油气场站火灾爆炸风险的神经支持决策树识别与预测

为了有效防控油气场站火灾爆炸事故,从影响因素之间因果关系的角度出发,提出利用神经支持决策树(Neural-Backed Decision Tree,NBDT)算法构建油气火灾爆炸可解释预测模型。该方法利用词频逆向文件频率(Term Frequency-Inverse Document Frequency,TF-IDF)算法从风险描述信息中提取出关键词并计算权重,整合得到64个风险二级因素,构建了油气场站的火灾爆炸数据集;采用神经支持决策树算法构建分类模型,对油气场站火灾爆炸事故进行预测和可解释分析,可以基于数据可视化地分析油气火灾爆炸事故的风险与诱因。结果表明,NBDT模型预测准确率为0.976,AUC为0.913,明显优于其他模型;模型可视化结果分别从单因素和多因素角度分析,确立7种二级风险主控因素和6种二级风险组合主控因素。13种风险主控因素的确立,可以为既有油气场站火灾爆炸预测和防控机制提供理论支撑。

基于决策树与多元支持向量机的齿轮箱早期故障诊断方法

齿轮箱部件的故障形式多样,典型故障训练样本数量有限;为了提高齿轮箱故障诊断的精度和效率,提出了基于决策树与多元支持向量机的齿轮箱早期故障诊断方法;利用决策树分类速度快、效率高的优点和支持向量机在小样本二元分类方面突出的特点构建多元分类识别模型,在不同故障情形下提取齿轮箱振动信号典型特征参数作为故障特征向量训练模型,并对样本进行测试;实验结果表明,该方法在小样本情况下识别效果明显优于神经网络方法,同时在识别效率方面比常规多元支持向量机方法有了较大的提高。

基于数据挖掘技术的抽油机泵参调整DSS决策支持系统

以示功图数据和一些相关的生产数据为研究对象 ,引入数据挖掘技术 ,用决策树建立分类模型 ,建立了一个以泵况分析和泵参调整为目标的DSS决策支持系统。

基于支持向量机的车辆牌照识别的研究

将支持向量机(SVM)引入到复杂条件下运动车辆牌照字符的识别中。回顾了车牌识别研究的现状,简要介绍了SVM的基本原理,比较了SVM算法和神经网络算法在车牌字符识别上的优劣;提出了采用基于先验知识的二叉树结构组合多个二值分类支持向量机来解决车牌字符的多类识别问题。在实验中采用了LibSVM训练软件,针对车牌汉字的小字符集进行了仿真,同时与神经网络分类方法进行了比较。实验结果表明该方法的汉字识别率较高,在小字符集车牌汉字识别中具有较强的实用性。

利用三维脑核磁共振图像与RBF核支持向量机检测人脑轻度认知障碍

为了及早检测轻度认知障碍(Mild Cognitive Impairment,MCI),降低阿尔茨海默病的患病率,文章提出一种基于径向基神经网络及核支持向量机(Radial Basis Function-kernel Support Vector Machine,RBF-kSVM)的MCI检测系统,该系统首先读取三维磁共振脑图像并预处理,然后通过主成分分析(Principal Component Analysis,PCA)降低特征维数,采用RBF核支持向量机作为分类模型,RBF的参数通过优化选择。实验数据采用OASIS公共数据库,选择50例正常对照组(Normal Control,NC)与50例MCI患者。十折交叉验证结果显示文中所提出方法的敏感度为84%、特异度为78%、准确度为81%,优于前向神经网络、决策树、支持向量机、齐次与非齐次核支持向量机方法。文中构建的RBF核支持向量机有效,可用于MCI检测。

决策树及支持向量机与深度学习模型在肝癌鉴别诊断中的比较研究

目的使用数据挖掘技术研究肝功能检查数据,分析肝功能检查指标与肝癌诊断的关联,探究肝癌早诊断、早治疗的辅助数据分析方法。方法构建决策树C4.5模型并提取决策方法,并以Bagging方法优化;采用网格划分法和粒子群优化算法优化支持向量机模型;构建多层感知机(MLP)和卷积神经网络(CNN)进行性能比较。基于决策树和SVM模型进行特征属性分析和最优特征子集选择。结果Bagging决策树模型、SVM、MLP模型的10交叉检验准确率分别为95.18%、95.60%、90.17%,测试准确率分别为94.34%、93.40%、89.78%。在肝功能检查指标中,碱性磷酸酶、谷丙转氨酶、天门冬氨酸转氨酶、年龄、直接胆红素是主要贡献指标,三指标联合诊断对肝癌预测率达86.08%。结论决策树、支持向量机、多层感知机建立的肝癌分类器模型都可用于肝癌辅助诊断,SVM模型略优,预测模型对肝癌早期鉴别有较好的辅助作用。

基于自适应神经网络的电网稳定性预测

电网安全稳定是电力企业乃至整个社会改革、发展、稳定的基础.随着电网结构复杂度的增加,更需要电网安全和稳定地运行,这是保证国民经济快速良好发展的重要要求.基于机器学习方法,提出了一种优化神经网络的电网稳定性预测模型,并和经典机器学习方法进行了横向对比.通过UCI 2018年电网稳定性仿真数据集的实验分析,结果表明,所提出的方法可以达到更高的预测准确率,同时也为电力大数据的研究提供了新思路.

基于机器学习的智能化电力设备巡检技术应用

阐述数据的采集和预处理方法,通过支持向量机和决策树等机器学习算法进行模型训练,实现对设备状态的智能诊断和异常检测,并以数据可视化方式进行展示。针对巡检过程中出现的异常情况,提出基于神经网络的异常分类和定位方案。

基于数据挖掘技术的社区获得性肺炎患病风险预测模型的构建

目的:使用数据挖掘技术建立社区获得性肺炎患病风险预测模型。方法:收集535例患者(326例社区获得性肺炎和209例支气管炎)的流行病学资料、临床症状和实验室检查指标共32个因素。535例按照7∶3的比例随机分为训练集和测试集,基于训练集数据分别建立支持向量机(SVM)、人工神经网络(ANN)、C5.0决策树和Logistic回归模型,基于测试集数据比较4种模型的性能。结果:SVM模型预测社区获得性肺炎的准确率为78.75%,敏感度为75.00%,特异度为81.00%;ANN模型以上指标分别为80.62%、76.67%、83.00%;C5.0决策树模型分别为83.12%、76.67%、87.00%;Logistic回归模型分别为76.88%、75.00%、78.00%。结论:C5.0决策树模型预测社区获得性肺炎的整体性能优于SVM、ANN和Logistic回归模型。

数据挖掘技术联合血浆CEA、CYFRA21-1、AOC3、CLEC3B及流行病学资料构建的模型对肺癌的诊断价值

目的 分析基于数据挖掘技术联合血浆癌胚抗原(CEA)、细胞角蛋白19片段抗原21-1(CYFRA21-1)、血管粘连蛋白1(AOC3)、四连接素蛋白(CLEC3B)及流行病学资料构建的模型对肺癌的诊断价值。方法 经匹配年龄、性别、吸烟史、饮酒史、肿瘤家族史与肺癌家族史,该研究共收集肺癌患者(肺癌组)与健康对照者(健康对照组)各68例。采用ELISA检测血浆CEA、CYFRA21-1、AOC3与CLEC3B的表达水平;采用数据挖掘技术中的决策树C5.0模型、人工神经网络(ANN)模型、支持向量机(SVM)模型与传统Fisher判别分析模型联合4种蛋白及流行病学资料构建肺癌诊断模型。结果 肺癌组血浆CEA与AOC3表达水平高于健康对照组(P<0.05),CLEC3B表达水平低于健康对照组(P<0.05),CYFRA21-1表达水平在两组之间差异无统计学意义(P>0.05)。决策树C5.0模型、ANN模型、SVM模型与Fisher判别分析模型诊断肺癌的准确率分别为72.09%、90.70%、81.40%与76.74%,灵敏度分别为50.00%、87.50%、70.83%与62.50%,特异度分别为100.00%、94.74%、94.74%与94.74%,曲线下面积分别为0.750、0.911、0.828与0.786;经对比,ANN模型对肺癌的诊断效能最好。结论 基于血浆CEA、CYFRA21-1、AOC3、CLEC3B与流行病学资料构建的ANN模型对肺癌的诊断效能较高,具有潜在的临床应用价值。

基于统计相关的缺失值数据处理研究

针对数据库中存在缺失值的问题,文章建立了统计相关分析与机器学习相结合的缺失数据处理方法。首先利用统计相关性对原始数据进行分析,找出与缺失值属性相关度较大的属性,提取这些属性的已知值作为训练数据建立模型,再利用建立起来的模型估算缺失值。以UCI数据库真实的数据为例进行仿真,并对比分析了支持向量机、神经网络和决策树三种机器学习算法,实验结果表明利用相关度较大的已知属性值来训练学习,其估算值精度明显提高。

机器学习在网络入侵检测中的应用

随着网络的快速发展,网络安全成为计算机网络中一个重要的研究方向。网络攻击日益频繁,传统的安全防护产品存在漏洞,入侵检测作为信息安全的重要防护手段弥补了防火墙的不足,提供了有效的网络入侵检测措施,保护网络安全。然而传统的入侵检测系统存在许多问题,基于机器学习的入侵检测方法实现了对网络攻击的智能检测,提高了入侵检测的效率,降低了漏报率和误报率。本文首先简要介绍机器学习的部分算法,然后对机器学习算法在网络入侵检测中的应用进行深入的分析,比较各个算法在入侵检测应用中的优势和缺点,最后总结了机器学习的应用前景,为获得性能良好的网络入侵检测和防御系统奠定基础。

现代数据挖掘技术研究进展

数据挖掘是一个多学科交叉融合而形成的新兴的学科。笔者介绍了数据挖掘的一些基本知识及有关概念,阐述了数据挖掘的一些基本方法(传统的统计学方法、神经网络、决策树、进化式程序设计、基于事例的推理方法、遗产算法、非线性回归方法),然后对当前数据挖掘在各种领域的应用进行了概括,并提出了一些难点(数据质量、信息可视化、极大数据库、信息分析员技能)和今后的研究方向。

机器学习算法用于公安一线拉曼实际样本采样学习及其准确度比较

拉曼光谱设备在公安一线中正逐渐得到普及,主要用于检测易燃易爆及易制毒化学品。但在实际应用中,一线人员不会对拉曼设备进行非常准确的使用和操作,不具备专业知识条件的工作人员无法完全按照最佳条件进行检测,经常会发生离焦、偏移、采样时间过短等一系列问题,而检测结果也不可能完全符合标准测试库的算法,给最终结果比对造成非常大的影响。利用五种主流机器学习算法对实际检查、办案过程中采集到的原始数据进行学习分类,通过比较相应的准确度将最佳算法用于改善一线执法、检查过程中拉曼光谱设备的准确性。采集的数据均来自于公安部第三研究所自行研制的EVA3000型拉曼光谱仪,该光谱仪目前已在全国各省、市、地、县进行了一定的配备,一线检测人员会定期将采集的原始数据回传到EVA3000的后台管理系统。通过该管理系统,在线收集实际检查过程中产生的原始数据,以两类易制毒化学品和易燃易爆化学品为例,随机抽取已定性判定的苯乙酸、二氯甲烷、麻黄碱和硝基苯各40例共计160例,并分别利用决策树、随机森林、AdaBoost、支持向量机和人工神经网络算法各进行40,60,100,150,200,300和500次的交叉训练、预测、求取平均准确度。从实验结果可以看出,在五种学习算法中,对于实际样本的预测准确度排序大致为随机森林≈AdaBoost>决策树>SVM>人工神经网络。实际测试的结果与实验过程中的平均预测准确度大体一致。其中随机森林与AdaBoost的准确度相近,其原因在于两者的算法本质都是不断构建新的训练数据集并提高对于错误样本在下次学习中的权重,而SVM和人工神经网络算法的本质都是基于感知器的算法。可见目前几种主流学习算法中,采用自举汇聚(bootstrap aggregating)方式的算法更适应于对实际样本的采样学习,其准确度也较高。在下一步的工作当中,将继续优化现有的算法,将其实现在后台管理系统上,并测试算法对于目前检测中无法定性物质的在线检测功能。该结果对于进一步将机器学习算法用于实际应用、在线分析,改善一线操作人员非正确使用设备对比对结果造成影响,具有重要意义。

硅钢酸洗-冷连轧系统中表面缺陷识别方法研究

针对硅钢酸洗-冷连轧生产过程中钢带表面缺陷的特点,在提取钢带图像低层属性特征的基础上,采用决策树、SVM、BP神经网络等不同的模式识别方法对钢带表面缺陷进行分类研究,试验过程包含训练集与测试集的收集、特征提取、机器学习与分类、结果分析。该研究以提高硅钢冷轧生产过程的自动化水平为目标,依据试验结果提出缺陷识别的优化方法,并应用于武钢硅钢冷轧生产线,提高了自动化水平。

基于随机森林的统计控制图模式识别研究

引入随机森林方法进行统计控制图模式识别的研究。提取了控制图的统计特征和形状特征,设计了5种不同的特征组合方法,利用蒙特卡洛仿真方法产生训练数据集和测试数据集,选取了常用的3种模式识别方法(支持向量机方法、人工神经网络方法、决策树方法)进行对比。实验结果表明,随机森林方法相比其他3种分类器方法,在分类准确率和消耗时间两个维度上都有明显优势,可以应用于统计过程控制图模式识别。

基于机器学习的入侵检测方法对比研究

随着网络安全形势日趋严峻,入侵检测技术已经成为保障网络安全的一种重要手段。因此把机器学习的理论和方法引入入侵检测已成为一种共识,并且近些年来在这一研究领域取得了不错的进展。文章对比分析了不同机器学习方法在入侵检测上的应用。首先,介绍机器学习的一般化过程,对典型机器学习方法的理论进行对比分析。然后,对不同机器学习方法做仿真研究,观察性能变化。最后,在仿真的基础上对不同模型进行横向比较。文章在仿真实验的基础上得出了较为可靠的结论,对找出具有性能优势的机器学习方法具有重要意义。

上市公司财务困境预测模型比较研究

以因财务原因被实施特别处理的公司作为财务危机公司,有目的地选择了三类样本(房地产行业样本、不同行业的样本、房地产行业样本与不同行业样本的混合),取其发生财务困境的前两年数据,运用神经网络、决策树和支持向量机模型进行财务预警,以研究行业因素对三种模型预警准确度的影响。

4种遥感水深反演机器学习模型的比较

为探究不同遥感水深反演机器学习模型的差异,以WorldView-2高分辨率多光谱影像与实测水深数据为数据源,应用BP神经网络模型、随机森林模型、梯度提升决策树模型及支持向量机模型开展水深反演实验,对4种水深反演模型的精度进行比较与评价。实验结果表明:机器学习模型反演水深,具有一定精度,平均相对误差(MRE)可优于20%。4种模型中,同为集成学习模型的随机森林模型与梯度提升决策树模型在两个实验区域,反演水深的RMSE值、MRE值与R2值明显优于BP神经网络模型和支持向量机模型,具有更好的浅水水深反演效果和适用性。

基于最优加权组合的电信客户流失预测模型设计研究

针对电信客户流失问题,本文设计了一种基于决策树C5.0、BP神经网络及SVM支持向量机三种分类器融合的组合预测模型,利用最优加权组合预测方法来确定各模型的权重值.预测结果表明:组合预测模型的准确率高于传统的单一分类预测模型,构建此模型对解决电信客户流失预测方面的问题具有应用价值.