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 。

如何利用开源工具分析fMRI数据:基于多体素模式的有监督机器学习算法介绍

目前,多体素模式分析(MVPA)日渐普遍地应用于脑影像研究。近些年,机器学习的模式分类等算法在MVPA方法中被广泛应用,因其具有能够抽取高维数据模式,提高数据利用率的优点。其中一种典型的应用是利用解码的思想来解决神经表征问题,本文主要介绍了利用基于Python语言的工具库中有监督学习算法分析数据的过程。除介绍Nilearn结合Scikitlearn分析数据的步骤外,还比较不同算法的效率,为算法的选择及参数设备提供具体参考。

基于SVM和有监督描述子学习算法的脑MR图像颅骨分割方法

神经电流源定位研究首先要解决EEG、MEG正问题的计算。在求解MEG和EEG正问题的过程中,为了精确地计算传导矩阵,常常需要对脑组织进行分层建模。在脑MR图像中,虽然软组织能被清晰地成像,但颅骨却由于缺少氢而呈现低灰度值,从而很难自动分割出颅骨。因此如何从脑MR图像中准确、自动分割出颅骨是解决MEG、EEG正问题的关键。为解决上述问题,提出一种基于支持向量机的自动脑MR图像颅骨分割方法,提取病人MR图像的全局特征和局部特征进行训练,并结合有监督描述子学习算法SDL,将得到的特征矩阵进行压缩,去掉冗余的特征,得到一个紧凑的特征描述,最终利用SVM从脑MR图像中自动识别出骨骼。实验结果表明,采用支持向量机结合有监督描述子学习算法的分割方法与仅使用支持向量机和仅使用数学形态学方法相比,分割精度进一步提升,Dice分割精度分别为0.832,0.798,0.482,从而解决了从脑MR图像自动分割颅骨的任务,并为解决EEG和MEG正问题的研究奠定基础。

基于核的学习机研究综述

近年来核学习机已经成为机器学习界的一个热点问题,并在许多领域中得到了成功应用;然而作为一种尚未成熟的新技术,核学习机仍然存在很多局限性。介绍了核方法的基本思想,从有监督和无监督学习算法两方面对基于核的学习机进行了梳理,着重指出了核学习机研究中存在的问题和值得关注的研究方向,以期对核方法研究领域有较全面的把握。

基于粒度识别的烧结智能配水技术研究与应用

针对烧结混合料水分难以精准测量的问题,本文将粒度识别技术与智能配水相结合,开发了烧结智能配水系统。该系统直接将水分的调整与混合料粒级组成建立关系,通过建立基于混合料粒度的有监督自学习优化控制算法对加水量进行实时调整,以达到烧结混合料加水的自动闭环控制。经工业实践跟踪发现:应用该智能配水系统后,烧结利用系数由1.36 t/(m^(2)·h)增加到1.41 t/(m^(2)·h),烧结矿转鼓指数由78.10%增加到78.64%,烧结负压由12.71 kPa下降到12.14 kPa,烧结主抽频率由39.4 Hz下降到38 Hz。

基于有监督和无监督学习算法的设备故障诊断技术及算法融合探析

部分工业生产工艺具有生产工序长、使用设备多、设备机理复杂等特点,特殊的工艺运行环境进一步加剧了设备故障率和故障危害性。以轧钢工艺中的多传感设备粗轧机作为研究对象,设计了基于多尺度卷积神经网络(CNN)模型的有监督学习算法,研究与比选了LOF、K-means、GMM、SO-GAAL、MO-GAAL等无监督学习算法。研究发现:1)将多尺度CNN模型应用于粗轧机原始数据,测试集的准确率高达99.91%,但损失函数数值较大;2)无监督学习算法通过二元分类处理评价设备故障诊断性能,其中MO-GAAL算法的二元分类指标均在98%以上,AUC值高达0.99,在五种算法中效果最好。结合两类算法优势,构建并探析了算法融合策略,为粗轧机故障诊断的不同场景提供了进一步的解决方案。

Internet信息处理技术

如何从海量的信息中,提取有价值的目标信息是十分有意义的工作。信息提取系统可以快速、准确地从海量的文本信息中提取出自定义的一定格式、一定意义的信息。Internet应用的快速发展给信息提取提供了一个很好的应用前景。Internet发布的信息中有很大一部分都属于半结构化的文本。鉴于此,介绍了一个可以从半结构化网页中快速准确提取信息的模型SEMITXT,以及用于产生提取规则的一个有监督的学习算法,并给出了该模型在民航旅客信息处理中的应用实例。