基于随机森林算法的智能NB-IoT覆盖评估

介绍了一种基于随机森林算法的智能NB-IoT覆盖评估新方法,通过人工智能算法解决了NB-IoT覆盖评估不精确的难题.首先从理论推导和实测矫正2个方面介绍了目前NB-IoT覆盖评估一般所采用的线性评估方法,然后介绍了基于随机森林算法的数据获取和模型构建,最后对比了NB-IoT覆盖线性评估方法和随机森林算法模型评估方法的结...     

基于随机森林算法的FY-4A云底高度估计方法

基于2017年8月至10月FY-4A的云顶高度、云光学性质等上游产品和A-Train系列卫星星载毫米波雷达和激光雷达主动探测的云底高度资料,利用随机森林算法建模,提出了FY-4A对最上层云云底高度的估计算法,并用2017年11月独立样本对算法进行了检验与评估.结果表明,该算法可以有效实现对最上层云云底高度的估计,与星载主动探测结果相比,平均绝对偏差为1. 29 km,相关系数为0. 80.对单层云的估计结果相对较好,而多层云存在时云底高度的估计结果一般偏小.     

基于随机森林的雷达辐射源识别算法研究

为解决低信噪比条件下传统雷达辐射源识别准确性低、时效性差、稳健性不强的问题,提出了一种基于随机森林的雷达辐射源型号识别算法.算法以载频、脉宽、脉冲重复周期为识别特征向量,首先从先验样本集中随机抽取得到多个训练集,然后使用训练集构建多个决策树分类器,最后通过多个决策树分类器对新识别特征向量进行识别并投票得到最终识别结果....     

基于PSO-RF的GNSS-IR土壤湿度反演方法研究

基于全球导航卫星系统干涉测量(Global Navigation Satellite System Interferometry and Reflectometry,GNSS-IR)的土壤湿度监测弥补了传统测量方法的不足,是近年来遥感领域研究的热点.针对以往研究多采用全球定位系统(Global Positioning ...     

基于随机森林的系统性能指标贡献率评估

针对系统性能评估结果,分析各类指标在本次评估中的贡献率,是系统实现有针对性优化改进的重要基础。基于随机森林算法中的变量重要性测量(Variable Importance Measure,VIM),面向指标体系与评估结果值构建随机森林模型,设计实现一种系统性能指标贡献率评估方法,完成系统性能评价中指标重要程度排序。仿真结果表明,该方法可以精准快速地选取对系统评估结果影响较大的指标,从而为系统性能的提升提供理论支撑。     

基于随机森林算法的网络流量分类方法

精确的网络流量分类是实现互联网可控可管的关键,传统的单一分类算法需要构建基于特定假设的某种模型,算法对于待分类数据的分布要求高,不能满足复杂多变的网络流量的分类要求。基于此,采用多决策树组合的随机森林算法实现网络流量分类。通过实际网络流量数据实验表明,在各种情况下,随机森林算法都能显著改善网络流量特别是小比例样本的分类效果,算法降低了单一算法过于依赖特定假设模型的要求,对于待分类样本的分布要求低,随机森林算法具有良好的分类效果和鲁棒性。     

基于深度随机森林的新型组合分类算法

针对当前单分类器融合算法不灵活的缺点,提出基于深度随机森林的新型组合分类算法.该算法先建立50～400深度的随机森林,然后训练找到5个不同深度最优随机森林的模型,将其组合成一个新的模型.在威斯康辛州(诊断)乳腺癌数据集、无线定位数据集和加利福尼亚大学尔湾分校的汽车评估数据集上对提出的算法进行了实验验证,并与传统算法结果...     

基于Spark的改进随机森林算法

针对基于单机的经典随机森林算法无法满足海量数据处理需求的问题,文中采用Spark分布式存储计算技术设计并实现了改进的随机森林算法。首先计算特征的重要程度,将特征分为公共特征、独有特征和非重要特征;然后按顺序和比例分别在各个特征子空间中随机选择特征;最后通过Spark集群进行实验,分析改进的随机森林算法分类性能、加速比和效率。结果证实改进的算法提高了随机森林构建效率,可以用来解决海量数据挖掘问题,具有良好的可扩展性。     

基于随机森林算法的通信模组生产测试风险预测分析

阐述通信模组校准综测的问题分类和随机森林算法实现生产过程模组指标的风险预测的方法,通过分类预测,识别潜在风险,实现提高通信模组生产一致性的目的。     

基于改进随机森林的工业互联网安全态势评估方法

针对工业互联网安全态势评估存在数据特征提取困难和安全态势评估准确率低等难题,提出一种基于改进随机森林的工业互联网安全态势评估方法 .基于随机采样技术平衡原始数据集以减小不平衡数据集对实验的影响;利用梯度提升决策树确定工业互联网流量数据中不同特征的权重系数,结合递归特征消除法提取其关键特征;构建基于改进随机森林的工业互联网多分类攻击检测模型,识别网络受到的攻击类别,并结合安全态势量化指标确定其风险程度.实验结果表明,本文算法的检测准确率和F1值分别达到89.19%和89.68%,相较于传统随机森林算法、支持向量机和K最近邻算法,其准确率和F1值分别至少提高2.91%和1.7%,平均分别提高8.38%和9.33%.     

一种基于随机森林的激光大气传输效应评估方法北大核心CSCD

针对现有的激光大气传输效应评估方法(定标律评估和波动光学仿真评估)较难有良好的模型正则性和应用普适性的困难,提出一种基于随机森林的激光大气传输效应评估方法。该方法首先以烟台某地大气环境数据(温度、风速、湍流强度(C^(2)_(n))等)的随机采样和激光发射参数(传输距离、激光功率等)作为输入数据和多层相位屏模型仿真生成的环围功率(PIB)作为输出数据,然后利用随机森林进行训练和预测。结果表明,随机森林较支持向量机能更好的表征输入与输出间的多元回归关系,预测均方根误差优于0.021%;传输距离、C^(2)_(n)与PIB相关性最强,对PIB影响最大。本方法可为机器学习在激光大气传输效应评估的应用提供更加完善的理论依据,具备一定的应用价值。     

基于随机森林算法的心血管疾病预测研究

血管疾病严重威胁着人类的健康,高发病率、高致残率、高死亡率是心血管疾病的主要特点,因此心血管疾病的预测研究显得尤为重要.本文探讨了随机森林算法在心血管疾病预测中的应用效果.在Kaggle网站上下载关于心血管疾病的数据集,用随机森林算法进行训练,实验结果由准确性、精度、召回率、F1-score评价标准来评价其性能的好坏(...     

基于MLFMM算法与随机森林的天线场强预测模型

天线等弱电通信设备工作在电力铁塔等强电环境中时,出于安全考虑需要计算天线所在位置的电磁环境。现有电磁计算方法涉及复杂变换与迭代过程,耗时长、占用内存高,工程人员不易掌握。为此,将机器学习中的随机森林回归模型应用到多场源和散射体的复杂情况中,建立了多层快速多极子算法(MLFMM)与随机森林结合的场强预测模型。基于MLFMM算法,利用电磁仿真软件FEKO获取电磁环境中大量的电磁分布数据,并进行数据挖掘和特征分析,以提高场强预测效率,降低计算复杂度。最后,利用随机森林回归模型实现场强预测。高电压环境下金属散射体附近的天线场强预测结果与数值计算方法结果吻合良好,准确率高于95%,证明了机器学习方法结合数值电磁计算方法的可靠性。     

基于随机森林算法的农村用户返乡预测

安徽作为劳务大省,每年春节都有大量消费群体返乡。为了更好支撑春节期间电信业务市场业务拓展,预测农村用户的返乡情况,中国电信安徽分公司利用机器学习中的随机森林算法建立相应的预测模型。模型以用户的通话行为等作为输入特征,利用随机森林算法对农村用户返乡情况进行了预测。同时建立了决策树模型与之对比,相比而言,随机森林算法具有更好的分类效果,同样在实际营销过程中,有效地提高了营销运营效率。     

基于随机森林算法的模拟电路故障诊断

为提高模拟电路参变故障的诊断率,提出基于多特征向量提取和随机森林(RF)算法的模拟电路故障诊断新方法。采用时域和频域特征向量组合的多维特征向量以反映不同故障特征,经RF算法进行决策,并对决策树棵数及候选特征向量个数进行优化。故障诊断实验结果表明,所提方法能较好地实现容差模拟电路故障诊断,与支持向量机(SVM)方法相比,表现出更好的分类性能;与小波(包)特征提取方法相比,简化了多维数据特征提取步骤,易于实现在线故障诊断。     

基于随机森林算法的室内可见光指纹定位方法

为进一步提高动态目标室内可见光定位追踪系统性能,提出了一种基于随机森林（RF）算法的室内可见光指纹定位方法。利用发光二极管（LED）的光强信号作为特征构建指纹数据库,应用指纹库中的数据训练决策树,引入RF算法进行初始定位,再通过卡尔曼滤波对初始位置估计进行优化,从而获得更准确的定位轨迹。仿真结果表明：在5 m×5 m×3 m的室内场景下,通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果;此外,通过与不同室内可见光定位算法的性能进行对比,验证了所提算法的技术优势。     

基于Spark的随机森林的网络入侵检测方法

随着信息数据传输内容的不断丰富,信息传输方式的多样化,在网络安全管理中,需要改变传统网络安全管理以被动管理为主的模式,强化网络攻击的主动检测能力。基于Spark的随机森林算法在目前的理论研究中,已经取得了较为深入的研究成果,同时由于其在实际运行中所具有的优势,在应用于网络入侵检测中,具有较好的实用效果。本文对这方面的研究进行简要说明,以期为后续研究工作的开展起到应有的支撑作用。     

基于随机森林算法的电力工程数据预测分析建模与仿真

针对电力工程数据量大、种类较多且传统分析模型处理效果不佳等问题,文中构建了一种基于随机森林算法的电力工程数据预测分析模型。该模型通过采集层获取各种工程数据,并在数据分析层运用经灰狼优化算法改进的随机森林算法对各种数据进行深度挖掘及学习,以获得电力工程数据的预测结果,从而满足应用层的业务需求。基于Matlab仿真平台进行数值实验论证的结果表明,所提模型的平均绝对百分比误差与均方根误差分别为4.15%、34.19万元,且均优于其他对比模型。     

基于随机森林的高分影像分类及土地利用变化检测

以2017年4月WorldView-2(WV2)号和2020年11月SuperView-1(SV1)号2期高分辨率遥感影像为数据源,选取桂林市六塘镇为试验区,使用改进的双峰分裂阈值法进行建筑物阴影的检测和去除,融合影像的光谱信息、 纹理信息和几何信息等特征,利用随机森林方法,将研究区按照建筑用地、 林地、 耕地、 裸地...     

基于随机森林和RankSVM优化的行人识别方法

本文针对卡口环境及大样本情况下,基于样本数据量大时对测试图像使用RankSVM排名结果会很靠后,提出了一种新的基于随机森林和RankSVM的行人识别方法RF-SVM(RondomForest SVM)。首先,单个训练样本提取多维特征向量,经K-means算法将所有训练样本的特征向量聚类,根据随机森林得到测试目标的预测类别,在此类范围内采用RankSVM算法,将相似度排名顺序作为行人识别结果。与传统方法相比,本文引用了随机森林预测分类的方法,避免了测试图像与全体样本进行相似度匹配,仅在预测到的类别中使用RankSVM,这样得到的排名结果既准确又相对单一的RankSVM排名结果更靠前,聚类算法结合随机森林起到一个对样本数据初筛的作用。本文基于VIPeR样本库的实验证明,该方法对行人姿态变化具有鲁棒性,相比MCC[10]与RankSVM等文中实验列举的传统算法识别准确率高。