孫麗華　嚴(yán)軍峰　徐健鋒

摘要：

傳統(tǒng)的雷電數(shù)據(jù)預(yù)測方法往往采用單一最優(yōu)機器學(xué)習(xí)算法，較少考慮氣象數(shù)據(jù)的時空變化等現(xiàn)象。針對該現(xiàn)象，提出一種基于集成策略的多機器學(xué)習(xí)短時雷電預(yù)報算法。首先，對氣象數(shù)據(jù)進行屬性約簡，降低數(shù)據(jù)維度；其次，在數(shù)據(jù)集上訓(xùn)練多種異構(gòu)機器學(xué)習(xí)分類器，并基于預(yù)測質(zhì)量篩選最優(yōu)基分類器；最后，通過對最優(yōu)基分類器訓(xùn)練權(quán)重，并結(jié)合集成策略產(chǎn)生最終分類器。實驗表明，該方法優(yōu)于傳統(tǒng)單最優(yōu)方法，其平均預(yù)測準(zhǔn)確率提高了9.5%。

關(guān)鍵詞：

雷電預(yù)報；屬性約簡；集成學(xué)習(xí)；機器學(xué)習(xí)

中圖分類號：

TP181

文獻標(biāo)志碼：A

Abstract：

The traditional lightning data forecasting methods often use single optimal machine learning algorithm to forecast， not considering the spatial and temporal variations of meteorological data. For this phenomenon，an ensemble learning based multimachine learning model was put forward. Firstly， attribute reduction was conducted for meteorological data to reduce dimension； secondly， multiple heterogeneous machine learning classifiers were trained on data set and optimal base classifier was screened based on predictive quality； finally， the final classifier was generated after weighted training for optimal base classifier by using ensemble strategy. The experimental results show that，compared with the traditional single optimal algorithm， the prediction accuracy of the proposed model is increased by 9.5% on average.

英文關(guān)鍵詞Key words：

lightning forecast；attribute reduction；ensemble learning；machine learning

0引言

雷電是人類面臨的最嚴(yán)重的自然災(zāi)害之一，以江西省為例，6～8月為江西省雷電活動頻發(fā)月份，1～2月和10～12月雷電活動少發(fā)月份。根據(jù)文獻[1]統(tǒng)計，過去幾年當(dāng)中，江西省雷電活動比例在冬季最高，秋季次之，午后為雷電活動最頻發(fā)時刻，12～21時是江西省雷電活動最頻繁的時間段，約占總雷電活動數(shù)的79.4%。另據(jù)文獻[2]統(tǒng)計，江西省2005—2013年總共發(fā)生2808次雷電災(zāi)害，造成437人死亡，246人受傷，直接經(jīng)濟損失達到21697萬元，間接經(jīng)濟損失達到22430萬元。因此，必須加強雷電災(zāi)害監(jiān)測及雷電防御工作。

國內(nèi)外雷電預(yù)報是在篩選出與雷電發(fā)生相關(guān)性高的大氣不穩(wěn)定參數(shù)作為預(yù)報因子的基礎(chǔ)上，構(gòu)建雷電發(fā)生的概率預(yù)報方程，并區(qū)分強雷電與弱雷電。雷電預(yù)報所利用的資料主要有探空、雷達和衛(wèi)星等觀測資料及雷電探測資料。當(dāng)前業(yè)內(nèi)主要的預(yù)報研究方法有：

1）常規(guī)預(yù)報方法，預(yù)報員利用天氣學(xué)方法制作出來的，但準(zhǔn)確度不高。

2）利用衛(wèi)星云圖和天氣雷達資料預(yù)報對流性天氣，在衛(wèi)星云圖和雷達回波圖上，通過對流云團的動態(tài)顯示，以及對流天氣的預(yù)報，從而確定雷電發(fā)生和落區(qū)的預(yù)報。

3）數(shù)值預(yù)報方法，利用強對流天氣數(shù)值模式，對歷史數(shù)據(jù)建模，從而模擬各個區(qū)域出現(xiàn)雷電的情況。

4）閃電定位儀監(jiān)測是目前對雷電天氣的最佳監(jiān)測手段，要求不斷地把監(jiān)測的閃電強度、頻數(shù)、閃電性質(zhì)、落區(qū)、時間顯示在雷電預(yù)報系統(tǒng)中，應(yīng)用雷電發(fā)生發(fā)展理論和引導(dǎo)氣流方法對閃電的未來強度作出預(yù)報，顯示未來可能影響本地的雷電。

目前采用機器學(xué)習(xí)較成功的預(yù)報方法有：用決策樹方法制作的，為機場提供自動雷電探測和嚴(yán)格導(dǎo)航系統(tǒng)的美國AWIPS雷電產(chǎn)品；澳大利亞氣象局結(jié)合數(shù)值預(yù)報產(chǎn)品制作的雷電預(yù)報決策樹方法；印度德里地區(qū)用點聚圖方法、多元線性回歸方程法制作的季風(fēng)爆發(fā)前雷電客觀預(yù)報，均取得了較好的效果。

相對而言，目前國內(nèi)外對高分辨率短時臨近雷電預(yù)報研究較少。2012年，靳小兵等[3]采用決策樹法，提出結(jié)合T213模式資料和地面探空資料算法，建立了雷電預(yù)報業(yè)務(wù)系統(tǒng)。2013年，劉達新等[4]為了滿足應(yīng)用的要求，提出一種能夠抵抗粗差干擾的定位方法，該方法能夠有效地抵抗粗差的干擾，提高了雷電定位精度。劉沖等[5]提出了一種基于粗糙集正域?qū)傩约s簡的雷電預(yù)報因子提取方法，該方法采用基數(shù)排序方法快速求解決策表的正域，引入可分辨概念度量屬性的重要性，提出了基于可分辨度的核屬性與非核屬性的提取方法，設(shè)計了相應(yīng)的面向雷電預(yù)報因子提取的屬性約簡算法。彭永供等[6]在2013年，針對非平衡特征數(shù)據(jù)集中采用基于歐式距離的采樣算法低效率問題，提出一種基于哈夫曼樹的雷電數(shù)據(jù)采樣算法，有效的提升了采樣效率。

2014年，滕少華等[7]基于SVM的多組合器協(xié)同分析方法，提出了一個具有較高預(yù)測準(zhǔn)確性和分類穩(wěn)定性的多組合器協(xié)同分析算法，該算法在氣象預(yù)測中起到了很好的預(yù)測效果。此外，針對傳統(tǒng)的決策樹分類算法不能有效解決海量氣象數(shù)據(jù)中的知識挖掘問題。2015年，周浩等[8]用二進制表示來構(gòu)建屬性的二進制信息粒向量，提出了屬性信息增益的計算方法，并結(jié)合并行處理模型MapReduce，研究了基于粒計算的ID3（Iterative Dichotomiser 3）決策樹分類的并行化處理新方法，該方法在氣象領(lǐng)域的預(yù)測也取得了很好的效果。

現(xiàn)有算法雖然從不同角度來提高雷電預(yù)測準(zhǔn)確率，但往往采用單一預(yù)測算法。在實際應(yīng)用中，由于地域的不同，不同時空和不同季節(jié)對數(shù)據(jù)處理的要求也是不同的。這種單一的算法預(yù)報模型不能反映出數(shù)據(jù)的動態(tài)變化特征，預(yù)報的穩(wěn)定性一般較差。

集成學(xué)習(xí)也可以稱為提升方法[9]是提高分類準(zhǔn)確性和穩(wěn)定性的重要策略。該方法的基本思想是：對于一個相對復(fù)雜的系統(tǒng)來說，單個弱分類器的分類效果可能表現(xiàn)不佳，將多個弱分類器的分類結(jié)果進行適當(dāng)綜合，就能得出比單個弱分類器更精確的分類結(jié)果。在眾多的提升算法[10-11]中AdaBoost（Adaptive Boosting）[12]算法最具代表性，算法采用加權(quán)多數(shù)表決的方法，在每次訓(xùn)練過程中，通過更新所有樣本權(quán)值的方式來增加在上一次分類中被錯誤分類的樣本權(quán)值，使其在下一次訓(xùn)練中被著重考慮。最終結(jié)果是加大各弱分類誤差率小的分類器權(quán)值，使其在表決中起較大作用，減少分類誤差率大的弱分類器的權(quán)值，使其在表決中起較小的作用，從而提升算法性能。

粗糙集理論越來越多地應(yīng)用到了數(shù)據(jù)挖掘之中，粗糙集的屬性約簡不需要屬性分布的任何先驗信息，因此其應(yīng)用結(jié)果更為客觀。考慮到粗糙集屬性約簡的客觀性、有效性、尤其是連續(xù)型變量的情形，本文將應(yīng)用粗糙集方法對原始數(shù)據(jù)集進行屬性約簡[13-14]。

本文針對傳統(tǒng)雷電預(yù)測中存在的問題，結(jié)合集成學(xué)習(xí)的思想，提出一個具有個性化的多機器學(xué)習(xí)競爭策略的混合雷電預(yù)測算法框架模型（Personal MultiMachine Learning Competitive Strategy， PMML）。通過將本模型應(yīng)用于實際預(yù)測，取得了較好的預(yù)測效果。

1氣象數(shù)據(jù)

氣象觀測資料為江西省83個氣象站2010—2014年雷電觀測資料，雷電監(jiān)測定位資料為2010—2014年江西省氣象局雷電監(jiān)測定位網(wǎng)監(jiān)測資料。

研究采用的數(shù)據(jù)來源于江西氣象局業(yè)務(wù)運行的局地分析預(yù)報系統(tǒng)（Local Analysis Prediction System，LAPS）資料數(shù)據(jù)。該系統(tǒng)垂直層從100hPa開始每間隔50hPa劃分為一層共劃分了21 層，第一層為第0層。水平格距為5km×5km，系統(tǒng)分析區(qū)域的以31.0°N，115.0°E為中心。系統(tǒng)不僅提供一些常用的基本物理量的分析場資料數(shù)據(jù)，同時還提供由某些分析量導(dǎo)出的衍生產(chǎn)品資料，系統(tǒng)的資料產(chǎn)品包括風(fēng)、溫度、垂直速度、高度、比濕、云量、液態(tài)水含量、相對濕度、云分類、云水含量、雪含量、反射率、雨水含量、云底高度、云頂高度、云冰、可降水量、抬升指數(shù)、對流抑制能量、肖沃特指數(shù)、對流有效位能、抬升凝結(jié)高度、K 指數(shù)等33 種產(chǎn)品。LAPS每天輸出8個時次（00、03、06、09、12、15、18、21 時）間隔3小時的分析量資料。

2多機器學(xué)習(xí)雷電預(yù)測算法模型

本文提出的多機器學(xué)習(xí)雷電預(yù)測算法模型如圖1所示。該模型包括：數(shù)據(jù)約簡模塊（含數(shù)據(jù)清洗、數(shù)據(jù)離散化）、多機器競爭模塊、集成學(xué)習(xí)模塊。

其主要學(xué)習(xí)過程是：

首先，訓(xùn)練數(shù)據(jù)集經(jīng)屬性約簡后，導(dǎo)入多機器學(xué)習(xí)模塊，對M個備選機器學(xué)習(xí)算法進行訓(xùn)練。

然后，在多機器學(xué)習(xí)競爭模塊中，這些訓(xùn)練后的機器學(xué)習(xí)分類器，會通過多測試集進行預(yù)測準(zhǔn)確性與預(yù)測穩(wěn)定性的競爭，并推選出N個最優(yōu)基分類器（N

最后，在集成學(xué)習(xí)模塊，多最優(yōu)基分類器被提取出來，按照集成策略分別對實際氣象數(shù)據(jù)進行預(yù)測并且統(tǒng)計出最優(yōu)預(yù)測結(jié)果。

2.1多機器學(xué)習(xí)競爭模塊

多機器學(xué)習(xí)競爭過程的分類器競爭過程如圖2所示。

首先，將數(shù)據(jù)集隨機劃分為80%的訓(xùn)練集和20%的測試集，再將20%的測試集采用隨機抽樣方式劃分為多個（K個）測試數(shù)據(jù)集，然后應(yīng)用粗糙集進行屬性約簡。

然后，經(jīng)過約簡后的訓(xùn)練集數(shù)據(jù)分別導(dǎo)入M個不同算法進行有指導(dǎo)的機器學(xué)習(xí)訓(xùn)練。

最后，通過約簡后的K個測試數(shù)據(jù)集對M個學(xué)習(xí)后的算法分類器進行測試，分別得到各個算法的K個預(yù)測準(zhǔn)確率的均值及方差（即預(yù)測穩(wěn)定性）。

根據(jù)上述訓(xùn)練和測試的結(jié)果，通過平均預(yù)測準(zhǔn)確性的排序和比對，保留N個預(yù)測準(zhǔn)確性最高分類器作為最終分類器。

多機器學(xué)習(xí)競爭模塊中的關(guān)鍵算法步驟介紹如下：

1）預(yù)測準(zhǔn)確性算法（Prediction Accuracy， Ca_Accuracy）。

算法思想：訓(xùn)練后的算法（After Training Algorithm， Alg）導(dǎo)入約簡后的氣象測試數(shù)據(jù)集信息系統(tǒng)（Meteorological Information System， MIS*）的每條記錄，進行分類預(yù)測。其中MIS=（U，C*，D，V， f）。U={x1，x2，…，xi}代表雷電氣象數(shù)據(jù)記錄對象（元組）集合，其中xi為第i條雷電記錄（元組）。C*和D是雷電數(shù)據(jù)的所有屬性集合，分為兩個不相交的子集，即條件屬性C*和決策屬性D。條件屬性C*包括表1中提到的所有屬性，決策屬性D的值域：D{0，1}，1代表發(fā)生雷電，0代表未發(fā)生雷電。V：是條件屬性C*的取值集合，Va是屬性a的值域。 f是U×（C*×D）→V的一個信息函數(shù)，它為任一個對象x∈U對應(yīng)的任一屬性a∈C*的屬性取值，即fa（x）∈Va。其預(yù)測結(jié)果與MIS*決策值進行比對，可以統(tǒng)計出該算法的預(yù)測準(zhǔn)確率。

算法輸入：訓(xùn)練后的算法Alg（），測試數(shù)據(jù)MIS=（U，C*，D，V， f）。

算法輸出：算法Alg在測試集MIS*中的預(yù)測準(zhǔn)確性γ。

算法步驟流程：

3實驗與結(jié)果分析

3.1實驗環(huán)境與數(shù)據(jù)集

1）實驗環(huán)境。

本次實驗環(huán)境在Windows7系統(tǒng)中使用Matlab 7.1，GrADS 1.9 為實驗平臺進行實驗。

2）實驗數(shù)據(jù)準(zhǔn)備。

本文從2010—2014年江西省境內(nèi)及周邊的雷電定位資料中提取出南昌市、九江市、上饒市、鷹潭市等4個城市的閃電定位數(shù)據(jù)。由于南昌和九江相鄰等問題，因此該鄰近區(qū)域雷電產(chǎn)生次數(shù)統(tǒng)計使用粗糙集來處理。此外，因江西省一年的閃電基本集中在5—10月，故本文從中取出5—8月份對應(yīng)的閃電數(shù)據(jù)，以構(gòu)建本實驗數(shù)據(jù)集，共計820761條記錄，其中雷電樣本539324條，非閃電樣本281437條。

3.2實驗設(shè)置

為了驗證該框架中多機器學(xué)習(xí)競爭算法策略在不同地域的有效性，本文選擇南昌市、九江市、上饒市、鷹潭市等4個城市在2010年—2014年的5—10月份的氣象數(shù)據(jù)作為研究對象。算法集合選擇了支持向量機（Support Vector Machine， SVM） 、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）、 決策樹（Decision Tree， DTree）、貝葉斯分類器（Naive Bayes， Bayes）、K最近鄰算法（KNearest Neighbor， KNN）作為備選算法。采用本PMML模型與文獻[8]中算法分別進行學(xué)習(xí)與預(yù)報。

3.3實驗結(jié)果

如圖3所示，PMML實驗結(jié)果可以看出，4個地區(qū)獲得的最優(yōu)基分類器算法各不相同。在對南昌市和九江市兩個不同地區(qū)的雷電數(shù)據(jù)進行預(yù)報時，決策樹在南昌的預(yù)測平均準(zhǔn)確率為93.3%，ANN在九江地區(qū)的平均預(yù)測準(zhǔn)確率為94.4%。對比上饒、鷹潭可以看出，決策樹在上饒地區(qū)的預(yù)測平均準(zhǔn)確率為77.6%，而在鷹潭地區(qū)有較高的88.7%的預(yù)測平均準(zhǔn)確率?？梢钥闯觯诓煌赜蛑?，預(yù)測準(zhǔn)確率最高的算法并不總是相同，可見PMML算法在不同地域具有不唯一的最優(yōu)預(yù)測算法。

為了進一步驗證本模型預(yù)測算法的有效性，將本文提出的PMML算法與文獻[8]提出的基于粒計算的決策樹算法分別在四個不同的地區(qū)進行對比實踐。此次對比實踐當(dāng)中，由于發(fā)生雷電的次數(shù)并不是每天都在發(fā)生，故以下實驗有針對性的對2014年8月發(fā)生雷電的某一天進行實際預(yù)測。由于篇幅所限，本文只選取了南昌、九江、上饒、鷹潭等4個地區(qū)的實驗結(jié)果作為展示。實驗在4個不同地區(qū)不同時段各自取了10000條氣象數(shù)據(jù)，不同地區(qū)發(fā)生雷電次數(shù)不同。如圖4～7顯示的是部分的實驗結(jié)果。

從圖4～7可以看出，PMML算法與文獻[8]的預(yù)測準(zhǔn)確條數(shù)隨預(yù)測區(qū)域的不同而不同。在南昌、九江和鷹潭三個地區(qū)，PMML算法與文獻[8]算法預(yù)測準(zhǔn)確性出現(xiàn)不同層次的交替。同時也可以看出，PMML算法曲線始終隨著實際雷電數(shù)曲線的變化而變化，而文獻[8]曲線變化與實際打雷數(shù)曲線關(guān)聯(lián)度不大。說明PMML算法在處理具有不同數(shù)據(jù)特征的數(shù)據(jù)集時比一般算法效果更好。總體來看，PMML算法的預(yù)測準(zhǔn)確性比文獻[8]算法高。

從地域來看，不同地區(qū)同一時間段內(nèi)PMML算法與文獻[8]算法的預(yù)測效果差異性不大。但PMML算法的預(yù)測結(jié)果具有一定穩(wěn)定性，文獻[8]算法在不同地區(qū)僅使用單一算法，不能滿足不同地區(qū)不同氣候條件下的數(shù)據(jù)需要，因而其預(yù)測結(jié)果不穩(wěn)定。不論從不同地區(qū)還是不同時間段分析， PMML算法在處理不同地區(qū)的不同數(shù)據(jù)時的平均預(yù)測準(zhǔn)確性都在90%以上，具有較高的預(yù)測準(zhǔn)確性，因此實踐取得了較好的效果。

為了對實驗結(jié)果作進一步分析，本文通過k折交叉驗證（kfold crossValidation）對實驗結(jié)果進行對比分析。具體如下：在上文實驗場景下，在不同規(guī)模數(shù)據(jù)集中，分別將數(shù)據(jù)集隨機劃分為k等分（本文k取5）。取出其中4份作為訓(xùn)練集，剩余1份作測試集進行實驗，交叉驗證重復(fù)5次，直到每個子樣本都驗證一次，從而得到5次結(jié)果的平均預(yù)測誤差大小。在不同數(shù)據(jù)集規(guī)模進行交叉驗證后，得到表3所示結(jié)果對比。

從表3可以看出，本文所提算法在大規(guī)模數(shù)據(jù)集中具有良好的低錯誤率，而對比文獻算法由于預(yù)測使用的算法單一，在面對大規(guī)模數(shù)據(jù)集時，預(yù)測效果表現(xiàn)不佳。當(dāng)數(shù)據(jù)集較大時，數(shù)據(jù)的特征分布也會發(fā)生變化，單一預(yù)測算法將不再適用。而本文所提算法由于使用多種經(jīng)典算法，結(jié)合集成策略思想，能夠在不同數(shù)據(jù)集上適應(yīng)具有不同特征分布的數(shù)據(jù)預(yù)測變化。

4結(jié)語

本文針對傳統(tǒng)雷電預(yù)測當(dāng)中預(yù)測算法單一，不能很好地考慮數(shù)據(jù)集全局的數(shù)據(jù)特征問題，提出了一種基于多機器學(xué)習(xí)競爭策略的混合框架模型。模型首先對氣象數(shù)據(jù)應(yīng)用粗糙集進行屬性約簡，再通過多機器學(xué)習(xí)競爭策略競爭產(chǎn)生一定數(shù)量的最優(yōu)基分類器，再應(yīng)用集成學(xué)習(xí)的思想，對多個最優(yōu)基分類器進行集成，最后產(chǎn)生最終分類器。通過在江西省多個不同地區(qū)進行實際預(yù)測，結(jié)果表明該模型比傳統(tǒng)預(yù)測方法具有較好的預(yù)測準(zhǔn)確性。由于氣象數(shù)據(jù)具有典型的時間序列特征，例如：頻率、波形、方差等，都可充分利用，下一步的研究將著重考慮氣象數(shù)據(jù)的時序特性，從時間維度來進一步提高預(yù)測準(zhǔn)確率。

參考文獻：

[1]

李準(zhǔn)，楊慧民，林春.南昌地區(qū)雷電災(zāi)害易損性分析及區(qū)劃[J].氣象研究與應(yīng)用，2013，34（3）：78-82.（LI Z， YANG H M， LIN C. Regionalization and analysis of lighting disaster vulnerability in Nanchang [J]. Journal of Meteorological Research and Application， 2013， 34（3）： 78-82.）

[2]

呂振東，李玉塔，王懷清.江西省雷電時空分布特征及其區(qū)域易損性分析[J].能源研究與管理，2016（1）：51-57.（LYU Z D， LI Y T， WANG H Q. Analysis of temporal and spatial distribution characteristics of lighting activity and vulnerability in Jiangxi [J]. Energy Research and Management， 2016（1）： 51-57.）

[3]

靳小兵，卜俊偉，李一丁，等.四川省雷電監(jiān)測預(yù)警預(yù)報系統(tǒng)及其應(yīng)用研究[J].高原山地氣象研究，2012，32（3）：54-57.（JIN X B， BU J W， LI Y D， et al. The research of lightning monitoring and early warning forecast system of Sichuan province and its application [J]. Plateau and Mountain Meteorology Research， 2012， 32（3）： 54-57.）

[4]

劉達新，來志云，吉平，等.能抵抗粗差的雷電定位算法研究與仿真[J].科學(xué)技術(shù)與工程，2013，13（28）：8399-8403.（LIU D X， LAI Z Y， JI P， et al. Algorithms and simulation for robust lightning location [J]. Science Technology and Engineering， 2013， 13（28）： 8399-8043.）

[5]

劉沖，李向軍，沈華，等.基于基數(shù)排序及屬性約簡的雷電預(yù)報因子提取方法[J].南昌大學(xué)學(xué)報（理科版），2013，37（4）：344-349.（LIU C， LI X J， SHENG H， et al. Extraction method of lightning forecast factors based on radix sort and attribute reduction [J]. Journal of Nanchang University （Natural Science）， 2013， 37（4）： 344-349.）

[6]

彭永供，邱桃榮，林于淵，等.基于哈夫曼樹的雷電數(shù)據(jù)采樣算法[J].計算機工程，2013，39（5）：174-177.（PENG Y G， QIU T R， LIN Y Y， et al. Lightning data sampling algorithm based on Huffman tree [J]. Computer Engineering， 2013， 39（5）： 174-177.）

[7]

滕少華，樊繼慧，陳瀟，等.SVM多分類器協(xié)同挖掘局域氣象數(shù)據(jù)[J].廣西大學(xué)學(xué)報（自然科學(xué)版），2014，39（5）：1131-1137.（TENG S H， FAN J H， CHEN X， et al. Application of SVMbased multiclassifiers in miningcooperatively local area meteorological data [J]. Journal of Guanxi University （Natural Science Edition）， 2014， 39（5）： 1131-1137.）

[8]

周浩，劉萍，邱桃榮，等.基于粒計算的決策樹并行算法的應(yīng)用[J].計算機工程與設(shè)計，2015，36（6）：1504-1509.（ZHOU H， LIU P， QIU T R， et al. Parallel decision tree algorithm based on granular computing [J]. Computer Engineering and Design， 2015， 36（6）： 1504-1509.）

[9]

VALIANT L G. A theory of the learnable [J]. Communications of the ACM， 1984， 27（11）： 1134-1142.

[10]

NAKAMURA M， NOMIYA H， UEHARA K. Improvement of boosting algorithm by modifying the weighting rule [J]. Annals of Mathematics and Artificial Intelligence， 2004， 41（1）： 95-109.

[11]

LOZANO A C， ABE N. Multiclass costsensitive boosting with pnorm loss functions [C]// KDD 08： Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2008： 506-514.

[12]

廖紅文，周德龍.AdaBoost及其改進算法綜述[J].計算機系統(tǒng)應(yīng)用，2012，21（5）：240-244.（LIAO H W， ZHOU D L. Review of AdaBoost and its improvement [J]. Computer System and Applications， 2012， 21（5）： 240-244.）

[13]

劉宏杰，馮博琴，李文捷，等.粗糙集屬性約簡判別分析方法及其應(yīng)用[J].西安交通大學(xué)學(xué)報，2007，41（8）：939-943.（LIU H J， FENG B Q， LI W J， et al. Discrimination method of rough set attribute reduction and its applications [J]. Journal of Xian JiaoTong University， 2007， 41（8）： 939-943.）

[14]

PAWLAK Z. Rough sets [J]. International Journal of Computer and Information Sciences， 1982， 11（5）： 341-356.