冲床保护装置的人手与坯料神经网络分类器模型

为建立冲压作业过程中人手与坯料的神经网络分类器模型,以解决冲压时不能连续进料的问题,采用了BP算法对人手和坯料的温度数据对进行训练,并利用样本估计其错误率小于4%。实验结果表明,此BP分类器模型结构简单,错误率低,对冲压设备智能安全保护装置的研究有很好的指导作用。

基于联合训练的分类器的乳腺癌图像分类

利用机器学习的乳腺癌组织病理图像诊断节省了大量的人力物力,因此提高乳腺癌组织病理图像识别准确率有很好的现实意义;针对单一分类器和集成学习分类器模型观测域有限容易陷入局部最优的问题,提出一种基于联合训练的分类器模型;通过单一分类器相互影响扩大观测感知域来寻找损失最小的估计点,根据估计点来迭代优化超参数进而联合训练出拟合性能最好的分类器,这样既汲取不同分类器模型的可取之处来增强泛化能力,又加大了模型观测域在可以更快的得到全局最优的同时提升了识别准确率;实验表明,提出的联合训练的分类器能够提升乳腺癌组织病理学图像的分类性能,在不同放大倍数40×、100×、200×、400×下图像良恶性分类准确率分别为99.67%、98.08%、99.01%、96.34%。

基于遗传算法的多分类器融合模型在信用评估中的应用

为探讨基于遗传算法的多分类器融合模型,并基于多分类器融合技术,建立新的客户信用分类模型,该模型通过使用分类融合器,将多个单分类器得到的客户信用评估结果进行合并,从而综合不同分类器的局部优势,提高分类性能.采用线性分类融合器,并通过遗传算法对分类融合器进行优化.实验表明,该方法在客户信用评估中的效果明显优于传统的运用单个分类器的方法.

基于Boost和信任函数的多文本分类器组合模型

人们对文本分类已经进行了大量的研究,取得很多研究成果,设计多种分类器,达到相当高的分类精确度。但使用单分类器进行文本分类有一些缺点,如分类模型对样本的敏感性,而且单分类器的分类精度很难再有很大的提高。因此,使用多分类器以提高分类的精度是一个非常活跃的研究领域。文章提出使用近年在传统概率统计方法之上发展起来的信任函数理论和方法对多个文本分类器进行组合使用。具体方法是使用信任函数将分类结果进行综合,得到最终的分类结果。实验证明,基于信任函数的信息综合方法比已有的方法更合理,精度也得到提高。

基于BP神经网络构建的分类器模型财务分析领域的应用

当前，海量数据的集成发展，对数据识别与分析提出了更高的要求，分类挖掘作为数据挖掘技术的重要内容之一，其通过构造分类器来实现数据的深度挖掘与处理，在各领域中均有广泛应用，为此，本文选用精确度高、鲁棒性好的BP神经网络作为分类器模型的构造方法，分析其建模流程，并融合Adaboost算法，针对分类中的FNR和FPR两类错误，引入一种基于重视度的权重自适应算法，以改善其重视度高的样本分类能力，并将其应用至财务预警系统，经Matlab验证加强型的分类器模型具有高效、精准的分类能力。

多贝叶斯网络分类器集成模型研究

提出了一种多贝叶斯网络集成的分类和预测方法。把专家知识作为"疫苗",利用免疫遗传算法和约束信息熵适应度函数相结合的方法进行贝叶斯网络结构的学习,得到多个反映同一样本数据集的、网络结构复杂度折衷的、满意的贝叶斯网络结构。然后,给出了多贝叶斯网络分类器集成模型,把学习得到的贝叶斯网络进行集成,代表"专家"对未知类别的不完全数据进行群决策的分类和预测,提升贝叶斯网络分类器的泛化能力。最后,结合贝叶斯推理工具GeNIe软件,通过实例说明该方法的合理性和有效性。

基于不平衡学习的分类器博弈模型及其在中国象棋中的应用

计算机博弈是人工智能领域中的热点研究课题.传统计算机博弈模型使用极大极小搜索与评估函数相结合的方式,棋力高低依赖于搜索的深度.在计算性能较低的平台上,搜索深度加深会延长反应时间.因此,提出了一种应用不平衡学习技术使用专家谱训练分类器的机器博弈解决方案,反应时间只相当于一层搜索,且更能体现学习的特性.使用3种经典的不平衡学习方法训练神经网络,并对结果进行了比较.验证了使用分类器模拟中国象棋策略的可能性,以及不平衡学习技术在该策略建模过程中起到的关键作用.

基于增量式学习的数据流实时分类模型

传统数据挖掘方法,主要针对静态数据进行挖掘,而对数据流挖掘往往失效。为了解决数据流的数据挖掘问题,提出一种通过改变传统支持向量机增量式学习方法,利用轮转式结构将多分类器按照数据流时间顺序进行组合,并且通过对分类器的优化,可以提高模型对数据流分类的准确率并减少训练时间消耗。实验结果表明,该模型在保证学习精度和推广能力的同时,提高了训练速度,适合于数据流在线分类和在线学的问题。

基于多任务学习的机票价格预测模型

针对现有机票销售模型忽视不同票价等级需求问题,考虑到机票需求的影响,提出一种多任务学习模型预测机票价格。在机票价格预测中引入辅助任务机票需求预测,建立多任务学习网络,通过共享相关任务在日、周、半月、月等水平上的多尺度需求特征,分析不同周期需求特征的影响。在六千万条记录的真实数据集上的实验结果表明,较之基准算法,该模型在准确率和F1分数方面提高了将近6%,验证了多任务学习模型的有效性。

基于自然语言的国网投诉工单智能分类模型构建

为了更好的深入挖掘投诉工单背后所蕴含的信息,从自然语言处理技术出发,对客户投诉工单进行深入文本挖掘。在对电力投诉工单进行数据清洗的基础上,运用jieba进行分词,构造专业词典提升分词准确度,并对特征进行降维,然后运用利用词袋模型对中文文本进行分词,利用Bagging集成模型,构造包括朴素贝叶斯模型、决策树模型等在内的多个分类器模型,实现对词频在不同业务中的分布情况的研究,并根据结果开展相应改进措施,把控住当下电力客户投诉的主要问题,为不同类型的电力客户提供差异化的服务策略,以落在实处的为客户解决难题。

基于实例的强分类器快速集成方法

针对集成分类器由于基分类器过弱,需要牺牲大量训练时间才能取得高精度的问题,提出一种基于实例的强分类器快速集成方法——FSE。首先通过基分类器评价方法剔除不合格分类器,再对分类器进行精确度和差异性排序,从而得到一组精度最高、差异性最大的分类器;然后通过FSE集成算法打破已有的样本分布,重新采样使分类器更多地关注难学习的样本,并以此决定各分类器的权重并集成。实验通过与集成分类器Boosting在UCI数据库和真实数据集上进行比对,Boosting构造的集成分类器的识别精度最高分别能达到90.2%和90.4%,而使用FSE方法的集成分类器精度分别能达到95.6%和93.9%;而且两者在达到相同精度时,使用FSE方法的集成分类器分别缩短了75%和80%的训练时间。实验结果表明,FSE集成模型能有效提高识别精度、缩短训练时间。

支持向量机分类理论中的几个细节理解及实验

目前的大数据时代,机器学习作为数据处理的关键技术,不可缺少。各个高校在很多专业都在开展机器学习这门课程,其中的支持向量机算法作为重要内容之一,广受学生青睐。但在教学过程中,我们发现其理论在某些方面比较晦涩难懂,本文在简要概述完支持向量机分类的理论后,总结了几个关键细节的理解,比如:支持向量机线性分类器模型中的最大化Margin的理解;线性分类器模型中目标函数和约束条件的推导过程中某些知识点的理解;线性分类器模型求解过程中,为什么拉格朗日乘子大于0对应的数据点就是支持向量?支持向量机的分类面唯一吗?最后,给出了Matlab、R语言、python等几种软件在iris数据上的实验代码及实验中得到的支持向量机模型的获取方法。这些细节的理解及软件实验,对支持向量机模型都进行了透彻的剖析和融会贯通,有助于支持向量机分类学习中的初步探索和深入的研究,给广大支持向量机的学习者和使用者提供了重要的参考。

基于滤波器组和残差网络的环境声音识别算法

为解决现有传统环境声音识别技术识别率不高和普通卷积神经网络易出现网络退化的问题,提出一种基于滤波器组和残差网络的环境声音识别算法。采用滤波器组对声音信号进行特征提取,设计14层的残差网络,使用学习率衰减策略,将提取的特征输入到14层残差网络之中训练并测试。实验结果表明,在使用相同数据集ESC-10的情况下,与传统分类器模型和DCASE基线系统提供的识别方法相比,识别准确率分别提高了22.3%、17.4%和9.5%,验证了该方法在小样本情况下具有更高的识别准确率。

我国海绵城市智慧化管理模式探究

海绵城市建设在中国尚处于起步阶段,基于数据科学方法的海绵城市定量研究在国内较为少见。本文结合人工智能方法,尝试性扩展现有的海绵城市管理控制指标体系,构建针对海绵城市管理系统的水环境径流状态识别分类器模型,并利用部分城市累年气象数据进行模型的训练与预测。结果表明,分类器模型对各城市累年气象数据具有较好的拟合效果,基于扩展的管理控制目标原则,分解现有控制指标后的分类结果,能够对径流控制指标实现较好的拟合,并在特定指标组合情况下具有较好的水环境径流预测能力。海绵城市的智慧化管理能够提高优质生态环境的供给效率,助力中国生态供给侧结构性改革,进而推动中国区域经济实现可持续健康发展。未来中国海绵城市建设应该树立新发展意识、提高管理模式创新意识、坚持因地制宜原则和推动智慧化信息化建设。

面向民航旅客同行特征提取与设计

为挖掘民航旅客潜在同行关系,构建完善的旅客同行网络,提出从民航旅客订票记录进行民航旅客同行特征提取算法。通过计算信息熵等发现特征相关性,提取旅客同行表现出强相关性的特征,细化设计同行旅客对的特征集合。实验结果表明,各特征均反映了不同强度的旅客同行关系,利用特征向量对基础分类器模型进行训练预测,平均准确率高达0.91,验证了该方法具有极高的适用性。

一种新的混合分类器及其人脸识别的应用研究

随着互联网的发展,人脸识别在安全领域得到越来越广泛的应用.传统的人脸识别方法泛化能力较差,无法有效处理特别复杂的函数关系而使其在安全领域发展比较缓慢.为了提高人脸识别的正确率,本文提出了一种新的深度玻尔兹曼机神经网络(deep Boltzmann machine,DBM)和差异受限玻尔兹曼机神经网络(discriminative restricted Boltzmann machine,DRBM)的混合模型,在人脸数据集上与传统的人脸识别模型做了对比,为了进一步验证有效性,本文还选取在公共CMU-PIE人脸图像数据集上作了对比试验.实验发现:在两个数据集上,新的混合模型相对传统模型都有更好的识别效果,将产生直接的社会效益和管理意义.

遥感影像水体信息提取研究进展

水资源是人类社会赖以生存和发展的物质基础。遥感影像水体信息提取对水资源的监测、规划、保护、利用至关重要,一直受到专家学者的关注。针对国内外专家学者利用遥感影像进行水体信息提取的相关研究成果,文章按照阈值分割法、分类器模型法、基于“全域-局部”的提取法和光谱混合分析法4类,对前人提出的水体提取理论和方法进行归纳总结;在此基础上,指出制约水体信息提取精度的瓶颈和解决措施;最后对遥感影像水体信息提取的发展趋势进行展望。

改进的Adaboost方法及其在水电站设备故障检测中的应用

针对水电站运行人员巡检时间过长,检查设备故障效率过低等问题,设计了水电站故障检测方案。根据改进的Adaboost方法对不同工况下机器作用所产生的噪声值进行训练,并建立一个分类器模型,将其应用到水电站设备故障检测方案当中。通过仿真实验,结果表明改进的Adaboost分类器正确率很高,达到89.1%。此方案可以提高水电站设备故障的检测效率,加强了工作人员的安全保障。

基于大数据不平衡样本集的重采样方法及应用

讨论大数据不平衡样本集的5种重采样方法,对电力违章事故事件大数据不平衡样本集进行平衡处理,并讨论不平衡样本集训练机器学习算法的多个性能指标;以此为应用大数据不平衡样本集训练和比较机器学习算法,以及为选择性能较好的机器学习算法提供决策信息;所阐述的研究方法,对大数据分析及机器学习算法分类器模型的研究及应用具有普遍的参考价值和意义。

基于超声技术的木质材料无损分类研究

基于超声无损检测的木质材料分类方法,并通过选择合适的特征选择或特征提取方法,结合优化的分类器模型,可以实现高达97%的分类准确率,且单个类别的分类准确率不低于80%,实现木质材料无损分类。有效克服了传统木材分类方法破坏试件、检测周期长、适用性差和操作复杂等缺陷。