基于DT-CWT和S4VM的埋地排水管道堵塞故障识别研究

针对城市排水管道堵塞难以有效检测,以及检测过程中常规管道部件难以有效区分的问题,文中提出了基于双树复小波(DT-CWT)及安全半监督支持向量机(S4VM)的堵塞识别方法。该方法首先对管道中采集的声学信号进行双树复小波对分解,并对分解得到的各频段分量进行声压级变换;之后在有效分量上提取脉冲因子和平均声能量密度作为用于分类的特征向量;最后,将特征向量输入S4VM分类器进行训练与测试,从而达到对无标签的不同程度管道堵塞和三通件的数据聚类和故障识别的目的。

基于TIGA_S4VM改进算法的蛋白质序列识别方法

针对安全的半监督支持向量机(safe semi-supervised support vector machine,S4VM)存在参数选择盲目性、正负样本比例不平衡等问题,建立了基于改进的TF-IDF(term frequency-inverse document frequency,TF-IDF)、遗传算法(genetic algorithm,GA)和S4VM的蛋白质序列识别方法 TIGA-S4VM。利用改进的TF-IDF算法提取出蛋白质序列中的特征项,将各个特征项在蛋白质序列中出现的频率归一化后作为识别模型的特征值,并结合GA以及S4VM对蛋白质序列进行识别。实验结果表明,TIGA-S4VM优于其它5个识别方法,即使在训练样本率较低时,也能有效地识别蛋白质序列。

基于采样的半监督支持向量机软件缺陷预测方法

软件缺陷预测有助于提高软件开发质量,保证测试资源有效分配。针对软件缺陷预测研究中类标签数据难以获取和类不平衡分布问题,提出基于采样的半监督支持向量机预测模型。该模型采用无监督的采样技术,确保带标签样本数据中缺陷样本数量不会过低,使用半监督支持向量机方法,在少量带标签样本数据基础上利用无标签数据信息构建预测模型;使用公开的NASA软件缺陷预测数据集进行仿真实验。实验结果表明提出的方法与现有半监督方法相比,在综合评价指标F值和召回率上均优于现有方法;与有监督方法相比,能在学习样本较少的情况下取得相当的预测性能。

安全的半监督方法的协同过滤推荐算法

为解决传统协同过滤算法中用户评分数据稀疏性,忽视物品及用户特征,所带来的推荐质量下降的问题,提出了一种基于安全的、高置信度的半监督方法的协同过滤推荐算法,采用安全的,高置信度的半监督方法 S4VM对没有评分的数据进行有效预测,同时考虑用户的行为信息以及物品及用户特征。通过对未评分数据进行预测,能够有效地缓解数据的稀疏性,从而提高寻找最近邻的准确度。实验结果表明,该算法能够有效地提高系统的推荐质量。

面向完全冷启动的深度混合协同过滤推荐算法

基于矩阵分解的协同过滤算法近年来获得了巨大的成功,但是依然存在冷启动,忽视用户及物品特征等问题,从而导致推荐质量不佳,用户体验度下降。论文提出了一种基于深度学习的混合协同过滤推荐算法,尝试引入堆栈降噪自编码器学习物品的隐含特征,同时结合半监督S4VM和隐含因子模型,综合考虑物品的内容特征及时间因素,以预测未评分的数据,解决冷启动问题。在标准数据集Movielens上进行的测试表明:该算法能有效预测冷启动物品的评分,性能提升显著,较传统推荐性能提升约为12%。

基于机器学习探测qubit-qutrit系统中量子态的导引性

受机器学习研究2-qubit系统上量子态导引性探测的启发,本文利用不同的机器学习方法研究qubit-qutrit系统上量子态导引性的探测,发现:(1)对于随机态、Werner态和UN态(一类新构造的Alice不可导引Bob的纠缠态)都有导引性探测准确率达到95%以上的监督或半监督机器学习方法;(2)由监督机器学习方法预测的导引界,大部分高于理论提供的不可导引界,低于半正定规划算法(SDP)确定的导引界,这表明机器学习方法对qubit-qutrit系统中量子态导引性探测具有可靠性,且较SDP方法可探测到更多的导引态,为利用机器学习方法探测两体高维系统中量子态导引性奠定基础.