在于，所...

【技术特征摘要】

1.一种基于集合运算的兼容多模型输出融合方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于集合运算的兼容多模型输出融合方法，其特征在于，所述训练集dt和测试集dv按照4:1的比例进行随机划分。

3.根据权利要求1所述的一种基于集合运算的兼容多模型输出融合方法，其特征在于，所述步骤s2中选取的两种机器学习模型为反向传播神经网络和径向基函数。

4.根据权利要求1所述的一种基于集合运算的兼容多模型输出融合方法，其特征在于，所述子模型的精度计算方法为：

5.根据权利要求1所述的一种基于集合运算的兼容多模型输出融合方法，其特征在于，所述步骤s3中，计算关于第s个模型的第m个输入因素的核心数据与第q组数据之间的...

【专利技术属性】
技术研发人员：常雷雷，余晨浩，徐晓滨，曹友，侯平智，冯静，章振杰，马枫，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：