融合无监督和有监督学习的虚假数据注入攻击检测

虚假数据注入攻击(false data injection attack,FDIA)是智能电网安全与稳定运行面临的严重威胁。文中针对FDIA检测中存在的有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的FDIA检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充;然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题;最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30节点系统上的算例分析表明,与其他FDIA检测算法相比,文中方法增强了FDIA检测模型在有标签样本稀少和数据不平衡情况下的稳定性,提升了FDIA的识别精度并降低了误报率。

一种结合有监督学习的动态主题模型

针对传统主题模型存在的不足,提出一种新的结合有监督学习的动态主题模型(Supervised Dynamic Topic Model,S-DTM)。该模型不仅能够随时间的变化对语言进行动态建模,而且结合有监督学习技术,在主题变分推理中加入标签约束,从而建立主题与标签之间的映射关系,提高主题的表达解释能力。通过在一个跨越25年"以自然语言处理领域的中文期刊论文为主导"的中文语料库上的实验,证明该模型相较于静态的有监督主题模型和无监督的动态主题模型,具有更好的语义解释概括能力,能更准确地反映文档的主题结构,更精确地捕捉主题–词汇概率分布的动态演化。

入侵检测系统中有监督学习的特征选择方法

基于模式识别方法的入侵检测系统首先要解决的一个问题就是特征选择,该文依据数据分布和相关分析两方面,提出了一种基于有监督学习的特征选择方法。根据实验结果可以看出,该算法执行效果较好,且时间复杂性较低。

基于有监督学习的医古文叙述性术语语义标注

对自由文本形式的中医古籍文献(医古文)进行标注,是对其进行深入分析的前提,语义标注技术是实现该目的的方法之一。该文将中医古籍文献中包含的术语分为名称性术语以及叙述性术语。在分析叙述性术语特点的基础上,将对其语义标注转化为基于有监督学习的短句序列标注或分类问题,并提出了名词性术语规约操作以及基于知网的替换操作两种预处理方法。最后该文通过实验对比了三种学习模型及四种特征选择算法,并证明了问题转化的可行性以及两种预处理方法的有效性。

基于有监督学习方法的多文档文本情感摘要

该文研究有监督学习方法在多文档文本情感摘要中的应用。利用从亚马逊中文网和亚马逊英文网上收集的产品评论语料,抽取文本内特征、PageRank特征、情感特征和评论质量特征,基于有监督方法进行多文档文本情感摘要抽取。实验结果表明有监督学习方法比无监督学习方法在ROUGE值上有显著的提高,情感特征和评论质量特征均有助于文本情感摘要。

一种基于有监督学习的视觉注意力模型

视觉注意力建模技术是计算机主动视觉领域的关键技术。为了提高传统视觉注意力模型预测人眼注视点的精度,提出了一种基于有监督学习的视觉注意力模型,该模型通过引入真实眼动数据作为监督值,结合自底向上特征(如方向、颜色、强度)及自顶向下特征(如人、脸、汽车等),作为Ada Boost分类器的样本,训练出自然场景中像素点特征向量与注视点之间的映射,并采用训练后的模型生成自然场景的视觉显著区域。实验结果表明,本文模型优于现有的8个主流模型,并能够较高质量地预测人类注视点。

基于有监督学习的依存句法分析模型综述

针对基于有监督学习的依存句法分析模型的研究现状与进展进行了总结。重点综述了标注语料匮乏、特征选择与提取、模型一体化三个问题的相关研究内容。首先,详细介绍人们借助依存关系映射和主动学习摆脱标注语料匮乏困境的相关研究;其次,重点总结了不同特征对构建依存句法分析模型的贡献,例如句子级特征、词类别特征、语言形态特征和高阶特征等;最后,分析了依存句法分析模型一体化的优势与不足;此外,详细总结了如何借助该类模型解决事件抽取、产品评论分析和舆情分析等问题。

面板数据聚类的有监督学习算法探讨

文章提出一种基于有监督学习的算法,构造响应变量,用条件概率度量个体间的相似程度,用关联函数得到相似矩阵,将面板数据的聚类问题转化为对相似矩阵的聚类问题,从而能使用各种经典的聚类方法来实现面板数据的聚类。并应用中心发布的中国发展指数,来验证该算法的可靠性,并提出后续相关研究内容。

基于有监督学习的店铺类虚假评论检测

网络在线评论对于商家和顾客具有重要价值,因而日益受到虚假评论行为的冲击。作为两个重要的在线评论领域,产品类评论(如亚马逊、淘宝)和店铺类评论(如点评网、Yelp)在语言特性、评论行为等方面存在显著差异。虽然研究者们已提出大量针对产品类虚假评论的检测方法,但对于店铺类虚假评论的研究仍然较少。针对Yelp.com网站上旅店、饭店有标注的点评数据,提取并分析各种评论欺诈特征,利用多种有监督学习方法进行虚假评论检测。实验结果表明,检测精度最高可达74%,AUC值可达75%。虽然店铺类虚假评论具有极强的隐蔽性,但通过权衡检测精度和召回率,可利用有监督学习方法对店铺类虚假评论进行有效检测。

基于知识表示与有监督学习的动态红外图像分析

动态图像分析是一个令人感兴趣的研究课题,广泛地应用于交通监测、场景监控和预警等方面。由于红外图像的噪声相对较大,对比度不高,因此红外序列图像的动态分析有着自己的特点。提出了一种基于知识表示与有监督学习的动态红外图像分析方法,能有效地利用序列图像全局建模进行红外序列图像中的运动物体检测、特性判别行为分析。

基于自动聚类和有监督学习算法的加热炉状态识别器设计

提出了一种加热炉状态识别器的设计方法 ,用自动聚类的方法对数据样本进行分类 ,并以聚类结果为学习样本 ,建立状态识别神经网络。利用该状态识别器对实际数据进行分类 。

有监督学习的超声背散射方法在骨质评价中的应用

在超声背散射方法评价骨质的实际应用中,如何更为准确地判断测量对象是否为骨质疏松是一个重要问题。提出一种有监督学习的超声背散射评价方法,根据超声背散射离体实验的信号处理结果,对松质骨样本使用支撑向量机和自适应增强的有监督学习算法进行预测和分类。研究结果表明,有监督学习的超声背散射评价方法分类的准确率为80.00%~82.86%,并且对骨质疏松的样本具有较高的特异性(特异度>92.3%)。因此有监督学习的超声背散射评价方法具有有效性,评价效果优于现有的其它定量超声方法,对超声背散射方法的在体应用有一定帮助。

一种基于有监督学习原理的Web服务选择方法

在简要介绍SOA、Web服务基本概念及其关键技术的基础上,讨论了一种刻画Web服务功能及其质量的简单方法,提出了一种基于有监督学习原理的Web服务选择方法,并给出一个网络实例原型,阐述了如何运用该方法选择所需求的Web服务.

有监督深度学习的地震资料提高分辨率处理方法

地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。

基于有监督对比学习的哈希图像检索方法

针对哈希图像检索方法检索精度低的问题,提出一种有监督对比学习的哈希图像检索方法。在残差网络50(Residual Network 50,ResNet50)中嵌入协调注意力模块,提取图像的关键信息,优化网络的特征提取能力,并采用有监督对比学习方法进行训练,增强网络的类区分能力。在目标函数中引入量化约束减小误差,保持生成哈希码间的平衡性和相似性,提升哈希码的质量。实验结果表明,所提方法优于其他基于哈希的图像检索方法,能够实现较高的检索精度。

基于工业物联网网关状态预测的有监督机器学习模型设计

传统方法工业物联网状态预测准确率低、预测时间长,为此,提出有监督机器学习模型的设计。利用有监督机器学习方法采集过滤数据样本,通过信息增益算法对分类数据进行特征评估,经相关性判断公式删除穴余数据,提高数据参数精准度。利用多元线性回归分析构建有监督机器学习预测模型,模拟训练得到数据运行规律,有效提高状态预测的精准度。实验分析得出:有监督机器学习模型预测误差值在0.1MB左右,误差率最小可达2%,迭代50次的单位预测速度为0.3min,准确率和预测速率明显优于传统方法,具有良好的可行性与有效性。

基于深度学习的眼底血管图像分割研究进展

眼底血管图像分割对青光眼、糖尿病视网膜病变等多种眼部疾病有较好的辅助诊断作用,目前深度学习因其强大的抽象特征发现能力,有望满足人们从眼底血管图像中提取特征信息进行图像自动分割的需求,成为眼底血管图像分割领域的研究热点.为更好把握该领域的研究进展,本文对相关数据集和评价指标整理归纳,对深度学习在眼底血管图像分割中的应用进行详细阐述,重点梳理各类分割方法的基本思想、网络结构及改进之处,分析现有眼底血管图像分割方法存在的局限性及面临的挑战,并对该领域未来的研究方向做出展望.

深度学习技术在地震储层预测中的应用及挑战

传统地震储层预测技术已无法满足储层精细评价的需求,深度学习具有强大的特征提取和高维数据处理能力,近年来广泛应用于地震储层预测并取得了较好的效果。为此,本文深入讨论深度学习技术在地震储层预测中的应用、进展及它在实际工作中面临的挑战,并提出未来的发展方向。主要认识有:(1)在烃类定性检测方面,深度学习技术有助于综合利用多属性地震数据去提高效率和预测结果的准确率;在定量预测方面,深度学习技术可以更精准地逼近地震数据与目标之间复杂的非线性关系,实现储层的精细定量评价。(2)深度学习技术的应用面临的挑战主要是标签数据不足和样本不均衡等容易导致模型过拟合,泛化能力差;模型复杂,计算成本高;模型的“黑匣子”特征使预测结果缺乏物理可解释性;缺乏定性预测模型的评价标准和高精度的不确定性量化算法。(3)未来的研究方向应致力于克服数据可用性的不足和深度学习的局限性等,构建地球物理知识图谱,实现多源数据与知识的有效融合、共享,将深度学习与反馈强化学习等其他机器学习算法相结合,为油气勘探和开发提供更可靠的技术支撑。

基于有监督机器学习的旅客购票行为建模分析

主要对旅客出行时的购票行为进行建模分析。确立旅客出行影响因素模型的基本框架,基于有监督机器学习模型和框架模型中量化的指标,建立旅客购票行为的数学模型。通过应用Pearson相关性检验与Fisher-Score准则,科学评价各特征的影响程度。通过Scott-Knott显著性检验挑选出泛化能力最好的随机森林模型,并以此为基础构建了旅客购票行为的计算模型,预测学生的购票行为,给出铁路管理局具体的建议。

基于深度学习的事件抽取研究综述

事件抽取是从非结构化的自然语言文本中自动抽取用户感兴趣的事件信息,并以结构化的形式表示出来.事件抽取是自然语言处理与理解中的重要方向,在政府公共事务管理、金融业务、生物医学等不同领域有着很高的应用价值.根据对人工标注数据的依赖程度,目前基于深度学习的事件抽取方法主要分为两类:有监督和远程监督学习方法.对当前深度学习中事件抽取技术进行了全面的综述.围绕有监督中CNN、RNN、GAN、GCN与远程监督等方法,系统地总结了近几年的研究情况,并对不同的深度学习模型的性能进行了详细对比与分析.最后,对事件抽取面临的挑战进行了分析,针对研究趋势进行了展望.