• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    集成學(xué)習(xí)

    • 訪問(wèn)控制日志驅(qū)動(dòng)的ABAC策略自動(dòng)提取與優(yōu)化增強(qiáng)
      。首先,構(gòu)建集成學(xué)習(xí)模型,將用戶行為和權(quán)限分配映射為策略邏輯樹(shù),識(shí)別訪問(wèn)授權(quán)決策的關(guān)聯(lián)性及潛在規(guī)律,初步生成策略;其次,通過(guò)單屬性優(yōu)化和規(guī)則二元約簡(jiǎn)兩種方法深度優(yōu)化策略,簡(jiǎn)化策略結(jié)構(gòu)并壓縮策略規(guī)模;最后,提出基于誤差度量的規(guī)則沖突解決方法,以增強(qiáng)互斥、完備的ABAC策略,并進(jìn)一步基于多目標(biāo)優(yōu)化的策略性能平衡算法實(shí)現(xiàn)不同場(chǎng)景需求的最優(yōu)模型選擇。分別在平衡數(shù)據(jù)集和稀疏數(shù)據(jù)集上進(jìn)行測(cè)試和驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,該方法在平衡數(shù)據(jù)集上的準(zhǔn)確性最高可達(dá)96.69%,可將策

      計(jì)算機(jī)應(yīng)用研究 2024年2期2024-03-05

    • 基于自蒸餾與自集成的問(wèn)答模型
      ;知識(shí)蒸餾;集成學(xué)習(xí);BERT中圖分類(lèi)號(hào):TP391.1?? 文獻(xiàn)標(biāo)志碼:A?? 文章編號(hào):1001-3695(2024)01-032-0212-05doi:10.19734/j.issn.1001-3695.2023.05.0281Question answering model based on self-distillation and self-ensembleAbstract:Knowledge distillation combined wit

      計(jì)算機(jī)應(yīng)用研究 2024年1期2024-02-18

    • 基于機(jī)器學(xué)習(xí)的兒童顱骨畸形分類(lèi)研究
      :顱骨畸形;集成學(xué)習(xí);圖像處理;分類(lèi)預(yù)測(cè)0 引言(Introduction)顱骨畸形[1]并不僅僅是外觀問(wèn)題,更是影響兒童健康發(fā)育的重要因素。顱骨畸形會(huì)改變嬰幼兒面部形態(tài),嚴(yán)重的畸形可能影響大腦發(fā)育,造成發(fā)育滯后的問(wèn)題。顱縫早閉[2]是導(dǎo)致顱骨變形的常見(jiàn)原因,全球每10 000名新生兒中就有3.1~6.4人患病。目前,我國(guó)對(duì)兒童顱骨畸形的診斷和治療未有統(tǒng)一標(biāo)準(zhǔn),診斷方法包括手工測(cè)量和CT臨床檢測(cè)以及近期出現(xiàn)的光學(xué)三維建模技術(shù),手工測(cè)量和臨床檢測(cè)存在速度慢、

      軟件工程 2024年1期2024-01-29

    • 基于集成學(xué)習(xí)的井漏智能預(yù)警模型及智能推理方法
      慶慶. 基于集成學(xué)習(xí)的井漏智能預(yù)警模型及智能推理方法[J]. 石油鉆采工藝,2023,45(1):47-54.摘要:水平井優(yōu)快鉆井技術(shù)加快了長(zhǎng)慶油田致密油氣大規(guī)模開(kāi)發(fā)速度,但由于部分區(qū)域地層孔隙和微裂縫發(fā)育,承壓能力低,極易發(fā)生井漏風(fēng)險(xiǎn),嚴(yán)重制約了水平井提速提效。為進(jìn)一步降低井漏風(fēng)險(xiǎn),提高漏失預(yù)警的時(shí)效性和準(zhǔn)確率,提出了一種因果關(guān)系約束下的井漏智能預(yù)警及漏失原因推理方法。基于漏失產(chǎn)生機(jī)理,分析了漏失風(fēng)險(xiǎn)的表征參數(shù)及其變化規(guī)律,將其作為輸入?yún)?shù)約束條件,利用

      石油鉆采工藝 2023年1期2023-12-22

    • Correlation between travel experiences and post-COVID outbound tourism intention: a case study from China
      ;新冠肺炎;集成學(xué)習(xí)https://doi.org/10.1631/jzus.A2300057https://doi.org/10.1631/jzus.A2300057Yinan DONG, https://orcid.org/0000-0002-6275-6175Apr. 28, 2023;June 17, 2023? Zhejiang University Press 2023Feb. 1, 2023;Mar. 19, 2023;

      Journal of Zhejiang University-Science A(Applied Physics & Engineering) 2023年11期2023-11-18

    • 基于集成學(xué)習(xí)數(shù)據(jù)挖掘的離合器換擋控制研究
      艷摘要:通過(guò)集成學(xué)習(xí)算法全面學(xué)習(xí)雙離合器變速箱(dual clutch transmission,DCT)換擋數(shù)據(jù),并建立模型預(yù)測(cè)換擋控制器,以補(bǔ)償轉(zhuǎn)矩保障真實(shí)轉(zhuǎn)速,可以實(shí)現(xiàn)對(duì)參考轉(zhuǎn)速的精準(zhǔn)追蹤,進(jìn)而實(shí)現(xiàn)DCT 換擋的智能控制。研究結(jié)果表明:在0.29 s 時(shí)DCT 出現(xiàn)降擋慣性相,穩(wěn)定跟隨目標(biāo)轉(zhuǎn)速,車(chē)輛沖擊度的最大值是7.2 m/s3,符合設(shè)計(jì)需求。隨著油門(mén)開(kāi)度的不斷增加,相較于其他控制策略,基于集成學(xué)習(xí)數(shù)據(jù)挖掘的模型預(yù)測(cè)換擋控制策略表現(xiàn)出很好的平順性,

      電子產(chǎn)品世界 2023年9期2023-10-28

    • 基于遷移模型集成的馬鈴薯葉片病害識(shí)別方法
      遷移方式進(jìn)行集成學(xué)習(xí)以快速識(shí)別馬鈴薯葉片病害圖像的方法。首先,利用多種遷移方式(全部參數(shù)遷移、特征提取、微調(diào)及全新訓(xùn)練4種訓(xùn)練方法),通過(guò)調(diào)整超參數(shù),使模型快速收斂達(dá)到全局最優(yōu)點(diǎn)。其次,使用混淆矩陣對(duì)多種遷移方式的訓(xùn)練模型結(jié)果進(jìn)行對(duì)比分析,微調(diào)模型識(shí)別準(zhǔn)確率達(dá)到95.45%。最后,利用集成學(xué)習(xí)將3種訓(xùn)練較優(yōu)的模型進(jìn)行集成并與微調(diào)模型進(jìn)行對(duì)比。通過(guò)試驗(yàn)建立了1個(gè)馬鈴薯葉片病害圖像數(shù)據(jù)集,結(jié)果表明,相比現(xiàn)有熱門(mén)神經(jīng)網(wǎng)絡(luò)模型,該數(shù)據(jù)集無(wú)論是識(shí)別準(zhǔn)確率還是識(shí)別效率

      江蘇農(nóng)業(yè)科學(xué) 2023年15期2023-09-11

    • 基于 BO-XGBoost與集成學(xué)習(xí)方法的供應(yīng)鏈金融信用評(píng)價(jià)研究
      ost算法的集成學(xué)習(xí)模型 BO-XGBoost-Bagging(BXB)。首先,基于XGBoost特征重要度進(jìn)行特征篩選,建立供應(yīng)鏈金融信用評(píng)價(jià)指標(biāo)體系。其次,通過(guò)貝葉斯優(yōu)化獲得XGBoost的最優(yōu)超參數(shù),并結(jié)合 Bagging 算法得到集成模型 BXB。最后,在中小企業(yè)數(shù)據(jù)集上進(jìn)行預(yù)測(cè),通過(guò)實(shí)證研究驗(yàn)證信用評(píng)價(jià)模型的有效性。實(shí)證結(jié)果表明,BXB 模型相比其他模型具有更好的預(yù)測(cè)效果,能夠更加準(zhǔn)確、全面地對(duì)中小企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估,更好地區(qū)分風(fēng)險(xiǎn)企業(yè)和正常

      上海理工大學(xué)學(xué)報(bào) 2023年1期2023-06-30

    • 用于不平衡節(jié)點(diǎn)分類(lèi)的集成圖神經(jīng)網(wǎng)絡(luò)模型
      衡節(jié)點(diǎn)分類(lèi);集成學(xué)習(xí)中圖分類(lèi)號(hào):TP183? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? 文章編號(hào):2096-4706(2023)03-0029-04Ensemble Graph Neural Network Model for Imbalanced Node ClassificationGUO Mengxin(Taiyuan Normal University, Jinzhong? 030619, China)Abstract: To solve the classifi

      現(xiàn)代信息科技 2023年3期2023-06-22

    • 上市公司股價(jià)崩盤(pán)預(yù)警模型研究
      Cox模型與集成學(xué)習(xí)模型相結(jié)合,發(fā)現(xiàn)模型的預(yù)測(cè)性能顯著提升。研究發(fā)現(xiàn)了股價(jià)崩盤(pán)在時(shí)序上的變化規(guī)律及風(fēng)險(xiǎn)預(yù)期,為企業(yè)持續(xù)經(jīng)營(yíng)與風(fēng)險(xiǎn)防范提供參考借鑒,有助于促進(jìn)資本市場(chǎng)的平穩(wěn)運(yùn)行;風(fēng)險(xiǎn)預(yù)警模型的建立有助于利益相關(guān)者有效識(shí)別股價(jià)崩盤(pán)風(fēng)險(xiǎn),在一定程度上保護(hù)股東和投資者的權(quán)益。關(guān)鍵詞:Cox模型;股價(jià)崩盤(pán);集成學(xué)習(xí);風(fēng)險(xiǎn)預(yù)警中圖分類(lèi)號(hào):F832.5? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ? ? 文章編號(hào):1007-0753(2023)03-0070-09一、引言近年來(lái)

      金融經(jīng)濟(jì) 2023年3期2023-05-30

    • 基于機(jī)器學(xué)習(xí)模型的公司債券違約預(yù)警研究
      acking集成學(xué)習(xí)方法融合XGBoost、GBDT、隨機(jī)森林模三種基本算法構(gòu)建預(yù)測(cè)模型,對(duì)企業(yè)債券是否違約進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明:融合模型的預(yù)測(cè)精準(zhǔn)率、召回率和F1度量指標(biāo)的可靠性明顯高于單一模型;各基學(xué)習(xí)器的學(xué)習(xí)能力越強(qiáng),關(guān)聯(lián)程度越低,模型融合后的預(yù)測(cè)效果越好。此外,凈資產(chǎn)收益率ROE、資產(chǎn)負(fù)債率、票面利率、流動(dòng)比率、資產(chǎn)凈利率ROA是影響企業(yè)是否違約的重要關(guān)注指標(biāo)。關(guān)鍵詞:債券違約;預(yù)警模型;集成學(xué)習(xí);重要指標(biāo)中圖分類(lèi)號(hào):F830.91? ? ? ?

      經(jīng)濟(jì)研究導(dǎo)刊 2023年1期2023-05-30

    • 基于隨機(jī)森林的集成學(xué)習(xí)入侵檢測(cè)方法
      于隨機(jī)森林的集成學(xué)習(xí)入侵檢測(cè)方法。通過(guò)K-means和SMOTE處理數(shù)據(jù)集獲得相關(guān)度高的平衡數(shù)據(jù)子集,隨機(jī)森林選擇出最優(yōu)的特征子集,基于樹(shù)的集成學(xué)習(xí)方法分類(lèi)結(jié)果。本文采用CICIDS2017數(shù)據(jù)集進(jìn)行本文方法可行性的研究,結(jié)果表明本文提出的方法相比傳統(tǒng)的單一機(jī)器學(xué)習(xí)方法具備更高的檢測(cè)精度和更低的時(shí)間開(kāi)銷(xiāo)。關(guān)鍵詞:隨機(jī)森林;集成學(xué)習(xí);入侵檢測(cè);機(jī)器學(xué)習(xí)中圖分類(lèi)號(hào):TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2022)19-0087-021

      電腦知識(shí)與技術(shù) 2022年19期2022-08-31

    • 基于混合采樣與Stacking集成的半潛式平臺(tái)警報(bào)預(yù)測(cè)模型
      ;混合采樣;集成學(xué)習(xí)中圖分類(lèi)號(hào):TP18;U661? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):2096-4706(2022)06-0079-03Alarm Prediction Model of Semi Submersible Platform Based on Composite Sampling and Stacking IntegrationLI Zhili1, LIU Xinghui1, LI Yuan1, LU Xudi2(1.Shand

      現(xiàn)代信息科技 2022年6期2022-07-06

    • 基于集成學(xué)習(xí)的大學(xué)生心理健康服務(wù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
      預(yù)警中,采用集成學(xué)習(xí)算法的隨機(jī)森林模型進(jìn)行數(shù)據(jù)分析,為高校心理輔導(dǎo)老師提供輔助,進(jìn)行智能預(yù)警。系統(tǒng)采用SSM框架、MySQL數(shù)據(jù)庫(kù)等主流的開(kāi)發(fā)工具與技術(shù),界面簡(jiǎn)潔友好,性能良好。關(guān)鍵詞:集成學(xué)習(xí);心理健康;隨機(jī)森林;學(xué)習(xí)策略中圖分類(lèi)號(hào):TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2022)12-0046-02開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):近年來(lái),當(dāng)代大學(xué)生的心理障礙問(wèn)題日益突出,采用人工智能算法提前預(yù)判學(xué)生心理健康并及時(shí)疏導(dǎo)

      電腦知識(shí)與技術(shù) 2022年12期2022-05-29

    • 基于自動(dòng)標(biāo)簽的城市信用畫(huà)像系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
      基于標(biāo)簽結(jié)合集成學(xué)習(xí)算法實(shí)現(xiàn)了信用風(fēng)險(xiǎn)的自動(dòng)預(yù)警,有效提升了信用監(jiān)管工作的效率。關(guān)鍵詞:自動(dòng)標(biāo)簽;信用畫(huà)像;集成學(xué)習(xí);風(fēng)險(xiǎn)預(yù)警;系統(tǒng)中圖分類(lèi)號(hào):TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2022)06-0001-03開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):1 概述近年來(lái),多地以信用信息平臺(tái)為支撐,以推進(jìn)誠(chéng)信文化建設(shè)、建立守信激勵(lì)和失信懲戒機(jī)制為重點(diǎn),以聯(lián)合獎(jiǎng)懲、信用服務(wù)為主要手段,全面推進(jìn)社會(huì)信用體系建設(shè)工作[1]。在大數(shù)據(jù)時(shí)代,匯

      電腦知識(shí)與技術(shù) 2022年6期2022-04-09

    • 一種基于高斯混合模型的不均衡分類(lèi)方法
      集,最后利用集成學(xué)習(xí)進(jìn)一步提升模型的泛化性能。實(shí)驗(yàn)結(jié)果表明,相比已有的一些處理方法,GMHSE可以提升不均衡數(shù)據(jù)的分類(lèi)性能。關(guān)鍵詞: 不均衡分類(lèi); 高斯混合模型;集成學(xué)習(xí);混合采樣中圖分類(lèi)號(hào):TP3 ? ? ?文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1009-3044(2022)02-0028-031 概述在數(shù)據(jù)挖掘的許多應(yīng)用,例如醫(yī)療診斷[1]、欺詐識(shí)別[2]等,都存在著類(lèi)別不均衡問(wèn)題。當(dāng)數(shù)據(jù)集中來(lái)自不同類(lèi)的實(shí)例數(shù)量差距較大時(shí),則該數(shù)據(jù)集存在類(lèi)別不均衡問(wèn)題,會(huì)限制學(xué)習(xí)

      電腦知識(shí)與技術(shù) 2022年2期2022-03-19

    • 基于特征選擇集成學(xué)習(xí)的軍事體育訓(xùn)練成績(jī)分析
      結(jié)合特征選擇集成學(xué)習(xí)模型一般步驟,建立基于特征選擇集成學(xué)習(xí)的軍事體育訓(xùn)練成績(jī)分析模型。模型按照軍事體育訓(xùn)練成績(jī)的數(shù)據(jù)規(guī)范化準(zhǔn)備,按照身體素質(zhì)建立特征子集和基學(xué)習(xí)器,按動(dòng)態(tài)權(quán)值構(gòu)建集成學(xué)習(xí)模型三步完成模型構(gòu)建。通過(guò)試點(diǎn)應(yīng)用,在歷史訓(xùn)練數(shù)據(jù)發(fā)現(xiàn)集成學(xué)習(xí)模型具有更高的預(yù)測(cè)效能和更好的可解釋性。關(guān)鍵詞:軍事體育訓(xùn)練;特征選擇;集成學(xué)習(xí);數(shù)據(jù)預(yù)處理中圖分類(lèi)號(hào):TP 181? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2022)03-0081-03開(kāi)放科學(xué)(

      電腦知識(shí)與技術(shù) 2022年3期2022-03-12

    • 基于集成學(xué)習(xí)的肺癌存活性預(yù)測(cè)分析
      型。關(guān)鍵詞:集成學(xué)習(xí);隨機(jī)森林;十折交叉驗(yàn)證;癌癥預(yù)后中圖分類(lèi)號(hào):TP311? ? ?文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):2096-1472(2022)-01-41-06Abstract: In China, lung cancer has the highest mortality rates among all of the malignant tumors. In order to improve the accuracy of lung cancer surv

      軟件工程 2022年1期2022-01-04

    • 基于集成學(xué)習(xí)的乳腺癌生存預(yù)測(cè)研究
      庫(kù);乳腺癌;集成學(xué)習(xí);預(yù)后預(yù)測(cè)中圖分類(lèi)號(hào):TP181;R737.9? ? ? ? ? ? ?DOI:10.16375/j.cnki.cn45-1395/t.2022.01.0150? ? 引言乳腺癌是女性中最常見(jiàn)的腫瘤之一,也是人類(lèi)第二大致死癌癥[1]。據(jù)2018年國(guó)際癌癥研究機(jī)構(gòu)調(diào)查的數(shù)據(jù)顯示,全球女性乳腺癌的發(fā)病率為24.2%,位居女性惡性腫瘤首位,嚴(yán)重威脅著女性的身心健康[2]。對(duì)癌癥患者生存數(shù)據(jù)的分析一直備受?chē)?guó)內(nèi)外學(xué)者的廣泛關(guān)注。目前多數(shù)研究都是通

      廣西科技大學(xué)學(xué)報(bào) 2022年1期2022-01-01

    • 推薦系統(tǒng)綜述
      于記憶網(wǎng)絡(luò)和集成學(xué)習(xí)的推薦系統(tǒng)為用戶精確地推薦物品。本文將對(duì)基于矩陣分解、基于深度學(xué)習(xí)、基于記憶網(wǎng)絡(luò)和基于集成學(xué)習(xí)的推薦系統(tǒng)進(jìn)行分析和總結(jié),展望未來(lái)的研究方向。關(guān)鍵詞: 推薦系統(tǒng); 矩陣分解; 神經(jīng)網(wǎng)絡(luò); 記憶網(wǎng)絡(luò); 集成學(xué)習(xí)文章編號(hào): 2095-2163(2021)07-0228-06中圖分類(lèi)號(hào):TP393.01文獻(xiàn)標(biāo)志碼: AA survey on recommender systemsZHAO Yan, LIU Hongwei(School of C

      智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07

    • 基于集成學(xué)習(xí)的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬
      提出一種基于集成學(xué)習(xí)的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬算法。該方法首先采集業(yè)務(wù)服務(wù)所在局域網(wǎng)內(nèi)的網(wǎng)絡(luò)流量和時(shí)延信息,經(jīng)數(shù)據(jù)預(yù)處理后,得到數(shù)據(jù)集。其次,基于Stacking集成學(xué)習(xí)方法,以隨機(jī)森林為元學(xué)習(xí)器,將Boosting簇三種模型作為初級(jí)學(xué)習(xí)器進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果經(jīng)融合后作為時(shí)延預(yù)測(cè)的基準(zhǔn)值。接著,以分段回歸樹(shù)為模型預(yù)測(cè)時(shí)延抖動(dòng)特征。最后,將時(shí)延基準(zhǔn)和抖動(dòng)特征疊加,得到符合局域網(wǎng)時(shí)延抖動(dòng)特性的綜合時(shí)延模型,基于該模型實(shí)現(xiàn)蜜網(wǎng)系統(tǒng)時(shí)延模擬,從而降低被攻擊者識(shí)別概率。最終實(shí)

      軟件工程 2021年11期2021-11-09

    • 基于組合模型的城市住房租金預(yù)測(cè)研究
      績(jī)效,并采用集成學(xué)習(xí)理論對(duì)模型有效性進(jìn)行了增強(qiáng),同時(shí)從機(jī)器學(xué)習(xí)的角度對(duì)住房租金影響因素進(jìn)行了分析。結(jié)果顯示:隨機(jī)森林和XGBoost在住房租金預(yù)測(cè)問(wèn)題上的預(yù)測(cè)性能優(yōu)于其他機(jī)器學(xué)習(xí)模型,而基于集成學(xué)習(xí)理論構(gòu)建的組合預(yù)測(cè)模型則優(yōu)于個(gè)體機(jī)器學(xué)習(xí)模型。進(jìn)一步地,基于樹(shù)集成方法的特征重要性分析發(fā)現(xiàn),交通、教育以及區(qū)位條件是影響住房租金的關(guān)鍵影響要素。關(guān)鍵詞:互聯(lián)網(wǎng)數(shù)據(jù);住房租金預(yù)測(cè);機(jī)器學(xué)習(xí);集成學(xué)習(xí);組合模型中圖分類(lèi)號(hào):F293 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1001-

      中國(guó)房地產(chǎn)·綜合版 2021年9期2021-11-02

    • 基于隨機(jī)森林的光譜分類(lèi)模型研究
      點(diǎn)。關(guān)鍵詞:集成學(xué)習(xí);Bagging;隨機(jī)森林中圖分類(lèi)號(hào):TP273.4 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2021)07-0081-04Study on Spectral Classification Model Based on Random ForestYUAN Zhengxi(South China Normal University,Guangzhou? 510631,China)Abstract:In this paper,the

      現(xiàn)代信息科技 2021年7期2021-10-16

    • 基于集成卷積神經(jīng)網(wǎng)絡(luò)的LiDAR數(shù)據(jù)分類(lèi)
      隨機(jī)子空間的集成學(xué)習(xí)框架。通過(guò)有放回的隨機(jī)抽取LiDAR訓(xùn)練集構(gòu)成子集,以深度卷積神經(jīng)網(wǎng)絡(luò)模型為單個(gè)子分類(lèi)器,最后采用多數(shù)投票法確定最終樣本的類(lèi)別,以獲得更好的分類(lèi)精度。實(shí)驗(yàn)結(jié)果表明,所提方法在Bayview Park和Houston兩個(gè)數(shù)據(jù)集上分別取得了93.31%和80.95%的總體分類(lèi)精度,與其他3種分類(lèi)算法相比具有更好的分類(lèi)效果,由此證明該網(wǎng)絡(luò)在擁有較高分類(lèi)精度的同時(shí)還具有良好的泛化能力。關(guān)鍵詞:LiDAR;圖像分類(lèi);深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);集成學(xué)

      哈爾濱理工大學(xué)學(xué)報(bào) 2021年4期2021-10-07

    • 基于增量集成學(xué)習(xí)的動(dòng)態(tài)自適應(yīng)SDN入侵檢測(cè)
      ,提出了增量集成學(xué)習(xí)算法,并用該算法解決SDN入侵檢測(cè)問(wèn)題。該算法利用滑動(dòng)窗口法獲得數(shù)據(jù)塊,對(duì)新的數(shù)據(jù)塊進(jìn)行訓(xùn)練獲得子分類(lèi)器,然后依據(jù)在歷史數(shù)據(jù)塊和當(dāng)前數(shù)據(jù)塊的分類(lèi)結(jié)果篩選子分類(lèi)器進(jìn)行集成,使得分類(lèi)模型不斷完善從而能夠自適應(yīng)的識(shí)別未知攻擊行為。通過(guò)在NSL-KDD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果可以看到,該算法可以提高未知攻擊的識(shí)別率。關(guān)鍵詞:增量學(xué)習(xí);集成學(xué)習(xí);入侵檢測(cè);軟件定義網(wǎng)絡(luò)Abstract:With the popularization of SDN net

      計(jì)算技術(shù)與自動(dòng)化 2021年3期2021-10-01

    • 基于集成學(xué)習(xí)算法的返貧人口識(shí)別模型
      征,構(gòu)建基于集成學(xué)習(xí)算法的返貧人口識(shí)別模型進(jìn)行貧困人口分類(lèi)。結(jié)果表明,經(jīng)調(diào)優(yōu)的XGBoost算法模型取得最優(yōu)結(jié)果,對(duì)已脫貧、未脫貧及返貧3類(lèi)人員分別達(dá)97.43%、92.44%、97.04%的識(shí)別準(zhǔn)確率,總體達(dá)到96.81%的準(zhǔn)確率,能夠較好識(shí)別出貧困人口貧困類(lèi)別。為幫扶工作人員的防返貧動(dòng)態(tài)監(jiān)測(cè)和幫扶工作提供技術(shù)支持。關(guān)鍵詞:建檔立卡;集成學(xué)習(xí);返貧識(shí)別;動(dòng)態(tài)監(jiān)測(cè)中圖分類(lèi)號(hào): F323.8;TP181? 文獻(xiàn)標(biāo)志碼: A文章編號(hào):1002-1302(202

      江蘇農(nóng)業(yè)科學(xué) 2021年17期2021-09-26

    • 基于集成學(xué)習(xí)技術(shù)的隧道圍巖智能分級(jí)方法研究
      acking集成學(xué)習(xí)模型,增加了模型分類(lèi)的穩(wěn)定性,提高了模型預(yù)測(cè)準(zhǔn)確度。該方法解決了傳統(tǒng)隧道圍巖分級(jí)方法存在評(píng)價(jià)方法單一、評(píng)價(jià)不及時(shí)、主觀誤差大等問(wèn)題?!娟P(guān)鍵詞】隧道工程; 集成學(xué)習(xí); 圍巖分級(jí)【中國(guó)分類(lèi)號(hào)】U451+.2【文獻(xiàn)標(biāo)志碼】A隧道圍巖級(jí)別是制定巖變我變、因巖施策的設(shè)計(jì)施工參數(shù)的主要依據(jù)。當(dāng)前,研究隧道圍巖分級(jí)方法主要分為間接方法和直接方法。其中,間接方法主要包括RQD方法、RMR方法、BQ方法。間接方法缺點(diǎn)是圍巖信息采集往往需要地質(zhì)人員到現(xiàn)場(chǎng)掌

      四川建筑 2021年4期2021-09-15

    • 海洋溫差能發(fā)電系統(tǒng)最優(yōu)化控制
      網(wǎng)絡(luò)模型以及集成學(xué)習(xí)等方法構(gòu)建了ORC海洋發(fā)電系統(tǒng)的仿真模型,其可以實(shí)現(xiàn)使用者輸入相應(yīng)的溫度,模型自動(dòng)返回所需要的變化的工質(zhì)流量以及具體需要變大還是變小,我們也基于單片機(jī)實(shí)現(xiàn)了同樣的功能。關(guān)鍵詞:多元線性回歸;集成學(xué)習(xí) ;神經(jīng)網(wǎng)絡(luò) ;單片機(jī)1基于機(jī)器學(xué)習(xí)的海洋溫差能發(fā)電系統(tǒng)的優(yōu)化1.1不同溫度下的最佳工質(zhì)流量最初,我們首先測(cè)量了ORC實(shí)驗(yàn)儀器的在不同溫度下對(duì)應(yīng)不同工質(zhì)流量所產(chǎn)生的發(fā)電功率,發(fā)現(xiàn)ORC實(shí)驗(yàn)裝置在某一固定溫度下隨著冷媒質(zhì)量流量增大,發(fā)電功率先增

      國(guó)際商業(yè)技術(shù) 2021年10期2021-09-10

    • 隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)燃機(jī)健康監(jiān)測(cè)方法研究
      神經(jīng)網(wǎng)絡(luò); 集成學(xué)習(xí)1 ?概 ?述內(nèi)燃機(jī)作為一種重要的動(dòng)力機(jī)械,廣泛應(yīng)用于各個(gè)領(lǐng)域,對(duì)其系統(tǒng)健康狀況的監(jiān)測(cè)不僅能夠保證設(shè)備平穩(wěn)高效的運(yùn)行,而且能夠及時(shí)發(fā)現(xiàn)出現(xiàn)的故障狀況,有效防止重大事故的發(fā)生[1]。基于振動(dòng)信號(hào)的分析是對(duì)內(nèi)燃機(jī)健康狀態(tài)監(jiān)測(cè)的重要途徑。這是由于振動(dòng)信號(hào)采集方便,并且采集的振動(dòng)信號(hào)包含了往復(fù)運(yùn)動(dòng)、旋轉(zhuǎn)運(yùn)動(dòng)、機(jī)械沖擊和氣體的高速流動(dòng)等豐富的信息。但是,內(nèi)燃機(jī)系統(tǒng)的振動(dòng)激勵(lì)源多,其振動(dòng)信號(hào)具有強(qiáng)耦合、弱故障特征的特點(diǎn)[2],因此如何準(zhǔn)確地提取振動(dòng)

      振動(dòng)工程學(xué)報(bào) 2021年4期2021-09-08

    • 基于lightGBM的聯(lián)通話費(fèi)購(gòu)?fù)扑]系統(tǒng)研究
      工程? ? 集成學(xué)習(xí)一、項(xiàng)目背景聯(lián)通話費(fèi)購(gòu)商城是中國(guó)聯(lián)通提供的新型通信賬戶消費(fèi)業(yè)務(wù),是聯(lián)通用戶購(gòu)買(mǎi)多種會(huì)員權(quán)益的專屬商城。為用戶提供話費(fèi)計(jì)費(fèi)和第三方支付等多種支付方式。實(shí)現(xiàn)用戶一站式購(gòu)買(mǎi)音樂(lè)、視頻、小說(shuō)、教育、娛樂(lè)等眾多互聯(lián)網(wǎng)會(huì)員權(quán)益及知識(shí)付費(fèi)類(lèi)數(shù)字商品,現(xiàn)有自營(yíng)會(huì)員產(chǎn)品話費(fèi)購(gòu)、尊享黃金會(huì)員以及自營(yíng)虛擬貨幣話費(fèi)券。目前,話費(fèi)購(gòu)商城涵蓋影視會(huì)員、出行、音樂(lè)、知識(shí)付費(fèi)、社交、工具等八大產(chǎn)品類(lèi)80款會(huì)員權(quán)益,近400余款商品。本文通過(guò)為話費(fèi)購(gòu)搭建推薦系統(tǒng),智能化

      中國(guó)新通信 2021年12期2021-08-27

    • 基于CRT-EL的海洋環(huán)境數(shù)據(jù)綜合預(yù)測(cè)方法
      選擇結(jié)果作為集成學(xué)習(xí)模型的輸入,進(jìn)一步對(duì)海洋生態(tài)環(huán)境狀態(tài)進(jìn)行預(yù)測(cè)。仿真結(jié)果證明,該模型具有較高的準(zhǔn)確率,可以應(yīng)用到實(shí)際工程中。關(guān)鍵詞:海洋生態(tài)環(huán)境;數(shù)據(jù)分析;交叉遞歸理論;海洋序列預(yù)測(cè);集成學(xué)習(xí)中圖分類(lèi)號(hào):TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2021)17-0004-03開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):Comprehensive Prediction for Marine Environment Data base

      電腦知識(shí)與技術(shù) 2021年17期2021-08-03

    • 集成學(xué)習(xí)算法之隨機(jī)森林與梯度提升決策樹(shù)的分析比較
      理極為重要。集成學(xué)習(xí)算法中的隨機(jī)森林和梯度提升決策樹(shù)是近些年來(lái)常被用于處理數(shù)據(jù)分類(lèi)與回歸的方法,決策樹(shù)則是隨機(jī)森林和梯度提升決策樹(shù)算法組成的基礎(chǔ)。本文首先對(duì)決策樹(shù)進(jìn)行了介紹,然后分別對(duì)隨機(jī)森林和梯度提升決策樹(shù)進(jìn)行了分析,敘述了兩種算法的優(yōu)缺點(diǎn)以及近幾年來(lái)在生活生產(chǎn)中的應(yīng)用,并對(duì)兩種算法進(jìn)行了比較。關(guān)鍵詞:決策樹(shù);隨機(jī)森林;梯度提升決策樹(shù);集成學(xué)習(xí)中圖分類(lèi)號(hào):TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2021)15-0032-03隨著

      電腦知識(shí)與技術(shù) 2021年15期2021-07-19

    • 基于支持向量回歸集成學(xué)習(xí)的新能源汽車(chē)銷(xiāo)量預(yù)測(cè)
      agging集成學(xué)習(xí)方法,對(duì)我國(guó)新能源汽車(chē)的銷(xiāo)量進(jìn)行預(yù)測(cè)和分析。首先,選取影響消費(fèi)者購(gòu)買(mǎi)意愿的公共充電樁數(shù)量和決定消費(fèi)者購(gòu)買(mǎi)能力的居民可支配收入作為模型的自變量,并收集相關(guān)數(shù)據(jù);其次,從原始樣本中隨機(jī)抽取樣本量為20的5個(gè)相互獨(dú)立的樣本集,并使用6個(gè)訓(xùn)練數(shù)據(jù)對(duì)這5個(gè)樣本集進(jìn)行訓(xùn)練,得到5個(gè)支持向量回歸模型;然后,平均5個(gè)模型的結(jié)果,減少模型噪聲,優(yōu)化最終預(yù)測(cè)效果;最后,分析所得的預(yù)測(cè)新能源汽車(chē)銷(xiāo)量模型的準(zhǔn)確性及不足之處。關(guān)鍵詞:支持向量回歸 集成學(xué)習(xí) 新能

      時(shí)代汽車(chē) 2021年10期2021-07-16

    • 基于集成學(xué)習(xí)的煤和矸石圖像識(shí)別技術(shù)研究與實(shí)現(xiàn)
      定性,并采用集成學(xué)習(xí)的方法將多個(gè)深度計(jì)算模型的預(yù)測(cè)結(jié)果進(jìn)行融合,以此提升整個(gè)識(shí)別方法的性能。經(jīng)過(guò)實(shí)驗(yàn)研究結(jié)果發(fā)現(xiàn),通過(guò)以上方法可以在小型數(shù)量級(jí)上較快得到一個(gè)具有較高識(shí)別精度和召回率識(shí)別模型,并且模型的預(yù)測(cè)結(jié)果更能夠反映模型在實(shí)際生產(chǎn)環(huán)境中的真實(shí)表現(xiàn)。綜上可以得知,本文所實(shí)現(xiàn)的模型方法更能夠適應(yīng)煤和矸石的識(shí)別研究領(lǐng)域的需求,對(duì)未來(lái)深度學(xué)習(xí)方法在煤矸識(shí)別的研究具有較高的實(shí)際應(yīng)用價(jià)值和意義。關(guān)鍵詞:煤矸識(shí)別;集成學(xué)習(xí);人工噪聲;交叉驗(yàn)證;TTA中圖分類(lèi)號(hào):TP3

      電腦知識(shí)與技術(shù) 2021年10期2021-06-28

    • 基于LightGBM算法的中小上市公司財(cái)務(wù)困境預(yù)測(cè)研究
      ghtGBM集成學(xué)習(xí)模型對(duì)中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)準(zhǔn)確率高達(dá)0.950 877、AUC值為0.975 8遠(yuǎn)遠(yuǎn)高于基于其他算法的預(yù)測(cè)模型。這對(duì)金融企業(yè)精準(zhǔn)評(píng)價(jià)中小企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)以及政府實(shí)施中小企業(yè)政策扶持提供決策參考。關(guān)鍵詞:財(cái)務(wù)困境預(yù)測(cè);集成學(xué)習(xí);LightGBM;特征選擇中圖分類(lèi)號(hào):F275;TP311.1? ? ? 文獻(xiàn)標(biāo)志碼:A? ? ? 文章編號(hào):1008-4657(2021)03-0057-17引言我國(guó)中小企業(yè)是在經(jīng)濟(jì)運(yùn)行中發(fā)揮關(guān)鍵作用的社會(huì)主義經(jīng)濟(jì)

      荊楚理工學(xué)院學(xué)報(bào) 2021年3期2021-03-29

    • 一種混合的信用卡欺詐檢測(cè)模型
      ,通過(guò)半監(jiān)督集成學(xué)習(xí)的方法,利用異常數(shù)據(jù)進(jìn)一步擴(kuò)充集成模型的多樣性,并將異常檢測(cè)和集成模型融合。實(shí)驗(yàn)結(jié)果表明,比起一些傳統(tǒng)的機(jī)器學(xué)習(xí)方法,AWFD可以提高整體的信用卡欺詐檢測(cè)的識(shí)別率。關(guān)鍵詞:信用卡欺詐檢測(cè);異常檢測(cè);半監(jiān)督;集成學(xué)習(xí);多樣性中圖分類(lèi)號(hào): TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2021)02-0194-03Abstract:Credit card fraud detection is a serious pr

      電腦知識(shí)與技術(shù) 2021年2期2021-03-24

    • 基于深度神經(jīng)網(wǎng)絡(luò)的行為識(shí)別算法
      為識(shí)別算法;集成學(xué)習(xí)中圖分類(lèi)號(hào):TP393? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2021)03-0017-02隨著科技的發(fā)展,日常生活中的行為會(huì)被攝像頭記錄下來(lái),大量視頻網(wǎng)站紛紛涌現(xiàn)。近年來(lái),隨著智能手機(jī)的普及,人們會(huì)將日常生活中所拍攝的視頻發(fā)送到網(wǎng)上,這些視頻為計(jì)算機(jī)技術(shù)帶來(lái)了新的發(fā)展機(jī)遇。而在密集場(chǎng)所中,攝像設(shè)備安裝數(shù)量也越來(lái)越多,其中記錄了大量視頻資料,包含各種人體行為。這些功能都需要行為識(shí)別算法才能夠?qū)崿F(xiàn),這對(duì)計(jì)算機(jī)視覺(jué)技術(shù)提出了

      電腦知識(shí)與技術(shù) 2021年3期2021-03-15

    • 基于集成學(xué)習(xí)的全云化健康大數(shù)據(jù)整合系統(tǒng)設(shè)計(jì)
      : 設(shè)計(jì)基于集成學(xué)習(xí)的全云化健康大數(shù)據(jù)整合系統(tǒng),實(shí)現(xiàn)健康大數(shù)據(jù)的高效率、高精度整合。管理員操作管理操作層實(shí)現(xiàn)系統(tǒng)控制、調(diào)控以及應(yīng)用;大數(shù)據(jù)分析層通過(guò)ELM預(yù)測(cè)模型的參數(shù)單步預(yù)測(cè)方法獲取融合多維參數(shù)信息的健康數(shù)據(jù)預(yù)測(cè)結(jié)果,并采用Bagging集成學(xué)習(xí)方法融合ELM預(yù)測(cè)模型獲取高精度的強(qiáng)學(xué)習(xí)模型,實(shí)現(xiàn)差異多維全云化健康大數(shù)據(jù)的有效判讀;通過(guò)全云化健康大數(shù)據(jù)整合層中的整合管理器以及整合運(yùn)行引擎整合健康大數(shù)據(jù),并通過(guò)調(diào)控層將整合后的健康大數(shù)據(jù)反饋到大數(shù)據(jù)資源層中,

      現(xiàn)代電子技術(shù) 2020年22期2020-12-07

    • 基于YOLO v3級(jí)聯(lián)網(wǎng)絡(luò)和集成學(xué)習(xí)的高鐵接觸網(wǎng)開(kāi)口銷(xiāo)缺失識(shí)別
      3級(jí)聯(lián)網(wǎng)絡(luò)和集成學(xué)習(xí)的故障識(shí)別方法。首先利用YOLO v3級(jí)聯(lián)網(wǎng)絡(luò)對(duì)接觸網(wǎng)支持裝置和定位裝置中開(kāi)口銷(xiāo)進(jìn)行精確定位,然后集成多個(gè)弱分類(lèi)器,實(shí)現(xiàn)對(duì)開(kāi)口銷(xiāo)缺失情況的識(shí)別。實(shí)驗(yàn)結(jié)果表明,本文方法能準(zhǔn)確高效地識(shí)別接觸網(wǎng)開(kāi)口銷(xiāo)的缺失故障。關(guān)鍵詞:YOLO v3; 高鐵接觸網(wǎng); 開(kāi)口銷(xiāo)釘缺失; 集成學(xué)習(xí)引言開(kāi)口銷(xiāo)是接觸網(wǎng)最重要的連接零件之一[1]。由于服役于露天環(huán)境,且長(zhǎng)期處于弓網(wǎng)作用中,開(kāi)口銷(xiāo)容易發(fā)生脫落等故障,進(jìn)而使受流質(zhì)量劣化,甚至出現(xiàn)打弓等事故[2]。因此,定期

      裝備維修技術(shù) 2020年10期2020-11-19

    • 基于Stacking的鋼板表面顏色預(yù)測(cè)
      顏色;分類(lèi);集成學(xué)習(xí);Stacking方法中圖分類(lèi)號(hào):TP181 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1006-8228(2020)08-65-040 引言鋼板表面顏色是判定鋼板表面耐蝕性能一種重要指標(biāo),普通熱軋鋼板最常見(jiàn)的顏色有紅褐色和青黑色兩種,顏色的不同對(duì)鋼板耐銹蝕能力有很大影響,紅褐色主要是結(jié)構(gòu)疏松的Fe2O3,容易吸收水分和鹽分加速銹蝕,而青黑色主要是結(jié)構(gòu)致密的Fe3O4,可以有效延緩鋼板的銹蝕,對(duì)于鋼板下線后的保存、運(yùn)輸、加工和使用等過(guò)程比較有利[1-2

      計(jì)算機(jī)時(shí)代 2020年8期2020-09-15

    • 基于XGBoost的無(wú)線傳播預(yù)測(cè)模型
      義。關(guān)鍵詞:集成學(xué)習(xí);無(wú)線傳播模型;數(shù)據(jù)分析;特征工程DOI:10. 11907/rjdk. 192477 開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):中圖分類(lèi)號(hào):TP301文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2020)008-0035-05Abstract:Traditional wireless propagation models usually need to divide propagation scenarios based on emp

      軟件導(dǎo)刊 2020年8期2020-09-02

    • 集成學(xué)習(xí)之隨機(jī)森林分類(lèi)算法的研究與應(yīng)用
      邢海花摘要:集成學(xué)習(xí)是多分類(lèi)器學(xué)習(xí)系統(tǒng)。而隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類(lèi)器,是一種基于Bagging的集成學(xué)習(xí)方法。隨機(jī)森林具有預(yù)測(cè)準(zhǔn)確率、不容易出現(xiàn)過(guò)擬合的特點(diǎn),在很多領(lǐng)域都有所應(yīng)用。本文主要利用隨機(jī)森林算法對(duì)心臟病數(shù)據(jù)集建立了分類(lèi)預(yù)測(cè)模型,實(shí)驗(yàn)結(jié)果表明,隨機(jī)森林算法在預(yù)測(cè)性能上超過(guò)了決策樹(shù)和邏輯回歸分類(lèi)算法,并通過(guò)繪制ROC曲線對(duì)四種模型進(jìn)行了對(duì)比。關(guān)鍵詞:集成學(xué)習(xí);隨機(jī)森林;預(yù)測(cè)中圖分類(lèi)號(hào):TP181 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(

      電腦知識(shí)與技術(shù) 2020年21期2020-08-21

    • 基于MDM的KELM學(xué)習(xí)器選擇性集成網(wǎng)絡(luò)入侵檢測(cè)
      要: 采用集成學(xué)習(xí)模式進(jìn)行入侵檢測(cè)時(shí),可以獲得比單個(gè)學(xué)習(xí)器更高效的網(wǎng)絡(luò)攻擊識(shí)別過(guò)程,并能顯著提高識(shí)別準(zhǔn)確率。設(shè)計(jì)的SN通過(guò)MDM對(duì)各KELM子學(xué)習(xí)器計(jì)算得到集成增益度,從中選出具有較高增益度的KELM子學(xué)習(xí)器再實(shí)施集成。選擇Bagging方式完成抽樣集成過(guò)程,同時(shí)以Hadoop分布式結(jié)構(gòu)對(duì)算法實(shí)施訓(xùn)練,通過(guò)并發(fā)方式完成各子KELM的檢測(cè),使算法達(dá)到更高的效率。通過(guò)測(cè)試發(fā)現(xiàn),不管對(duì)于公共KDD99數(shù)據(jù)集還是以手工方式建立的網(wǎng)絡(luò)物理仿真系統(tǒng),SN都可以高效發(fā)

      微型電腦應(yīng)用 2020年7期2020-07-29

    • Stacking算法在醫(yī)療健康數(shù)據(jù)中的應(yīng)用研究
      cking的集成學(xué)習(xí)算法,在兩種疾病數(shù)據(jù)集上,實(shí)驗(yàn)結(jié)果表明,該方法性能良好。關(guān)鍵詞:集成學(xué)習(xí);隨機(jī)森林;堆棧1 ? ?分類(lèi)挖掘技術(shù)在疾病輔助診斷上的應(yīng)用近年來(lái),越來(lái)越多的學(xué)者將分類(lèi)挖掘技術(shù)應(yīng)用于疾病的輔助診斷上,如劉文博等[1]提出了一種迭代隨機(jī)森林算法,對(duì)糖尿病數(shù)據(jù)進(jìn)行預(yù)測(cè)。金強(qiáng)等[2]提出,應(yīng)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法,提高乳腺癌診斷準(zhǔn)確率。本文提出了一種基于堆棧的集成學(xué)習(xí)算法,應(yīng)用于肝臟疾病和皮膚疾病數(shù)據(jù)的分類(lèi)預(yù)測(cè),為臨床診斷、個(gè)人健康提供有效的決策依

      科學(xué)大眾 2020年5期2020-07-18

    • 集成學(xué)習(xí)算法在疾病預(yù)測(cè)中的應(yīng)用研究
      章分析了3種集成學(xué)習(xí)框架,在3個(gè)疾病數(shù)據(jù)集上對(duì)3種典型的集成學(xué)習(xí)算法進(jìn)行比較,結(jié)果表明:基于Stacking的集成算法在疾病預(yù)測(cè)方面表現(xiàn)良好。關(guān)鍵詞:集成學(xué)習(xí);隨機(jī)森林;堆棧近年來(lái),眾多學(xué)者將集成學(xué)習(xí)應(yīng)用到醫(yī)療診斷中,以提高疾病預(yù)測(cè)的準(zhǔn)確率,如苗豐順等[1]提出了一種新型的Boosting算法,預(yù)測(cè)糖尿病患者。王榮政等[2]應(yīng)用集成學(xué)習(xí),識(shí)別血糖異常個(gè)體。本文應(yīng)用3種不同的集成學(xué)習(xí)算法,對(duì)3種疾病機(jī)型進(jìn)行分類(lèi)預(yù)測(cè),以比較3種算法在疾病預(yù)測(cè)方面的性能。1 ?

      科學(xué)大眾 2020年5期2020-07-18

    • 基于集成學(xué)習(xí)的測(cè)井巖性識(shí)別模型的構(gòu)建
      acking集成學(xué)習(xí)的測(cè)井巖性識(shí)別方法。該方法建立了一種以樸素貝葉斯、隨機(jī)森林、支持向量機(jī)三種模型作為初級(jí)訓(xùn)練器,邏輯回歸模型作為次級(jí)訓(xùn)練器的融合模型。該融合模型提高了測(cè)井巖性識(shí)別效率,實(shí)現(xiàn)了測(cè)井?dāng)?shù)據(jù)自動(dòng)化處理,提高了地質(zhì)勘察人員的工作效率。文中以鄂爾多斯盆地的鉆孔測(cè)井?dāng)?shù)據(jù)為訓(xùn)練樣本,通過(guò)與其他機(jī)器學(xué)習(xí)模型的結(jié)果比較,該模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果相比具有較好的一致性,識(shí)別率優(yōu)于其他學(xué)習(xí)模型。關(guān)鍵詞: 巖性識(shí)別; 集成學(xué)習(xí); 融合模型; Stacking【Ab

      智能計(jì)算機(jī)與應(yīng)用 2020年3期2020-07-04

    • 基于集成學(xué)習(xí)方法的PPP項(xiàng)目結(jié)果預(yù)測(cè)
      est算法的集成學(xué)習(xí)分類(lèi)模型,該模型可幫助研究人員預(yù)測(cè)PPP項(xiàng)目實(shí)施結(jié)果的成敗。通過(guò)與其他十個(gè)基線分類(lèi)器進(jìn)行對(duì)比實(shí)驗(yàn),可以證明SMOTE過(guò)采樣技術(shù)對(duì)PPP項(xiàng)目數(shù)據(jù)集中不平衡數(shù)據(jù)的處理是有效的。研究結(jié)果表明所提模型在Presicion、F-measure和ROC Area三個(gè)指標(biāo)上比基線分類(lèi)器具有更好的性能表現(xiàn)。關(guān)鍵詞:政府和社會(huì)資本合作(PPP);數(shù)據(jù)挖掘;集成學(xué)習(xí);預(yù)測(cè)0引言基礎(chǔ)設(shè)施建設(shè)作為影響國(guó)家產(chǎn)品服務(wù)的質(zhì)量和效率的重要因素,對(duì)經(jīng)濟(jì)發(fā)展具有深遠(yuǎn)的影響

      大眾科學(xué)·上旬 2020年7期2020-06-29

    • 基于改進(jìn)權(quán)值更新和選擇性集成的AdaBoost算法
      :入侵檢測(cè);集成學(xué)習(xí);AdaBoost;權(quán)值更新;選擇性集成DOI: 10. 11907/rjdk.191736開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):中圖分類(lèi)號(hào):TP312文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1672-7800( 2020)004-0257-060 引言入侵檢測(cè)可從網(wǎng)絡(luò)系統(tǒng)若干關(guān)鍵點(diǎn)收集信息,并分析網(wǎng)絡(luò)是否存在入侵行為及跡象[1,2]。入侵檢測(cè)可看作一個(gè)數(shù)據(jù)分類(lèi)過(guò)程,從收集的信息中識(shí)別出正常操作和入侵行為。當(dāng)前,入侵檢測(cè)分類(lèi)算法主要有決策樹(shù)[3]、神

      軟件導(dǎo)刊 2020年4期2020-06-19

    • 基于RUSBoost算法的違約風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建與應(yīng)用
      型。作為一種集成學(xué)習(xí)方法,RUSBoost算法利用欠采樣實(shí)現(xiàn)了訓(xùn)練集的類(lèi)別均衡,同時(shí)又通過(guò)對(duì)基學(xué)習(xí)器的獨(dú)立采樣有效克服了因欠采樣而造成的信息丟失問(wèn)題,從而實(shí)現(xiàn)了對(duì)類(lèi)別不平衡數(shù)據(jù)的較強(qiáng)適應(yīng)能力?;谀尘W(wǎng)絡(luò)借貸平臺(tái)的金融大數(shù)據(jù),首次將RUSBoost算法應(yīng)用于違約風(fēng)險(xiǎn)預(yù)測(cè),同時(shí)也將隨機(jī)森林、決策樹(shù)以及支持向量機(jī)等數(shù)據(jù)挖掘方法分別應(yīng)用于違約風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題,并與傳統(tǒng)的Logistic回歸方法和最小二乘模型進(jìn)行對(duì)比分析。從實(shí)驗(yàn)結(jié)果來(lái)看,絕大部分?jǐn)?shù)據(jù)挖掘模型的預(yù)測(cè)性能要

      財(cái)會(huì)月刊·下半月 2020年5期2020-06-03

    • 基于Spark大數(shù)據(jù)平臺(tái)的老年病風(fēng)險(xiǎn)預(yù)警模型
      7%。此外,集成學(xué)習(xí)規(guī)模對(duì)于模型預(yù)測(cè)的精度影響較小,決策樹(shù)的剪枝可在不損失預(yù)測(cè)精度的前提下降低模型的復(fù)雜度。關(guān)鍵詞: 決策樹(shù); 集成學(xué)習(xí); Spark; 疾病預(yù)測(cè)中圖分類(lèi)號(hào): TP311 ? ? ?文獻(xiàn)標(biāo)志碼: ARisk Early Warning Model of Geriatric Disease Based onSpark Big Data PlatformTAN Xiao(School of Economics and Management, S

      微型電腦應(yīng)用 2020年2期2020-05-11

    • 基于機(jī)器學(xué)習(xí)的金融消費(fèi)場(chǎng)景預(yù)測(cè)探索
      索。最后采用集成學(xué)習(xí)方法對(duì)最終結(jié)果進(jìn)行融合。本文采用了上述幾種算法模型進(jìn)行預(yù)測(cè),對(duì)模型原理進(jìn)行了分析,并在多個(gè)評(píng)價(jià)指標(biāo)上衡量各個(gè)模型的表現(xiàn),橫向?qū)Ρ攘瞬煌P偷膬?yōu)缺點(diǎn),并對(duì)造成結(jié)果差異的原因進(jìn)行了總結(jié)。關(guān)鍵詞:金融科技;邏輯回歸;集成學(xué)習(xí);隨機(jī)森林;Xgboost;lightGBM;分類(lèi)中圖分類(lèi)號(hào):F126.1?文獻(xiàn)識(shí)別碼:A文章編號(hào):2096-3157(2020)05-0153-03一、引言隨著近年來(lái)互聯(lián)網(wǎng)的迅猛發(fā)展,數(shù)據(jù)不斷累積,計(jì)算機(jī)算力不斷提高,如

      全國(guó)流通經(jīng)濟(jì) 2020年5期2020-04-20

    • 基于詞向量的SVM集成學(xué)習(xí)社交網(wǎng)絡(luò)抑郁傾向檢測(cè)方法
      向量的SVM集成學(xué)習(xí)社交網(wǎng)絡(luò)抑郁傾向檢測(cè)方法。人工標(biāo)注和專家校驗(yàn)獲得訓(xùn)練數(shù)據(jù),使用詞向量進(jìn)行文本向量化。以SVM為基分類(lèi)器進(jìn)行Boosting集成學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明,文章提出的模型可以用于抑郁傾向的檢測(cè)。關(guān)鍵詞:抑郁檢測(cè);微博;支持向量機(jī);詞向量;集成學(xué)習(xí)目前,國(guó)內(nèi)外基于社交媒體文本內(nèi)容的抑郁傾向檢測(cè)主要分成兩類(lèi),一類(lèi)是基于統(tǒng)計(jì)的數(shù)據(jù)挖掘方法,另一類(lèi)是基于機(jī)器學(xué)習(xí)模型的檢測(cè)方法。(1)基于統(tǒng)計(jì)的數(shù)據(jù)挖掘方法,主要是通過(guò)統(tǒng)計(jì)微博文本內(nèi)容的高頻詞、構(gòu)建情感詞典

      無(wú)線互聯(lián)科技 2020年3期2020-04-09

    • 基于集成學(xué)習(xí)的金融反欺詐模型
      一種新的基于集成學(xué)習(xí)的數(shù)據(jù)挖掘技術(shù)。集成模型包括一組單獨(dú)的分類(lèi)器,它們的預(yù)測(cè)被組合以預(yù)測(cè)新的傳入實(shí)例。我們主要考慮了三個(gè)最新的單個(gè)組件分類(lèi)器:隨機(jī)森林,XGBoost和CNN卷積神經(jīng)網(wǎng)絡(luò)。提出了一種創(chuàng)新的集成學(xué)習(xí)方法,通過(guò)多個(gè)模型的集成,并考慮了數(shù)據(jù)本身的特征,來(lái)提升模型的性能。實(shí)證結(jié)果表明,與單個(gè)組件分類(lèi)器相比,這種集成學(xué)習(xí)的方法在真實(shí)的金融欺詐數(shù)據(jù)上具有優(yōu)越的性能。關(guān)鍵詞:金融反欺詐;集成學(xué)習(xí);機(jī)器學(xué)習(xí)中圖分類(lèi)號(hào):TP311 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1

      電腦知識(shí)與技術(shù) 2020年1期2020-03-30

    • 基于互信息加權(quán)集成遷移學(xué)習(xí)的入侵檢測(cè)方法
      習(xí);互信息;集成學(xué)習(xí);加權(quán)集成中圖分類(lèi)號(hào):TP393.08文獻(xiàn)標(biāo)志碼:AIntrusion detection method based onensemble transfer learning via weighted mutual informationHU Jian1*, SU Yongdong1, HUANG Wenzai1, XIAO Peng1, LIU Yuting1, YANG Benfu21.Information Center, Yun

      計(jì)算機(jī)應(yīng)用 2019年11期2019-12-23

    • 基于機(jī)器學(xué)習(xí)的冠心病住院費(fèi)用預(yù)測(cè)研究
      ;住院費(fèi)用;集成學(xué)習(xí);隨機(jī)森林;極端梯度提升【Abstract】 Coronary heart disease is a common cardiovascular disease characterized by high morbidity. Therefore, the prediction of hospitalization expenses for coronary heart disease is of great significance

      智能計(jì)算機(jī)與應(yīng)用 2019年5期2019-12-05

    • 集成學(xué)習(xí)在糖尿病預(yù)測(cè)中的應(yīng)用
      、隨機(jī)森林、集成學(xué)習(xí)五種方法對(duì)糖尿病數(shù)據(jù)進(jìn)行預(yù)測(cè),分別取得了71.86%,72.29%,74.46%,71.87%,76.62%的準(zhǔn)確率。結(jié)果表明,集成學(xué)習(xí)預(yù)測(cè)效果最佳,驗(yàn)證了其優(yōu)異性。關(guān)鍵詞: 集成學(xué)習(xí);糖尿病;預(yù)測(cè);機(jī)器學(xué)習(xí)【Abstract】 Diabetes, hypertension and cardiovascular and cerebrovascular diseases are called three killers of human

      智能計(jì)算機(jī)與應(yīng)用 2019年5期2019-12-05

    • 基于改進(jìn)的代價(jià)敏感決策樹(shù)的網(wǎng)絡(luò)貸款分類(lèi)
      ;網(wǎng)絡(luò)貸款;集成學(xué)習(xí);決策樹(shù)中圖分類(lèi)號(hào):TP181文獻(xiàn)標(biāo)志碼:AAbstract:? In the online loan user data set, there is a serious imbalance between the number of successful and failed loan users. The traditional machine learning algorithm pays attention to the ove

      計(jì)算機(jī)應(yīng)用 2019年10期2019-11-15

    • 基于貝葉斯集成神經(jīng)網(wǎng)絡(luò)的上證50指數(shù)的研究
      來(lái)的數(shù)據(jù)進(jìn)行集成學(xué)習(xí)預(yù)測(cè)。結(jié)果證明貝葉斯集成長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)要優(yōu)于集成循環(huán)神經(jīng)網(wǎng)絡(luò)與集成長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)。為了使貝葉斯集成神經(jīng)網(wǎng)絡(luò)更好的運(yùn)用到時(shí)間序列預(yù)測(cè)上,本文提出一種貝葉斯集成長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行金融時(shí)間序列學(xué)習(xí)。關(guān)鍵詞:貝葉斯 ?集成學(xué)習(xí) ?神經(jīng)網(wǎng)絡(luò)中圖分類(lèi)號(hào):TP183 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào):1674-098X(2019)06(b)-0

      科技創(chuàng)新導(dǎo)報(bào) 2019年17期2019-11-13

    • 一種基于集成學(xué)習(xí)的指紋鎖拉鏈產(chǎn)品需求預(yù)測(cè)方法
      定位?,F(xiàn)采用集成學(xué)習(xí)的思想,將兩個(gè)基礎(chǔ)預(yù)測(cè)模型,集成成一個(gè)較強(qiáng)的預(yù)測(cè)、分類(lèi)模型,能夠?yàn)閿?shù)據(jù)集建立一個(gè)較為出色的分類(lèi)模型和預(yù)測(cè)模型,能夠用于預(yù)測(cè)一個(gè)新的案例是否對(duì)指紋鎖拉鏈產(chǎn)品有需求。關(guān)鍵詞:需求預(yù)測(cè);集成學(xué)習(xí);指紋鎖拉鏈中圖分類(lèi)號(hào):TN919.5 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1007-9416(2019)07-0050-020 引言日常生活中人們使用的背包上的拉鏈基本上都是沒(méi)有加鎖的,或者是旅行箱上使用的密碼鎖,但是這種密碼鎖有兩個(gè)明顯的缺點(diǎn),其一是經(jīng)常會(huì)出

      數(shù)字技術(shù)與應(yīng)用 2019年7期2019-11-01

    • 偽標(biāo)簽置信選擇的半監(jiān)督集成學(xué)習(xí)視頻語(yǔ)義檢測(cè)
      噪聲也會(huì)導(dǎo)致集成學(xué)習(xí)基分類(lèi)器性能提升不足。為此,提出一種偽標(biāo)簽置信選擇的半監(jiān)督集成學(xué)習(xí)算法。首先,在三個(gè)不同的特征空間上訓(xùn)練出三個(gè)基分類(lèi)器,得到基分類(lèi)器的標(biāo)簽矢量;然后,引入加權(quán)融合樣本所屬某個(gè)類(lèi)別的最大概率與次大概率的誤差和樣本所屬某個(gè)類(lèi)別的最大概率與樣本所屬其他各類(lèi)別的平均概率的誤差,作為基分類(lèi)器的標(biāo)簽置信度,并融合標(biāo)簽矢量和標(biāo)簽置信度得到樣本的偽標(biāo)簽和集成置信度;接著,選擇集成置信度高的樣本加入到有標(biāo)簽的樣本集,迭代訓(xùn)練基分類(lèi)器;最后,采用訓(xùn)練好的基

      計(jì)算機(jī)應(yīng)用 2019年8期2019-10-23

    天堂8中文在线网| 一级二级三级毛片免费看| 国产精品无大码| 精品国产乱码久久久久久小说| freevideosex欧美| 日本-黄色视频高清免费观看| 少妇高潮的动态图| 国产探花极品一区二区| 丝袜美足系列| 自拍欧美九色日韩亚洲蝌蚪91| 青青草视频在线视频观看| 午夜福利影视在线免费观看| 国产老妇伦熟女老妇高清| 中国国产av一级| 精品国产露脸久久av麻豆| 老司机影院成人| av免费在线看不卡| 亚洲成色77777| 亚洲国产精品一区二区三区在线| 亚洲精品日韩在线中文字幕| 一级毛片 在线播放| 国产综合精华液| 99久国产av精品国产电影| 国产亚洲最大av| 69精品国产乱码久久久| 在线天堂最新版资源| 国产精品国产av在线观看| 蜜桃国产av成人99| 免费观看的影片在线观看| 国产精品国产三级国产av玫瑰| 丝袜喷水一区| 最近2019中文字幕mv第一页| 最近手机中文字幕大全| 国产成人精品婷婷| 亚洲av电影在线观看一区二区三区| 97超视频在线观看视频| 亚洲av男天堂| 18禁裸乳无遮挡动漫免费视频| 日本wwww免费看| 99久久中文字幕三级久久日本| 18禁裸乳无遮挡动漫免费视频| 国产精品欧美亚洲77777| 亚洲精品色激情综合| 少妇的逼好多水| 久久久国产一区二区| 亚洲综合色网址| 中国国产av一级| 高清不卡的av网站| 午夜老司机福利剧场| 日韩亚洲欧美综合| 久久精品夜色国产| 嘟嘟电影网在线观看| 亚洲图色成人| 秋霞伦理黄片| 亚洲在久久综合| 一区二区三区精品91| 男女高潮啪啪啪动态图| 超碰97精品在线观看| 高清视频免费观看一区二区| 亚洲欧美成人综合另类久久久| 国产深夜福利视频在线观看| 熟女电影av网| 中文精品一卡2卡3卡4更新| 亚洲综合精品二区| 精品一品国产午夜福利视频| 亚洲精品aⅴ在线观看| 国产成人91sexporn| 国产日韩一区二区三区精品不卡 | 亚洲综合精品二区| 熟女电影av网| 99久久精品一区二区三区| 亚洲国产精品一区三区| 女人久久www免费人成看片| 亚洲成人一二三区av| 国产色爽女视频免费观看| 日本黄色日本黄色录像| 性高湖久久久久久久久免费观看| 色94色欧美一区二区| 欧美老熟妇乱子伦牲交| 欧美日韩综合久久久久久| 国产精品成人在线| 人人澡人人妻人| 水蜜桃什么品种好| h视频一区二区三区| 一级毛片黄色毛片免费观看视频| 亚洲怡红院男人天堂| av国产精品久久久久影院| 热re99久久精品国产66热6| 国产成人午夜福利电影在线观看| 亚洲精品久久久久久婷婷小说| 97在线视频观看| 亚洲国产色片| 熟女av电影| 婷婷色麻豆天堂久久| 免费av中文字幕在线| 人妻少妇偷人精品九色| 少妇的逼水好多| 国产高清不卡午夜福利| 大码成人一级视频| 亚洲人与动物交配视频| 欧美老熟妇乱子伦牲交| 成人手机av| 黄色怎么调成土黄色| 欧美亚洲日本最大视频资源| 色94色欧美一区二区| 日韩制服骚丝袜av| 老司机影院成人| 国产免费又黄又爽又色| 2022亚洲国产成人精品| 在线观看美女被高潮喷水网站| 久久精品夜色国产| 一个人看视频在线观看www免费| 日本与韩国留学比较| 久久人人爽av亚洲精品天堂| 国产视频内射| 少妇高潮的动态图| 黑人高潮一二区| 99久国产av精品国产电影| 极品少妇高潮喷水抽搐| 黑丝袜美女国产一区| 观看av在线不卡| 亚洲精品av麻豆狂野| 中文字幕亚洲精品专区| 成人亚洲欧美一区二区av| 日日撸夜夜添| 久久精品夜色国产| 国产精品一区二区三区四区免费观看| 一级毛片 在线播放| av卡一久久| av线在线观看网站| 国产av码专区亚洲av| 哪个播放器可以免费观看大片| 日日爽夜夜爽网站| 国产色爽女视频免费观看| 日韩av不卡免费在线播放| 精品一区在线观看国产| 欧美日韩亚洲高清精品| 全区人妻精品视频| a级毛片免费高清观看在线播放| 在线免费观看不下载黄p国产| 久久久久久久久久久丰满| 80岁老熟妇乱子伦牲交| 尾随美女入室| 男人爽女人下面视频在线观看| 99久久精品国产国产毛片| 日日啪夜夜爽| 久久女婷五月综合色啪小说| 亚洲精品日韩av片在线观看| 一级a做视频免费观看| 亚洲av免费高清在线观看| 丝袜脚勾引网站| 男人爽女人下面视频在线观看| 免费看av在线观看网站| 国产av一区二区精品久久| 国产深夜福利视频在线观看| 国产精品人妻久久久久久| 亚洲欧美一区二区三区黑人 | 久久国产亚洲av麻豆专区| 精品卡一卡二卡四卡免费| 亚洲欧美一区二区三区国产| 成年av动漫网址| 夜夜爽夜夜爽视频| 伦理电影大哥的女人| 久久人妻熟女aⅴ| av福利片在线| 国产精品三级大全| 日本猛色少妇xxxxx猛交久久| 久久免费观看电影| 麻豆成人av视频| 青春草国产在线视频| 97超碰精品成人国产| 高清毛片免费看| 建设人人有责人人尽责人人享有的| 欧美日韩视频精品一区| 精品国产露脸久久av麻豆| 欧美+日韩+精品| a级片在线免费高清观看视频| 亚洲丝袜综合中文字幕| 美女中出高潮动态图| 久久久a久久爽久久v久久| 久久久久久久久久成人| 免费看光身美女| a级片在线免费高清观看视频| 国产亚洲av片在线观看秒播厂| 日韩视频在线欧美| 乱码一卡2卡4卡精品| 亚洲欧美色中文字幕在线| 亚洲三级黄色毛片| 尾随美女入室| 一级毛片黄色毛片免费观看视频| 欧美激情国产日韩精品一区| 观看美女的网站| 男女啪啪激烈高潮av片| 人妻夜夜爽99麻豆av| 国产成人一区二区在线| 热99久久久久精品小说推荐| 人妻 亚洲 视频| 高清在线视频一区二区三区| 午夜福利视频在线观看免费| 国产亚洲av片在线观看秒播厂| 精品一品国产午夜福利视频| 纯流量卡能插随身wifi吗| 天堂俺去俺来也www色官网| 韩国高清视频一区二区三区| 男女高潮啪啪啪动态图| 一本—道久久a久久精品蜜桃钙片| 国产在视频线精品| 亚洲欧美色中文字幕在线| 亚洲成人av在线免费| 国产成人精品福利久久| 波野结衣二区三区在线| 成人国产麻豆网| 免费大片黄手机在线观看| av专区在线播放| 欧美一级a爱片免费观看看| 一级爰片在线观看| 两个人免费观看高清视频| 亚洲精品国产av蜜桃| 亚洲国产成人一精品久久久| 亚洲国产成人一精品久久久| 国产淫语在线视频| 麻豆精品久久久久久蜜桃| 好男人视频免费观看在线| 中文乱码字字幕精品一区二区三区| 最近的中文字幕免费完整| 一区二区三区乱码不卡18| 亚洲av.av天堂| a级毛片免费高清观看在线播放| 卡戴珊不雅视频在线播放| 国产精品国产三级国产av玫瑰| 国产精品国产三级国产av玫瑰| 日本猛色少妇xxxxx猛交久久| 欧美少妇被猛烈插入视频| 国产精品女同一区二区软件| 久久久久久久精品精品| 91精品伊人久久大香线蕉| 成人无遮挡网站| 婷婷色综合www| 51国产日韩欧美| 在线观看www视频免费| 欧美日韩亚洲高清精品| 欧美亚洲日本最大视频资源| 自线自在国产av| 亚洲国产毛片av蜜桃av| 精品一品国产午夜福利视频| 看免费成人av毛片| 精品人妻在线不人妻| 欧美成人午夜免费资源| 免费黄频网站在线观看国产| 一级毛片aaaaaa免费看小| 少妇被粗大的猛进出69影院 | 热re99久久精品国产66热6| 久热久热在线精品观看| 丝瓜视频免费看黄片| 久久久a久久爽久久v久久| 国产成人freesex在线| 人体艺术视频欧美日本| 国产成人精品久久久久久| 最黄视频免费看| 午夜激情久久久久久久| 插阴视频在线观看视频| 精品少妇内射三级| 青春草亚洲视频在线观看| xxxhd国产人妻xxx| 男人爽女人下面视频在线观看| 午夜精品国产一区二区电影| 嘟嘟电影网在线观看| 国产高清三级在线| 国产av一区二区精品久久| 女人久久www免费人成看片| 我的老师免费观看完整版| 如日韩欧美国产精品一区二区三区 | a 毛片基地| 女的被弄到高潮叫床怎么办| 免费少妇av软件| 99国产精品免费福利视频| 夫妻性生交免费视频一级片| 国产免费一级a男人的天堂| 成人手机av| 爱豆传媒免费全集在线观看| 搡老乐熟女国产| 久久午夜福利片| 亚洲欧美日韩另类电影网站| 久久精品国产亚洲av天美| 国产av一区二区精品久久| 成人亚洲精品一区在线观看| 成人毛片a级毛片在线播放| 如日韩欧美国产精品一区二区三区 | 美女大奶头黄色视频| 久久99精品国语久久久| 中国三级夫妇交换| 美女xxoo啪啪120秒动态图| 夜夜骑夜夜射夜夜干| 麻豆精品久久久久久蜜桃| 91成人精品电影| 中国美白少妇内射xxxbb| 久久久亚洲精品成人影院| 日本av免费视频播放| 七月丁香在线播放| 一级毛片电影观看| 王馨瑶露胸无遮挡在线观看| 亚洲国产欧美日韩在线播放| 日本欧美视频一区| 亚洲精华国产精华液的使用体验| av.在线天堂| 免费播放大片免费观看视频在线观看| a级毛片免费高清观看在线播放| 人妻人人澡人人爽人人| 亚洲精品456在线播放app| 久久狼人影院| 人人妻人人澡人人爽人人夜夜| 欧美精品一区二区免费开放| 不卡视频在线观看欧美| 成人毛片a级毛片在线播放| 亚洲综合色惰| 中文字幕免费在线视频6| 亚洲一区二区三区欧美精品| 51国产日韩欧美| 高清黄色对白视频在线免费看| 99九九在线精品视频| 不卡视频在线观看欧美| 最近中文字幕高清免费大全6| 国产av一区二区精品久久| 欧美精品国产亚洲| 大又大粗又爽又黄少妇毛片口| 极品人妻少妇av视频| 纯流量卡能插随身wifi吗| 欧美日韩在线观看h| 99热6这里只有精品| av网站免费在线观看视频| 亚洲综合精品二区| 肉色欧美久久久久久久蜜桃| 欧美 亚洲 国产 日韩一| 人体艺术视频欧美日本| 99九九在线精品视频| 性高湖久久久久久久久免费观看| 亚洲欧美日韩卡通动漫| 五月开心婷婷网| 成人漫画全彩无遮挡| 国产免费又黄又爽又色| 国产精品人妻久久久影院| 亚洲精品一区蜜桃| 最黄视频免费看| 婷婷成人精品国产| 日本av免费视频播放| 韩国高清视频一区二区三区| 国产午夜精品久久久久久一区二区三区| 久久人人爽人人片av| 久久精品人人爽人人爽视色| 久久青草综合色| 国产精品99久久久久久久久| 久久99热这里只频精品6学生| 亚洲欧美成人精品一区二区| 中文字幕最新亚洲高清| 午夜福利,免费看| 91久久精品国产一区二区三区| 午夜免费观看性视频| av又黄又爽大尺度在线免费看| 一个人免费看片子| 自拍欧美九色日韩亚洲蝌蚪91| 精品亚洲成a人片在线观看| av免费观看日本| 国产精品一区www在线观看| 五月开心婷婷网| 成人18禁高潮啪啪吃奶动态图 | 久久亚洲国产成人精品v| 免费播放大片免费观看视频在线观看| 五月天丁香电影| 欧美老熟妇乱子伦牲交| 欧美日韩精品成人综合77777| 一本久久精品| 另类亚洲欧美激情| 街头女战士在线观看网站| 婷婷色综合www| 欧美激情国产日韩精品一区| 精品久久蜜臀av无| 亚洲av不卡在线观看| a级毛片在线看网站| 少妇猛男粗大的猛烈进出视频| 中文字幕人妻熟人妻熟丝袜美| 国产精品国产三级专区第一集| 久久韩国三级中文字幕| 男女无遮挡免费网站观看| 久久久久精品久久久久真实原创| 国产黄色视频一区二区在线观看| 亚洲,欧美,日韩| 国产成人精品婷婷| 亚洲精品国产av蜜桃| 日韩人妻高清精品专区| 国产成人a∨麻豆精品| 日韩精品免费视频一区二区三区 | 美女脱内裤让男人舔精品视频| 丰满乱子伦码专区| 久久精品国产a三级三级三级| 一区二区三区精品91| 国产老妇伦熟女老妇高清| videosex国产| 精品卡一卡二卡四卡免费| 色94色欧美一区二区| 卡戴珊不雅视频在线播放| 免费av不卡在线播放| 精品久久久精品久久久| 精品国产露脸久久av麻豆| 久久国内精品自在自线图片| 寂寞人妻少妇视频99o| 国产片特级美女逼逼视频| 国产精品 国内视频| 国产成人aa在线观看| 这个男人来自地球电影免费观看 | 久久精品国产自在天天线| 亚洲精品中文字幕在线视频| 欧美精品一区二区大全| 毛片一级片免费看久久久久| 国产又色又爽无遮挡免| 久久久久久伊人网av| 建设人人有责人人尽责人人享有的| av.在线天堂| 校园人妻丝袜中文字幕| 国产乱人偷精品视频| 汤姆久久久久久久影院中文字幕| 精品久久久精品久久久| 国产成人一区二区在线| 久久人人爽人人爽人人片va| 老熟女久久久| 只有这里有精品99| 成年人午夜在线观看视频| 成人免费观看视频高清| 一级二级三级毛片免费看| 国产淫语在线视频| 日日撸夜夜添| 在线亚洲精品国产二区图片欧美 | 少妇 在线观看| 天堂中文最新版在线下载| 国产精品久久久久久av不卡| a级片在线免费高清观看视频| 又粗又硬又长又爽又黄的视频| 午夜福利视频在线观看免费| www.色视频.com| 另类精品久久| 草草在线视频免费看| 我要看黄色一级片免费的| 国产在线免费精品| 久久午夜福利片| 永久网站在线| 国产精品国产三级国产专区5o| 大香蕉久久成人网| 亚洲精品国产av蜜桃| 日日撸夜夜添| 午夜视频国产福利| 综合色丁香网| 国产精品一区二区在线观看99| 久久国内精品自在自线图片| 亚洲av中文av极速乱| 亚洲精品456在线播放app| 一区二区av电影网| 久久久久久久亚洲中文字幕| av一本久久久久| 国产在线视频一区二区| 日韩免费高清中文字幕av| 美女大奶头黄色视频| 妹子高潮喷水视频| 亚洲综合色惰| 两个人免费观看高清视频| 视频中文字幕在线观看| 精品国产一区二区三区久久久樱花| 久久久久网色| 大香蕉久久成人网| 亚洲精品一区蜜桃| 亚洲av福利一区| 80岁老熟妇乱子伦牲交| 亚洲欧美日韩卡通动漫| 永久网站在线| 性色av一级| 久久久久精品久久久久真实原创| 久久国产精品男人的天堂亚洲 | 激情五月婷婷亚洲| 999精品在线视频| 亚洲精品aⅴ在线观看| 久久国产亚洲av麻豆专区| 亚洲精品美女久久av网站| 性色avwww在线观看| 满18在线观看网站| 超碰97精品在线观看| 亚洲怡红院男人天堂| 国产淫语在线视频| 色视频在线一区二区三区| 久久久国产精品麻豆| 亚洲婷婷狠狠爱综合网| 我的老师免费观看完整版| 久久精品久久久久久久性| 视频区图区小说| 精品一区二区三卡| 一级二级三级毛片免费看| 亚洲成色77777| 成年人午夜在线观看视频| 中文欧美无线码| 丝瓜视频免费看黄片| 九色成人免费人妻av| 久久亚洲国产成人精品v| 丝袜美足系列| 日韩av不卡免费在线播放| 亚洲av不卡在线观看| xxx大片免费视频| 秋霞伦理黄片| 久久精品久久精品一区二区三区| 午夜福利在线观看免费完整高清在| 日韩一区二区三区影片| 少妇人妻 视频| 日本欧美视频一区| 欧美日韩视频高清一区二区三区二| 亚洲成人av在线免费| 97精品久久久久久久久久精品| 免费观看a级毛片全部| 又黄又爽又刺激的免费视频.| 一级毛片电影观看| 国产免费现黄频在线看| av女优亚洲男人天堂| 91aial.com中文字幕在线观看| 国产乱人偷精品视频| 国产片内射在线| 黄色一级大片看看| 久久久久精品性色| 少妇丰满av| 久久婷婷青草| 免费观看性生交大片5| 永久网站在线| 欧美亚洲日本最大视频资源| 国产精品人妻久久久影院| 人人妻人人爽人人添夜夜欢视频| 最近手机中文字幕大全| 国产精品成人在线| 中文字幕人妻熟人妻熟丝袜美| 国产高清国产精品国产三级| 国产成人精品在线电影| 亚洲精品成人av观看孕妇| 国产伦精品一区二区三区视频9| 人妻 亚洲 视频| 国产成人a∨麻豆精品| 国产精品 国内视频| 自线自在国产av| 黑人猛操日本美女一级片| 色94色欧美一区二区| 最近2019中文字幕mv第一页| 日本wwww免费看| 国产又色又爽无遮挡免| 最后的刺客免费高清国语| 亚洲精品乱码久久久久久按摩| 中文字幕免费在线视频6| 亚洲欧洲日产国产| 亚洲中文av在线| a级毛片黄视频| 国产欧美日韩综合在线一区二区| 青春草视频在线免费观看| 日韩成人av中文字幕在线观看| 国产免费福利视频在线观看| 国产精品蜜桃在线观看| 啦啦啦在线观看免费高清www| 欧美人与善性xxx| 老司机亚洲免费影院| 日本av免费视频播放| 天天影视国产精品| 一区二区三区四区激情视频| 母亲3免费完整高清在线观看 | av国产精品久久久久影院| 99视频精品全部免费 在线| 亚洲四区av| 日韩中字成人| 80岁老熟妇乱子伦牲交| 久久午夜福利片| 只有这里有精品99| 在线观看一区二区三区激情| 午夜免费鲁丝| 在线看a的网站| 狠狠精品人妻久久久久久综合| 亚洲综合色网址| 性高湖久久久久久久久免费观看| 亚洲五月色婷婷综合| 少妇人妻久久综合中文| 亚洲性久久影院| 在现免费观看毛片| 欧美日韩在线观看h| 美女中出高潮动态图| 毛片一级片免费看久久久久| 国产极品天堂在线| 亚洲少妇的诱惑av| 日韩成人av中文字幕在线观看| 纵有疾风起免费观看全集完整版| 欧美成人午夜免费资源| 亚洲av电影在线观看一区二区三区| 精品熟女少妇av免费看| 亚洲成人一二三区av| 免费久久久久久久精品成人欧美视频 | 国产精品国产三级国产专区5o| 各种免费的搞黄视频| 91精品一卡2卡3卡4卡| 国内精品宾馆在线| 哪个播放器可以免费观看大片| 青春草视频在线免费观看| 99久久综合免费| 成人手机av| 精品一品国产午夜福利视频| 国模一区二区三区四区视频| 一区二区三区精品91| 青春草视频在线免费观看| 热re99久久国产66热| 日本与韩国留学比较| 午夜影院在线不卡| 久久 成人 亚洲| 成人毛片a级毛片在线播放| 十八禁高潮呻吟视频| 亚洲精品久久午夜乱码| 日韩av在线免费看完整版不卡| 国产日韩欧美亚洲二区| 免费观看性生交大片5| 婷婷色麻豆天堂久久|