超聲波流量計是通過檢測流體流動對超聲束的作用來測量流量的儀表,廣泛應(yīng)用于流量不易測量的一類流量計。近年來超聲波流量計受到各界人士的青睞,其中液體超聲波流量計開始蓬勃發(fā)展,并被廣泛應(yīng)用于各行各業(yè)中。本文通過用UCI上2018年的四種液體超聲波流量計共計獲取到的540個示例樣本的173種屬性作為原始數(shù)據(jù)。首先對四種液體超聲波流量計所獲取的原始數(shù)據(jù)下進行數(shù)據(jù)預(yù)處理,對數(shù)據(jù)進行填補缺失值、標準化數(shù)據(jù),然后分別在四種液體超聲波流量計所獲取的數(shù)據(jù)下進行數(shù)據(jù)集的劃分,采用R語言中的strata函數(shù)對每一類抽取25%左右的數(shù)據(jù)作為驗證集,對各自剩余的數(shù)據(jù)集進行數(shù)據(jù)分析。利用VSCC方法對剩余的數(shù)據(jù)集進行特征選擇,在選取不同的閾值下利用十折交叉驗證,結(jié)合數(shù)據(jù)挖掘的一些經(jīng)典分類算法如支持向量機、人工神經(jīng)網(wǎng)絡(luò)、隨機森林、基于決策樹Bagging、基于決策樹的Boosting等方法選取各自對應(yīng)的最佳閾值。接下來利用各自方法在對應(yīng)的最佳閾值下對驗證集進行評價,發(fā)現(xiàn)在流量計A上使用人工神經(jīng)網(wǎng)絡(luò)選取所有的36個特征變量的預(yù)測精度最高,為94.4%;使用支持向量機選取12個特征變量的預(yù)測精度次之,為90.6%。在流量...

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 研究內(nèi)容及章節(jié)安排
第二章 數(shù)據(jù)分類及集成模型
    2.1 特征變量選擇――VSCC
    2.2 交叉驗證
        2.2.1 K折交叉驗證
        2.2.2 留K交叉驗證
    2.3 單一分類模型
        2.3.1 支持向量機
        2.3.2 人工神經(jīng)網(wǎng)絡(luò)
    2.4 集成模型
        2.4.1 隨機森林
        2.4.2 Bagging
        2.4.3 Boosting
    2.5 模型評價指標
第三章 模型建立與分析
    3.1 數(shù)據(jù)集描述
    3.2 二狀態(tài)（儀表A）液體超聲波流量計的分類
        3.2.1 數(shù)據(jù)集劃分
        3.2.2 數(shù)據(jù)建模
        3.2.3 模型評價
    3.3 三狀態(tài)（儀表B）液體超聲波流量計的分類
        3.3.1 數(shù)據(jù)集劃分
        3.3.2 數(shù)據(jù)分析
        3.3.3 模型評價
    3.4 四狀態(tài)（儀表C）液體超聲波流量計的分類
        3.4.1 數(shù)據(jù)集劃分
        3.4.2 數(shù)據(jù)分析
        3.4.3 模型評價
    3.5 四狀態(tài)（儀表D）液體超聲波流量計的分類
        3.5.1 數(shù)據(jù)集劃分
        3.5.2 數(shù)據(jù)分析
        3.5.3 模型評價
第四章 總結(jié)與展望
    4.1 總結(jié)
    4.2 展望
參考文獻
致謝



本文編號：3834996