文献类型：期刊文章

作　　者：杨连报[1] 李平[2] 薛蕊[2] 马小宁[2] 吴艳华[2] 邹丹[2]

机构地区：[1]中国铁道科学研究院,北京100081 [2]中国铁道科学研究院电子计算技术研究所,北京100081

出　　处：《铁道学报》

基　　金：中国铁道科学研究院院基金重大课题(2017YJ005;2017YJ006)

年　　份：2018

卷　　号：40

期　　号：2

起止页码：59-66

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对铁路信号设备不平衡故障文本数据,提出基于文本挖掘的铁路信号设备故障智能分类模型。采用TF-IDF模型实现电务信号设备故障文本的特征提取并转换为向量,基于Voting的方式实现多分类器集成学习分类。该模型利用SVM-SMOTE算法对TF-IDF转换后的小类别文本向量数据进行随机生成,采用逻辑回归、朴素贝叶斯、SVM等基分类器和GBDT、随机森林集成分类器对平衡后的数据进行分类,考虑不同分类器的适用特点,通过Voting方式进行多分类器集成学习。通过对某铁路局2012—2016年铁路信号设备故障文本数据进行试验分析,表明该模型可使故障分类的准确率、召回率和F-score均得到显著提升。

关 键 词：铁路信号设备 故障分类  不平衡文本数据  SMOTE 基分类器  集成分类器 集成学习  

分 类 号：U284]