基于深度强化学习的电网关键节点识别

电网中某个关键节点发生故障,可能会引起级联失效,导致整个区域大面积停电。针对电网关键节点识别问题,提出了基于深度强化学习的电网关键节点识别模型。该模型通过图神经网络GCN对电网网络结构进行感知,对动作和状态进行向量表示,通过DQN的决策,选择最优动作,进行梯度回传,不断迭代优化参数,得到最优模型。基于该模型设计了电网关键节点检测算法KNDDRL,并在不同网络上进行了大量的实验,实验结果表明该算法能够有效识别电力网络中的关键节点,其效果优于所比较的代表性算法。

基于机器学习的智能家居系统的设计与实现

为了满足人们对智能家居的个性化需求,设计并实现了一种基于多路融合归并的机器学习的智能家居系统。该系统采用阿里云物联网平台,以ESP8266作为系统的控制端,多个传感器作为系统的检测端,多个控制器作为系统的控制端口,通过MQTT协议分享数据,并通过手机APP进行查阅。通过阿里云物联网平台中API接口,获取用户行为数据;并基于这些行为数据,采用数据处理与分析技术、信息挖掘技术、机器学习技术,建立KNN以及随机森林模型对用户进行预测,并将结果反馈到平台进行控制,为用户提供一个良好的个性化智能家居系统。

“互联网+”背景下学生网络学习行为分析及预警

随着“互联网+”模式的飞速发展和普及,信息技术改变了传统的教学模式,网络学习和智慧教学受到了大众的青睐.笔者针对当前网络学习行为分析存在的不足,基于工程教育认证理念,采用数据挖掘方法、机器学习算法和可视化技术对学生的网络学习行为、课程目标达成度及期末成绩进行多维度分析,并根据学生学习行为对期末成绩进行预测,给出预警.该研究有利于探索蕴含在数据背后的学习规律,为管理者提供决策支持,为教师教学提供支撑数据,为学生提供学业指导和预警.