融合預測演算法

❶ 請問 信息融合的演算法有哪幾種包括同源和異源的。萬分感謝！

對不起，不是很清楚

❷ D-S證據理論數據融合 具體演算法

m (O)=（m1 (O)×m2 (O)+m1 (O)×m2 (Θ)+m2(O)×m1 (Θ)）=0.3464
m(Θ)= m1(Θ) × m2(Θ)=0.6536
難道標准答案有誤？

❸ 多源異構數據融合技術要用到什麼演算法

經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數，利用引導數據序列對目標在空間的位置值作出估計，得到目標准確的位置值，消除引導過程中的不確定性。 為准確估計目標的位置值(以Y為例)，對8組引導數據進行線性觀測，得到的引導值為Cj，Y,j=1，2，3，…，n，其中：Cj為常值。 由於觀測有誤差，實際所得的引導值為：Ej＝CjY十cj，其中ej為觀測誤差，服從均值為0的正態分布。 依據Bayes後驗估計理論，可得到n個引導數據的狀態最優估計為： ＾Yop，(E1E2E3...En)＝maxP(Y│E1E2E3...En) (1) Y＾ 即位置的數據融合問題，可以轉化為求出滿足Y的最大後驗概率maxP(Y│E)的估計值Y（E）的問題。在經緯儀實時測量中，對多路引導源的異構引導數據，採用分布圖法進行數據合理性檢測，採用參數估計的邏輯規則進行數據融合，消除各引導數據的不確定性，可以獲得更准確、更可靠的引導數據，從而提高整個測量系統的工作性能。即使某一個甚至幾個引導源工作同時不正常時，其他引導源不受影響獨立地提供信息，指揮中心仍可依據非失效的引導數據獲知目標的准確位置，將失效的經緯儀很快的引導到目標觀測點，降低了整個測量系統的脆弱程度。

❹ 數據融合，數據挖掘，數據預處理之間的關系，詳細一點，謝謝。

數據挖掘是從一堆數據中找出輸入與輸出之間的關系，然後根據新的輸入預測輸出。簡單舉例：例如你有北京的房價數據，從1月到10月的，房子不同的面積對應不同的價格。現在到了·11月，然後有一座100平米的房子，你覺得價格應該是多少呢？ 這就是從以前的數據中挖掘出來輸入（面積）和輸出（價格）的關系。
數據融合：假設現在你觀測一個導彈的飛行吧！從地面雷達A基站觀察到的飛行軌跡是一堆數據A，從衛星上雷達B基站觀察的數據是一堆數據B。然後你想知道導彈真實的軌跡，就把AB數據融合起來，求出真是的導彈軌跡。
數據語出合理是為上面兩個服務的。例如你的數據可能會有缺失，車測量錯誤等
你要射吧吧不正確的數據刪掉。另外，對數據進行均值歸一化方差歸一化

❺ 哪位做過starfm融合演算法

加權平均法圖像融合演算法的原理就是：對原圖像的像素值直接取相同的權值，然後進行加權平均得到融合圖像的像素值，舉例說比如要融合兩幅圖像A，B，那它們的融合後圖像的像素值就是A*50%+B*50%，可以參照上圖。

❻ 多感測器信息融合有哪些常用的融合演算法

感測器(英文名稱:transcer/sensor)是一種檢測裝置，能感受到被測量的信息，並能將感受到的信息，按一定規律變換成為電信號或其他所需形式的信息輸出，以滿足信息的傳輸、處理、存儲、顯示、記錄和控制等要求。
感測器的特點包括:微型化、數字化、智能化、多功能化、系統化、網路化。它是實現自動檢測和自動控制的首要環節。感測器的存在和發展，讓物體有了觸覺、味覺和嗅覺等感官，讓物體慢慢變得活了起來。通常根據其基本感知功能分為熱敏元件、光敏元件、氣敏元件、力敏元件、磁敏元件、濕敏元件、聲敏元件、放射線敏感元件、色敏元件和味敏元件等十大類。

❼ xgboost怎麼實現模型融合

XGBoost參數調優完全指南（附python代碼） 譯註：文內提供的代碼和運行結果有一定差異，可以從這里下載完整代碼對照參考。另外，我自己跟著教程做的時候，發現我的庫無法解析字元串類型的特徵，所以只用其中一部分特徵做的，具體數值跟文章中不一樣，反而可以幫助理解文章。所以大家其實也可以小小修改一下代碼，不一定要完全跟著教程做~ ^0^ 需要提前安裝好的庫： 簡介 如果你的預測模型表現得有些不盡如人意，那就用XGBoost吧。XGBoost演算法現在已經成為很多數據工程師的重要武器。它是一種十分精緻的演算法，可以處理各種不規則的數據。 構造一個使用XGBoost的模型十分簡單。但是，提高這個模型的表現就有些困難(至少我覺得十分糾結)。這個演算法使用了好幾個參數。所以為了提高模型的表現，參數的調整十分必要。在解決實際問題的時候，有些問題是很難回答的——你需要調整哪些參數？這些參數要調到什麼值，才能達到理想的輸出？ 這篇文章最適合剛剛接觸XGBoost的人閱讀。在這篇文章中，我們會學到參數調優的技巧，以及XGboost相關的一些有用的知識。以及，我們會用Python在一個數據集上實踐一下這個演算法。 你需要知道的 XGBoost(eXtreme Gradient Boosting)是Gradient Boosting演算法的一個優化的版本。 特別鳴謝：我個人十分感謝Mr Sudalai Rajkumar (aka SRK)大神的支持，目前他在AV Rank中位列第二。如果沒有他的幫助，就沒有這篇文章。在他的幫助下，我們才能給無數的數據科學家指點迷津。給他一個大大的贊！ 內容列表 1、XGBoost的優勢 2、理解XGBoost的參數 3、調整參數(含示例) 1、XGBoost的優勢 XGBoost演算法可以給預測模型帶來能力的提升。當我對它的表現有更多了解的時候，當我對它的高准確率背後的原理有更多了解的時候，我發現它具有很多優勢： 1、正則化 標准GBM的實現沒有像XGBoost這樣的正則化步驟。正則化對減少過擬合也是有幫助的。 實際上，XGBoost以「正則化提升(regularized boosting)」技術而聞名。 2、並行處理 XGBoost可以實現並行處理，相比GBM有了速度的飛躍。 不過，眾所周知，Boosting演算法是順序處理的，它怎麼可能並行呢？每一課樹的構造都依賴於前一棵樹，那具體是什麼讓我們能用多核處理器去構造一個樹呢？我希望你理解了這句話的意思。 XGBoost 也支持Hadoop實現。 3、高度的靈活性 XGBoost 允許用戶定義自定義優化目標和評價標准 它對模型增加了一個全新的維度，所以我們的處理不會受到任何限制。 4、缺失值處理 XGBoost內置處理缺失值的規則。 用戶需要提供一個和其它樣本不同的值，然後把它作為一個參數傳進去，以此來作為缺失值的取值。XGBoost在不同節點遇到缺失值時採用不同的處理方法，並且會學習未來遇到缺失值時的處理方法。 5、剪枝 當分裂時遇到一個負損失時，GBM會停止分裂。因此GBM實際上是一個貪心演算法。 XGBoost會一直分裂到指定的最大深度(max_depth)，然後回過頭來剪枝。如果某個節點之後不再有正值，它會去除這個分裂。 這種做法的優點，當一個負損失（如-2）後面有個正損失（如+10）的時候，就顯現出來了。GBM會在-2處停下來，因為它遇到了一個負值。但是XGBoost會繼續分裂，然後發現這兩個分裂綜合起來會得到+8，因此會保留這兩個分裂。 6、內置交叉驗證 XGBoost允許在每一輪boosting迭代中使用交叉驗證。因此，可以方便地獲得最優boosting迭代次數。 而GBM使用網格搜索，只能檢測有限個值。 7、在已有的模型基礎上繼續 XGBoost可以在上一輪的結果上繼續訓練。這個特性在某些特定的應用上是一個巨大的優勢。 sklearn中的GBM的實現也有這個功能，兩種演算法在這一點上是一致的。 相信你已經對XGBoost強大的功能有了點概念。注意這是我自己總結出來的幾點，你如果有更多的想法，盡管在下面評論指出，我會更新這個列表的！ 2、XGBoost的參數 XGBoost的作者把所有的參數分成了三類： 1、通用參數：宏觀函數控制。 2、Booster參數：控制每一步的booster(tree/regression)。 3、學習目標參數：控制訓練目標的表現。 在這里我會類比GBM來講解，所以作為一種基礎知識。 通用參數 這些參數用來控制XGBoost的宏觀功能。 1、booster[默認gbtree] 選擇每次迭代的模型，有兩種選擇： gbtree：基於樹的模型 gbliner：線性模型 2、silent[默認0] 當這個參數值為1時，靜默模式開啟，不會輸出任何信息。 一般這個參數就保持默認的0，因為這樣能幫我們更好地理解模型。 3、nthread[默認值為最大可能的線程數] 這個參數用來進行多線程式控制制，應當輸入系統的核數。 如果你希望使用CPU全部的核，那就不要輸入這個參數，演算法會自動檢測它。 還有兩個參數，XGBoost會自動設置，目前你不用管它。接下來咱們一起看booster參數。 booster參數 盡管有兩種booster可供選擇，我這里只介紹tree booster，因為它的表現遠遠勝過linear booster，所以linear booster很少用到。 1、eta[默認0.3] 和GBM中的 learning rate 參數類似。 通過減少每一步的權重，可以提高模型的魯棒性。 典型值為0.01-0.2。 2、min_child_weight[默認1] 決定最小葉子節點樣本權重和。 和GBM的 min_child_leaf 參數類似，但不完全一樣。XGBoost的這個參數是最小樣本權重的和，而GBM參數是最小樣本總數。 這個參數用於避免過擬合。當它的值較大時，可以避免模型學習到局部的特殊樣本。 但是如果這個值過高，會導致欠擬合。這個參數需要使用CV來調整。 3、max_depth[默認6] 和GBM中的參數相同，這個值為樹的最大深度。 這個值也是用來避免過擬合的。max_depth越大，模型會學到更具體更局部的樣本。 需要使用CV函數來進行調優。 典型值：3-10 4、max_leaf_nodes 樹上最大的節點或葉子的數量。 可以替代max_depth的作用。因為如果生成的是二叉樹，一個深度為n的樹最多生成 n2 個葉子。 如果定義了這個參數，GBM會忽略max_depth參數。 5、gamma[默認0] 在節點分裂時，只有分裂後損失函數的值下降了，才會分裂這個節點。Gamma指定了節點分裂所需的最小損失函數下降值。 這個參數的值越大，演算法越保守。這個參數的值和損失函數息息相關，所以是需要調整的。 6、max_delta_step[默認0] 這參數限制每棵樹權重改變的最大步長。如果這個參數的值為0，那就意味著沒有約束。如果它被賦予了某個正值，那麼它會讓這個演算法更加保守。 通常，這個參數不需要設置。但是當各類別的樣本十分不平衡時，它對邏輯回歸是很有幫助的。 這個參數一般用不到，但是你可以挖掘出來它更多的用處。 7、subsample[默認1] 和GBM中的subsample參數一模一樣。這個參數控制對於每棵樹，隨機采樣的比例。 減小這個參數的值，演算法會更加保守，避免過擬合。但是，如果這個值設置得過小，它可能會導致欠擬合。 典型值：0.5-1 8、colsample_bytree[默認1] 和GBM裡面的max_features參數類似。用來控制每棵隨機采樣的列數的佔比(每一列是一個特徵)。 典型值：0.5-1 9、colsample_bylevel[默認1] 用來控制樹的每一級的每一次分裂，對列數的采樣的佔比。 我個人一般不太用這個參數，因為subsample參數和colsample_bytree參數可以起到相同的作用。但是如果感興趣，可以挖掘這個參數更多的用處。 10、lambda[默認1] 權重的L2正則化項。(和Ridge regression類似)。 這個參數是用來控制XGBoost的正則化部分的。雖然大部分數據科學家很少用到這個參數，但是這個參數在減少過擬合上還是可以挖掘出更多用處的。 11、alpha[默認1] 權重的L1正則化項。(和Lasso regression類似)。 可以應用在很高維度的情況下，使得演算法的速度更快。 12、scale_pos_weight[默認1] 在各類別樣本十分不平衡時，把這個參數設定為一個正值，可以使演算法更快收斂。 學習目標參數 這個參數用來控制理想的優化目標和每一步結果的度量方法。 1、objective[默認reg:linear] 這個參數定義需要被最小化的損失函數。最常用的值有： binary:logistic 二分類的邏輯回歸，返回預測的概率(不是類別)。 multi:softmax 使用softmax的多分類器，返回預測的類別(不是概率)。 在這種情況下，你還需要多設一個參數：num_class(類別數目)。 multi:softprob 和multi:softmax參數一樣，但是返回的是每個數據屬於各個類別的概率。 2、eval_metric[默認值取決於objective參數的取值] 對於有效數據的度量方法。 對於回歸問題，默認值是rmse，對於分類問題，默認值是error。 典型值有： rmse 均方根誤差( ∑Ni=1?2N??????√ ) mae 平均絕對誤差( ∑Ni=1|?|N ) logloss 負對數似然函數值 error 二分類錯誤率(閾值為0.5) merror 多分類錯誤率 mlogloss 多分類logloss損失函數 auc 曲線下面積 3、seed(默認0) 隨機數的種子 設置它可以復現隨機數據的結果，也可以用於調整參數 如果你之前用的是Scikit-learn,你可能不太熟悉這些參數。但是有個好消息，python的XGBoost模塊有一個sklearn包，XGBClassifier。這個包中的參數是按sklearn風格命名的。會改變的函數名是： 1、eta ->learning_rate 2、lambda->reg_lambda 3、alpha->reg_alpha 你肯定在疑惑為啥咱們沒有介紹和GBM中的』n_estimators』類似的參數。XGBClassifier中確實有一個類似的參數，但是，是在標准XGBoost實現中調用擬合函數時，把它作為』num_boosting_rounds』參數傳入。 調整參數(含示例) 我已經對這些數據進行了一些處理： City變數，因為類別太多，所以刪掉了一些類別。 DOB變數換算成年齡，並刪除了一些數據。 增加了 EMI_Loan_Submitted_Missing 變數。如果EMI_Loan_Submitted變數的數據缺失，則這個參數的值為1。否則為0。刪除了原先的EMI_Loan_Submitted變數。 EmployerName變數，因為類別太多，所以刪掉了一些類別。 因為Existing_EMI變數只有111個值缺失，所以缺失值補充為中位數0。 增加了 Interest_Rate_Missing 變數。如果Interest_Rate變數的數據缺失，則這個參數的值為1。否則為0。刪除了原先的Interest_Rate變數。 刪除了Lead_Creation_Date，從直覺上這個特徵就對最終結果沒什麼幫助。 Loan_Amount_Applied, Loan_Tenure_Applied 兩個變數的缺項用中位數補足。 增加了 Loan_Amount_Submitted_Missing 變數。如果Loan_Amount_Submitted變數的數據缺失，則這個參數的值為1。否則為0。刪除了原先的Loan_Amount_Submitted變數。 增加了 Loan_Tenure_Submitted_Missing 變數。如果 Loan_Tenure_Submitted 變數的數據缺失，則這個參數的值為1。否則為0。刪除了原先的 Loan_Tenure_Submitted 變數。 刪除了LoggedIn, Salary_Account 兩個變數 增加了 Processing_Fee_Missing 變數。如果 Processing_Fee 變數的數據缺失，則這個參數的值為1。否則為0。刪除了原先的 Processing_Fee 變數。 Source前兩位不變，其它分成不同的類別。 進行了量化和獨熱編碼(一位有效編碼)。 如果你有原始數據，可以從資源庫裡面下載data_preparation的Ipython notebook 文件，然後自己過一遍這些步驟。 首先，import必要的庫，然後載入數據。 #Import libraries: import pandas as pd import numpy as np import xgboost as xgb from xgboost.sklearn import XGBClassifier from sklearn import cross_validation, metrics #Additional scklearn functions from sklearn.grid_search import GridSearchCV #Perforing grid search import matplotlib.pylab as plt %matplotlib inline from matplotlib.pylab import rcParams rcParams['figure.figsize'] = 12, 4 train = pd.read_csv('train_modified.csv') target = 'Disbursed' IDcol = 'ID' 注意我import了兩種XGBoost： xgb - 直接引用xgboost。接下來會用到其中的「cv」函數。 XGBClassifier - 是xgboost的sklearn包。這個包允許我們像GBM一樣使用Grid Search 和並行處理。 在向下進行之前，我們先定義一個函數，它可以幫助我們建立XGBoost models 並進行交叉驗證。好消息是你可以直接用下面的函數，以後再自己的models中也可以使用它。 def modelfit(alg, dtrain, predictors,useTrainCV=True, cv_folds=5, early_stopping_rounds=50): if useTrainCV: xgb_param = alg.get_xgb_params() xgtrain = xgb.DMatrix(dtrain[predictors].values, label=dtrain[target].values) cvresult = xgb.cv(xgb_param, xgtrain, num_boost_round=alg.get_params()['n_estimators'], nfold=cv_folds, metrics='auc', early_stopping_rounds=early_stopping_rounds, show_progress=False) alg.set_params(n_estimators=cvresult.shape[0]) #Fit the algorithm on the data alg.fit(dtrain[predictors], dtrain['Disbursed'],eval_metric='auc') #Predict training set: dtrain_predictions = alg.predict(dtrain[predictors]) dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,1] #Print model report: print "\nModel Report" print "Accuracy : %.4g" % metrics.accuracy_score(dtrain['Disbursed'].values, dtrain_predictions) print "AUC Score (Train): %f" % metrics.roc_auc_score(dtrain['Disbursed'], dtrain_predprob) feat_imp = pd.Series(alg.booster().get_fscore()).sort_values(ascending=False) feat_imp.plot(kind='bar', title='Feature Importances') plt.ylabel('Feature Importance Score') 這個函數和GBM中使用的有些許不同。不過本文章的重點是講解重要的概念，而不是寫代碼。如果哪裡有不理解的地方，請在下面評論，不要有壓力。注意xgboost的sklearn包沒有「feature_importance」這個量度，但是get_fscore()函數有相同的功能。 參數調優的一般方法。 我們會使用和GBM中相似的方法。需要進行如下步驟： 1. 選擇較高的學習速率(learning rate)。一般情況下，學習速率的值為0.1。但是，對於不同的問題，理想的學習速率有時候會在0.05到0.3之間波動。選擇對應於此學習速率的理想決策樹數量。XGBoost有一個很有用的函數「cv」，這個函數可以在每一次迭代中使用交叉驗證，並返回理想的決策樹數量。 2. 對於給定的學習速率和決策樹數量，進行決策樹特定參數調優(max_depth, min_child_weight, gamma, subsample, colsample_bytree)。在確定一棵樹的過程中，我們可以選擇不同的參數，待會兒我會舉例說明。 3. xgboost的正則化參數的調優。(lambda, alpha)。這些參數可以降低模型的復雜度，從而提高模型的表現。 4. 降低學習速率，確定理想參數。 咱們一起詳細地一步步進行這些操作。 第一步：確定學習速率和tree_based 參數調優的估計器數目。 為了確定boosting 參數，我們要先給其它參數一個初始值。咱們先按如下方法取值： 1、max_depth = 5 :這個參數的取值最好在3-10之間。我選的起始值為5，但是你也可以選擇其它的值。起始值在4-6之間都是不錯的選擇。 2、min_child_weight = 1:在這里選了一個比較小的值，因為這是一個極不平衡的分類問題。因此，某些葉子節點下的值會比較小。 3、gamma = 0: 起始值也可以選其它比較小的值，在0.1到0.2之間就可以。這個參數後繼也是要調整的。 4、subsample,colsample_bytree = 0.8: 這個是最常見的初始值了。典型值的范圍在0.5-0.9之間。 5、scale_pos_weight = 1: 這個值是因為類別十分不平衡。 注意哦，上面這些參數的值只是一個初始的估計值，後繼需要調優。這里把學習速率就設成默認的0.1。然後用xgboost中的cv函數來確定最佳的決策樹數量。前文中的函數可以完成這個工作。 #Choose all predictors except target & IDcols predictors = [x for x in train.columns if x not in [target,IDcol]] xgb1 = XGBClassifier( learning_rate =0.1, n_estimators=1000, max_depth=5, min_child_weight=1, gamma=0, subsample=0.8, colsample_bytree=0.8, objective= 'binary:logistic', nthread=4, scale_pos_weight=1, seed=27) modelfit(xgb1, train, predictors) 從輸出結果可以看出，在學習速率為0.1時，理想的決策樹數目是140。這個數字對你而言可能比較高，當然這也取決於你的系統的性能。 注意：在AUC(test)這里你可以看到測試集的AUC值。但是如果你在自己的系統上運行這些命令，並不會出現這個值。因為數據並不公開。這里提供的值僅供參考。生成這個值的代碼部分已經被刪掉了。<喎�"/kf/ware/vc/" target="_blank" class="keylink">="第二步-maxdepth-和-minweight-參數調優">第二步： max_depth 和 min_weight 參數調優 我們先對這兩個參數調優，是因為它們對最終結果有很大的影響。首先，我們先大范圍地粗調參數，然後再小范圍地微調。 注意：在這一節我會進行高負荷的柵格搜索(grid search)，這個過程大約需要15-30分鍾甚至更久，具體取決於你系統的性能。你也可以根據自己系統的性能選擇不同的值。 param_test1 = { 'max_depth':range(3,10,2), 'min_child_weight':range(1,6,2) } gsearch1 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=140, max_depth=5, min_child_weight=1, gamma=0, subsample=0.8, colsample_bytree=0.8, objective= 'binary:logistic', nthread=4, scale_pos_weight=1, seed=27), param_grid = param_test1, scoring='roc_auc',n_jobs=4,iid=False, cv=5) gsearch1.fit(train[predictors],train[target]) gsearch1.grid_scores_, gsearch1.best_params_, gsearch1.best_score_

❽ 設計一種圖像數據融合演算法，對多聚焦圖像進行融合

融合演算法fusion
algorithm
如：（多感測器單目標位置融合演算法）
經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數
融合演算法fusion
algorithm
如：（多感測器單目標位置融合演算法）
經緯儀引導數據的數據融合可以採用參數估計融合演算法，即對8組引導數據，按照某種估計准則函數

❾ 模型預測控制的方法

模型預測控制是一種基於模型的閉環優化控制策略，其演算法的核心是：可預測未來的動態模型，在線反復優化計算並滾動實施的控製作用和模型誤差的反饋校正。模型預測控制具有控制效果好、魯棒性強等優點，可有效地克服過程的不確定性、非線性和並聯性，並能方便的處理過程被控變數和操縱變數中的各種約束。從模型預測控制的基本原理出發，常見的有三種預測控制演算法：
1)基於非參數模型的模型預測控制
代表性演算法有模型演算法(MAC)和動態矩陣控制(DMC)。這類演算法分別採用脈沖響應模型和有限階躍響應模型作為過程預測模型，無需考慮模型結構和階次，可將過程時滯自然納入模型中，尤其適合表示動態響應不規則的對象特性，適合處理開環穩定多變數過程約束問題的控制。
2)基於ARMA或CARIMA等輸入輸出參數化模型的預測控制演算法。
這類演算法有經典自適應控制發展而來，融合了自校正控制和預測控制的優點。其反饋校正通過模型的在線辨識和控制率的在線修正以自校正的方式實現，其中最具代表性的是廣義預測演算法，它可應用於時變時滯較難控制的對象，並對系統的時滯和階次不確定有良好的魯棒性，但對於多變數系統，演算法實施較困難。
3)滾動時域控制。由LQ和LQG演算法發展而來
對於狀態空間模型，用有限時域二次性能指標再加終端約束的滾動時域控制演算法來保證系統穩定性。它已拓展到跟蹤控制和輸出反饋控制。各類模型預測控制演算法雖然在模型、控制和性能上存在許多差異，但其核心都是基於滾動時域原理，演算法中包含了預測模型、滾動優化和反饋校正三個基本原理。