一种基于虚拟集合的权值数据确定方法

在层次分析法的基础上,通过构造虚拟集合来降低层次因素数量对权值数据确定过程的影响,进而减少权值数据确定过程对专家经验的依赖,提出了一种基于虚拟集合的权值数据确定方法,为仿真系统有效性评估提供了一种新的途径和思路。

水口水电站重建对周边水环境的影响建模研究

建立污染影响率指标,包括水环境承载率和水环境应激率,根据公式分别获取数据值。采用回归算法,搭建线性调度神经网络,设置训练样本,计算综合影响率,获取不同指标的数据权值,并进行权值调整,将构建的调度神经网络作为模型内在联系的规划网络,即影响率分析模型的记忆部分,通过设置的外部对应任务门,输入影响率指标提取到的具体真实数据,获取输出门数据结果,实现模型影响率的分析测评。实验数据表明,水口水电站重建会对周边水环境产生不利影响,数据标准域绝对值降低了22%,获取的影响数据离散性降低了32%,可以证明该模型影响数据的检出限更高,更具代表性。

一种新的结合Boosting技术的mFOIL算法

机器学习中的Boosting技术是给训练例赋予不同的权值,使得学习算法可以集中学习较难的训练例。另一方面,一阶规则学习中的mFOIL算法学习精度较高,但是用于估计候选子句精度的最佳m值很难确定。为了解决这一难题,提出了将Boosting技术用于一阶规则学习的BoostmFOIL算法,使得对于任意的m值也可以学到精度较高的规则集。此外,为了增强Boosting技术对噪声数据的鲁棒性,对噪声数据赋予相对较小的权值,使其对学习算法的精度影响甚微。在基准的规则学习领域的实验结果表明:a)对于任意的m值,BoostmFOIL算法学习到的规则精确要度比原mFOIL算法高得多;b)即使在噪声环境下,BoostmFOIL算法也能学习到精确度较高的规则集。以上结果表明,将Boosting技术用于一阶规则学习的mFOIL算法中,可以提高该算法的精确度和鲁棒性。

基于用电信息采集系统的反窃电风险评估研究与应用

窃电的多样性与反窃电成本的逐步提高,给供电企业的反窃电工作带来了巨大的挑战。介绍了一种综合贝叶斯分类算法与聚类算法的分析研究方法,通过对与窃电相关的事件进行特征值赋予,并根据关联关系编制了一套窃电概率值评价体系,实现了对窃电嫌疑用户进行窃电概率评估。该方法可精准定位窃电现场,提升窃电用户查处的效率,改善社会用电环境。

高速网络监控中大流量对象的识别

在高速骨干网环境中,由于受到计算和存储资源的限制,准确、及时地识别大流量对象对于检测大规模网络安全事件具有重要意义.文中使用相对流量大小定义大流,即对于一个给定的阈值φ(0<φ<1),将所有与链路实际传输总流量的比值超过φ的流定义为大流.在该定义下,大流量对象的识别问题等价于带权值数据流中的频繁项挖掘问题.由于骨干网链路速度快,对单个数据包的处理必须在纳秒级完成,因此对算法的实时性要求更高.在带权值数据流的频繁项挖掘中,目前没有对单数据项最坏处理时间为O(1)的算法.文中提出一个新的带权值数据流频繁项挖掘算法WLC,能够提供单数据项最坏处理时间为O(1)的处理速度.WLC采用一个部分排序的数据结构POSS,能够在保证处理速度的同时,尽量降低算法的存储开销.通过实际的互联网数据进行对比实验,结果表明:与现有的算法相比,WLC具有更快的处理速度,同时算法的实际存储开销远小于其理论上界.