基于机器学习的铁路道岔故障识别

道岔的正常运转是保证列车正常运行的必备条件,传统的道岔故障检测方法主要来源于人的工作经验,根据电流的非正常变化来判别道岔是否发生故障,消耗较多的人力资源与物力资源。为了提升资源的有效利用率,本文运用概率主成分分析法提取数据的主要特征,分别采用支持向量机模型和k近邻模型作为道岔故障分类器,然后使用十折交叉验证法作为模型的评价标准,以达到智能识别铁路道岔故障的目的。

基于机器学习的论文评分研究

本文首先利用Wordcloud库对评语文本进行可视化,将频率较高的无用词剔除,然后对教师评语进行中文分词,利用TF-IDF算法描述字词在一个语料库的重要程度,并将映射到特征空间的评语数值特征作为特征向量,然后利用稀疏主成分分析法对数据进行降维,将总评分作为论文等级的标识划分论文等级,最后使用支持向量机对其进行训练,使得分类器具有评判论文得分等级的功能。