基于机器学习技术的返乡发展人群预测模型研究与应用

随着经济的发展和一线城市生活压力的增大,越来越多的人迁移城市以及返回家乡发展,为了高效服务用户和提升用户产品使用体验,提出基于LightGBM、CatBoost等算法来预测返乡发展人群,并进行了异构模型融合。通过模型对比,所提融合模型有更好的效果,可以为服务和产品提供依据,减少流失优化感知,提高市场保有率。

基于超球体多类支持向量数据描述的医学图像分类新方法

针对乳腺x光医学图像多分类问题中训练速度比较慢的问题，提出超球体多分类支持向量数据描述（HSMC—SVDD）分类算法，即把超球体单分类支持向量数据描述直接扩展到超球体多分类支持向量数据描述。通过对乳腺x光图像提取灰度共生矩阵特征；然后用核主成分分析（KPCA）对数据进行降维；最后用超球体多分类支持向量数据描述分类器进行分类。由于每一类样本只参与构造一个超球体的训练，因此训练速度明显提高。实验结果表明，这种超球体多分类支持向量数据描述分类器的平均训练时间为21．369S，训练时间比Wei等（WEILY，YANGYY．NISHIKAWARM．el al．Astudyonseveralmachine．1earningmethodsforclassificationofmalignantandbenignclusteredmicro—calcifications．IEEETransactionsonMedicalImaging，2005，24（3）：371—380）提出的组合分类器（平均训练时间40．2S）减少了10～20S，分类精度最高达76．6929％，适合解决类别数较多的分类问题。

基于Bagging的概率神经网络集成分类算法

目前的神经网络较多集中在以BP算法为基础的BP神经网络上。针对BP神经网络的不足,在分析研究概率神经网络和机器学习的基础上,结合集成学习的思想,提出了基于Bagging的概率神经网络集成分类算法。理论分析和实验结果都表明,提出的算法能够有效地降低分类误差,提高分类准确率,具有较好的泛化能力以及较快的执行速度,能够取得比传统的BP神经网络分类方法更好和更稳定的分类结果。

基于核学习的入侵检测改进方法

针对入侵检测中部分攻击类型检测率低的问题,提出一种基于核学习的入侵检测改进方法。采用核主成分分析(KPCA)对入侵检测中的高维非线性结构数据集进行数据预处理,通过支持向量数据描述(SVDD)构造分类器,对预处理后的数据进行分类。实验结果表明,与已有方法相比,改进方法的检测精度较高、漏检率较低。

基于UPnP的通用型桥接器设计与实现

在现代物联网中,各类异构网络协议在设备互联上存在不兼容性问题。为此,设计一种能够同时支持多种异构网络协议互联的新型通用型桥接器,该桥接器以UPnP协议为标准。在协议的通用性桥接上,桥接器采用分层处理的方法,在底层为每个异构网络协议编写独立的、协议相关的插件模块,并动态加载到桥接器中,形成一个半开放式的转接引擎。实验结果表明,在不改变原有内部结构的情况下,该桥接器可动态加载或取消对任一异构网络协议的桥接,并对新协议的支持具有完全的开放性和独立性。桥接器可较好地完成各类异构网络设备间的互联,实现资源的共享和异构网络的融合。