基于深度机器学习的霾污染监测技术

传统的霾污染监测技术监测准确率低,收集的图像完整度差,为了解决上述问题,基于深度学习研究了一种新的霾污染监测技术;通过污染数据收集精准划分其产生的地点,整合获取的追踪信息,在三维分布空间图掌控霾污染可能存在的条件,多次进行机器飞行追踪实验,根据不同的污染项目组对霾污染进行数据监测,根据霾污染数据的浓度信息以及深度机器学习的输入数据类型对收集数据进行分类,查询数据类型,同时监测气溶胶的厚度、霾污染中具有毒性的二氧化硫及二氧化氮物质以及兴趣区域;为验证技术的有效性,设定对比实验,结果表明,基于深度机器学习的霾污染监测技术监测结果准确率为90%,图像收集完整度平均值为82%,具有更强的监测能力。

UGES反向传导算法:一种新的小样本深度机器学习模型

针对传统深度学习算法在样本不足时易出现过拟合的问题,提出了一类新的小样本深度学习模型:UGES反向传导模型。其基本思路是:在保留深层结构的同时,压缩需要学习参数的数量。作为一种与误差反向传导算法相容的间接编码模型,该算法对权值的随机分布特性进行重新编码,打破了不同隐含层之间的隔阂,并使用变分贝叶斯学习对网络进行全局训练。新模型的参数数目不再与输入变量维数及网络结构大小相关,同时强迫权值对于一定程度的扰动具有鲁棒性。最后,将所提出的算法用于外包软件项目风险识别这一典型的多维小样本问题中。对比实验表明,该模型达到了93.3%的样本外准确率,不仅保留了深度模型非线性表达能力,亦具备了小样本下优秀的泛化能力。

深度机器学习在医院智能化管理中的应用

本文首先针对医院智能化管理数据挖掘应用流程,如做好数据前期准备工作、构建数据挖掘应用体系等予以分析,其次对医院智能化管理应用方向如医疗质量控制及医疗辅助诊断等予以阐述,最后对深度机器学习体系构建展开探讨,望借此可为医院管理智能化发展提供相应参考。

基于机器深度学习的小麦播种机控制系统研究

针对我国小麦播种机自动控制系统的可靠性及灵敏度不高的问题,基于机器深度学习对小麦播种机的控制系统进行了设计和改进。小麦播种机的主要组成包括控制系统、排种系统、监控系统、电力系统、机架和驾驶室、覆土镇压和排肥装置。为了使播种机的控制系统能有效进行图像检测识别,提升播种机的控制精度,采用机器深度学习中的卷积神经网络算法对控制系统进行设计,并采用迁移学习的方式对模型进行训练和检测。为了验证播种机控制系统的性能,对其进行播种精度控制和播种性能测试试验,结果表明:播种机的精度和性能均符合播种机的设计要求。

基于PINN深度机器学习技术求解多维中子学扩散方程

阐述了基于物理信息指引的神经网络模型(PINN),构造深度神经网络作为试函数,将其代入中子学扩散方程形成残差,并作为机器学习的加权损失函数,进而通过深度机器学习技术逼近中子学扩散方程数值解;针对扩散方程的特点,提出了特征值方程加速收敛方法、有效增殖系数(k_(eff))高效并行搜索技术、学习样本网格点不均匀分布策略等创新性关键技术,并对神经网络深度、神经元数量、边界条件损失函数权重等关键参数进行了敏感性分析。验证计算结果表明,该方法具有良好的精度,提出的关键技术具有显著的成效,为中子学扩散方程的数值求解探索出了新的技术途径。

基于机器学习的正庚烷燃料两阶段着火延迟时间预测

燃料着火延迟时间对燃烧过程和发动机性能至关重要.传统上对燃料着火时刻的试验测量和模拟计算代价昂贵,基于人工智能的神经网络技术有望解决这一难题.针对正庚烷两阶段着火延迟时间,本文采用深度机器学习算法进行特征提取和训练,利用遗传算法(GA)优化神经网络结构,结合粒子群优化(particle swarm optimization,PSO)算法训练优化模型,实现了宽工况范围内(温度600~1200 K,压力1~5MPa,当量比0.3~3.0)正庚烷着火延迟时间的准确预测.研究结果表明:与一般神经网络模型相比,基于GA优化后的模型可以大幅提高相关系数,降低平均绝对误差;同时,PSO优化后的GA模型可将相关系数提升到0.9999,进一步减小平均绝对误差和均方误差.所提出的预测模型表现出很高的准确性和稳定性.该研究对于发动机湍流燃烧高效数值模拟具有重要参考价值.

基于深度自编码器的智能电网窃电网络攻击异常检测

现有AMIs中的异常检测器存在浅层架构,难以捕获时间相关性以及电力消耗数据中存在的复杂模式,从而影响检测性能。提出基于长短期记忆(LSTM)的序列对序列(seq2seq)结构的深度(堆栈)自编码器。自动编码器结构的深度有助于捕获数据的复杂模式,seq2seq LSTM模型可以利用数据的时间序列特性。研究了简单自编码器、变分自编码器和注意自编码器(AEA)的性能,得出在这3种自编码器采用seq2seq结构时检测性能优于全连接结构。仿真结果表明,带有注意力机制的检测器(AEA)检出率和虚警率分别比现有性能最好的检测器高4%~21%和4%~13%。

基于多层螺旋CT图像的机器深度学习技术测量仿真胸部体模肺结节体积及长径的效果

目的观察在多层螺旋CT图像中机器深度学习技术测量仿真胸部体模肺结节体积及长径的效果。方法取4种直径(5 mm、8 mm、10 mm、12 mm)的模拟肺结节共12个,每种直径结节都有3种CT密度值(100 HU、-630 HU、-800 HU)。将12枚模拟肺结节随机放置在仿真胸部体模,使用256排螺旋CT进行扫描,重建层厚分别为0.625 mm、1.25 mm、2.5 mm。使用机器深度学习软件检测所有的模拟肺结节,记录结节数目、长径、体积,计算结节长径、体积测量的绝对错误率(APE)。结果在不同图像层厚下,肺结节的长径和体积APE差异均无统计学意义(均P>0.05);不同直径肺结节的体积APE差异亦无统计学意义(P>0.05)。结论对于直径≥4 mm的肺结节,体积或是机器深度学习软件测量肺结节时更可靠的指标。重建层厚对机器深度学习技术测量肺结节长径及容积的结果影响较小,故采用人机协同阅片工作模式时,可适当加大图像层厚以减少影像医师阅片数量,缓解临床工作压力。

基于机器深度学习算法的城际铁路大直径盾构施工地表沉降预测

依托河南新郑机场至郑州南站城际铁路大直径盾构隧道施工实践,应用提出的遗传算法优化BP神经网络模型的机器深度学习算法,研究大直径盾构隧道施工中地表沉降预测规律。在盾构隧道中心线地表选取76个监测点,获取地表最大沉降数据,以前30组数据为训练数据组,对后46个测点地表最大沉降进行动态预测,并和实测值进行比较。结果表明,在46个地表最大沉降预测结果中有38个点的误差绝对值小于2 mm。应用后验差法评价动态预测结果,获得了小误差概率P值为0.87,后验差比值C值为0.59,说明提出的机器深度学习算法能够较好地实现对盾构隧道地表沉降的动态预测。

四种机器深度学习算法对武汉地区雷达回波临近预报的检验和评估

基于PredRNN++、MIM、CrevNet和PhyDNet四种机器深度学习算法,利用武汉地区2012—2019年的雷达和降水资料,开展了人工智能技术在武汉地区临近预报中的应用研究,根据均方误差(MSE)、结构相似性指数(SSIM)、命中率(POD)、虚警率(FAR)和临界成功指数(CSI)等指标检验评估了四种机器学习算法对武汉地区雷达回波临近预报的预报性能,并以半拉格朗日光流法进行了对比,得到以下主要结论:MIM算法的MSE和FAR最低,SSIM最高;PredRNN++算法的POD和CSI最高。机器深度学习算法的POD、CSI和SSIM均高于光流法,FAR和MSE则更低,其中SSIM、POD、CSI三种指标的提升幅度在3.2%~24.7%,MSE和FAR两种指标的降幅在13.1%~43.3%。30 min以内,除CrevNet外,其余三种机器学习算法和光流法的预报能力较为接近;30 min以后,深度学习算法和光流法都随着预报时效的延长,预报能力均显著下降,但机器学习算法下降得更缓慢,尤其是60 min以后光流法的降幅进一步增加,显示出机器学习长预报时效的优势。此外,机器学习算法之间针对不同评分指标在不同预报时效的下降速度并不一致。PredRNN++算法在所有强度上CSI均表现最佳,MIM和PhyDNet两种算法对≥40 dBz的回波预报、CrevNet算法对≥50 dBz的回波预报均好于光流法。机器学习算法和光流法都随着回波强度的增加,CSI和POD迅速降低,FAR快速上升,但机器学习算法的FAR上升得更慢。四个不同回波形态、不同发展趋势个例的分析结果表明,机器学习算法不仅具备对一定回波强度变化的预报能力,而且对回波强度和面积变化趋势的时间节点预报也与实况基本一致。此外,机器学习算法对回波运动的预报能力明显强于光流法,显示出机器学习算法良好的应用前景。

深度学习结构和算法比较分析

Hinton等人提出的深度机器学习,掀起了神经网络研究的又一个浪潮.介绍了深度机器学习的基本概念和基本思想.对于目前比较成熟的深度机器学习结构深度置信网DBNs和约束Boltzmann机(RBM)的结构和无监督贪婪学习算法作了比较详细的介绍和比较,并对算法的改进方向提出了有建设性的意见,对深度机器学习的未来发展方向和目前存在的问题进行了深刻的分析。

浅谈机器学习与深度学习的概要及应用

科技的快速发展使得我国计算机行业发展迅速。在 20 世纪五六十年代,“人工智能”这个术语就早已被正式提出。 经历了几十个年代的发展,在 AlphaGo 击败李世乭时,人工智能(ArtificialIntelligence)又受到了学者们的广泛关注和研究, 同时机器学习(MachineLearning)和深度学习(deeplearning)也相应的被提及到,甚至作为了人工智能其中的一个发展方向 去拓展。

基于LSTM模型的无线物联网设备识别方法

随着无线物联网(Internet of Things,IoT)业务的兴起,海量设备的接入,无线网络受攻击的可能性大大增加,无线IoT设备的安全问题越来越重要。提出了一个基于深度机器学习长短期记忆(Long Short-Term Memory,LSTM)模型的无线IoT设备识别方法,用于甄别非法入侵的设备或者发现已经被入侵后通信异常的设备。所提方法的创新点在于通过深度机器学习对IoT设备公开传输的帧头信息进行分析识别,而不必深入分析承载信息,不依赖于易被修改和伪装的IP地址等身份信息,因此不受通信信息加密的影响,也不受各类伪装地址及其他入侵方法的影响。所提方法的应用可以自动快速地识别出非授权设备或者被入侵的授权设备,更好地保障网络安全。

大规模集群硬盘故障预测可迁移性研究

硬盘驱动器(HDD)仍然是大型数据中心与超算中心主要和重要的存储部件,而存储集群规模地持续扩大对硬盘故障预测的研究不断提出挑战.当前,前人已使用统计学、机器学习和深度学习等不同类型的故障预测方法用于大规模存储集群的硬盘故障预测,并取得不俗的研究结果.但是,对于故障模型的迁移性与数据集差异的相关研究还较少.我们收集了多种类型的HDD数据集与基于不同策略的模型,对其进行交叉实验验证,在模型迁移性、数据集预处理和模型参数方面获得了相关实验结果,例如:数据集在回溯时间与平衡度上的设置显著影响一定程度的预测模型性能,而模型参数设置则并不敏感;模型在不同数据集之间的可迁移性强弱不定,而数据集特征类型和数量的选择更影响预测模型性能.

基于图像识别技术的高速公路实时监测与预警系统研究

为了解决高速公路监控人员手工巡检工作量大、效率低、准确性低的实际痛点,采用图像自动识别技术,以视频信号采集为起点,通过图像预处理、特征提取、目标识别与跟踪、异常事件检测、自动预警与处置的工作流程,建立YOLOv5目标检测及DeepSORT目标根据算法,实时自动发现高速中出现的异常事件并及时预警处置,研究成果经过实际工程应用,验证了技术的创新性及可行性,可大大提高高速公路运营管理效率。

解锁精准喷洒商业化痛点问题,Greeneye开发Al作物保护多元解决方案

以色列公司Greeneye Technology开发的基于Al的作物保护解决方案——选择性喷洒(SSP)系统:通过使用捕获田间实时图像的机载摄像头,结合能够识别200多种不同种类杂草的专有深度机器学习,证明可将除草剂使用量平均减少达87%以上,同时提供与标准广播喷洒相同的功效。

医疗大数据的研究与进展

医疗大数据的研究是大数据研究领域的重要方向,医疗大数据的研究进展高度依赖于数据的有效治理和智能分析。本文围绕医疗大数据的国内外研究与应用现状,着重探讨医疗大数据和人工智能技术面临的机遇和挑战,包括人工智能大语言模型和生成式预测练模型(GPT)等技术的应用、机器学习、深度学习算法等医疗应用前沿热点,论述世界范围内在医疗大数据安全和隐私保护方面的工作,为健康医疗大数据更好的实践应用提供借鉴。

区域心电诊断平台智能心电诊断系统的开发和应用

目的基于深度机器学习开发并应用区域心电诊断平台智能心电诊断系统。方法利用2015年1月至2019年12月连续4年在湖州市第一人民医院及下属健康保健集团单位采集到的实时传输标准常规12导心电图数据100120份构造神经网络智能诊断模型,通过多任务学习机制完成模型训练,实现常见心电图症状的智能诊断。应用已开发的网络心电智能诊断系统对2020年6月本院常规12导联心电图2500份进行实时在线分析,比较纯人工诊断组与智能心电诊断系统辅助诊断组的诊断效能、准确率、实时性、劳动时间等。结果所开发的智能心电诊断系统对窦性心律、窦性心律不齐、窦性心动过速、窦性心动过缓、正常心电图、室性期前收缩、房性期前收缩、左束支传导阻滞、右束支传导阻滞、左右手反接、左心室高电压ST-T改变、室性心动过速、房性心动过速、房室传导阻滞等常见非疑难心电图的灵敏度、特异度、阴性预测值、阳性预测值等均较高,对于其他少见及疑难心电图的诊断,系统还需要更多病例样本进行深度学习。与纯人工诊断组相比,智能心电诊断系统辅助诊断组劳动时间明显缩短,实时性明显提高,准确率略有提升。结论所开发的基于深度机器学习的智能诊心电断系统诊断效能良好,在准确率、实时性、劳动时间等方面均优于纯人工诊断,具有重要的临床应用价值。

基于卷积神经网络人脸识别方法研究

人脸识别可以靠很多技术手段来实现,而本文则主要探讨了通过深度机器学习卷积神经网络来实现人脸识别,人脸是图像识别中相对复杂的识别对象,提高识别精度相对困难,通过卷积神经网络可以有效地提高人脸识别精度,使其达到一个比较满意的程度。本文重点论述卷积神经网络进行人脸识别的过程与方法,介绍了如何通过改进卷积神经网络来提高识别精度。为从事图像识别的研究者提供了一些可借鉴的研究思路。

采煤机摇臂剩余寿命预测系统设计与开发

为了预测采煤机摇臂的剩余寿命并将预测过程和结果集成于系统进行动态可视化显示,设计并开发了基于ASP.NET框架的采煤机摇臂剩余寿命预测系统。利用Microsoft Visual Studio 2010系统开发软件,采用C#语言中Process类进程调用方法驱动Python语言编写的深度学习寿命预测模型运行,结合相关控件对生成的图像和数据结果进行调用、解析和输出,完成寿命预测模型与Web系统的嵌套和交互,实现采煤机摇臂关键零部件剩余寿命预测值的可视化和数字化。最后,通过采煤机摇臂低速区惰轮机构与高速区轴承数据集验证了所开发系统的可行性与有效性。