基于激光传感器采集信号的机电设备故障辨识研究

机电设备运行环境复杂,当前方法无法高精度获得机电设备故障辨识结果,而且机电设备故障辨识时间长,实时性差,为了获得更加理想的机电设备故障辨识结果,设计了基于激光传感器采集信号的机电设备故障辨识方法。首先采用激光度传感器采集机电设备工作状态信号,并对机电设备工作状态信号进行预处理,提取机电设备故障辨识的相关特征,然后将特征作为机器学习算法的输入,机电设备故障类型作为机器学习算法的输出,通过训练建立机电设备故障辨识的分类器,最后通过具体的仿真实验分析机电设备故障辨识性能。结果表明,本方法可以辨识机电设备故障,辨识精度超过95%,机电设备辨识的时间均控制在5 s以内,辨识整体效果要优于当前典型机电设备故障辨识方法。

基于极限学习机的兴趣点推荐模型

随着移动社交平台的发展,基于位置的社交网络服务(Location-Based Social Network,LBSN)已进入人们的视野。在LBSN中,根据用户的签到数据进行兴趣点(Point-of-Interest,POI)推荐是近年来研究的热点问题。提出一种基于极限学习机(Extreme Learning Machine,ELM)的POI推荐算法,提取用户的个人偏好、朋友偏好、类型偏好、流行度偏好等特征,利用ELM提供的分类方法,使用上述特征向量集合训练ELM分类器,最终根据分类结果向用户推荐POI。本文使用Foursquare和Twitter数据集的实验结果表明,该方法在精确率和效率方面均有所提高。

虚假评论特征提取检测技术研究

随着互联网技术的发展和网上购物的常态化,当前存在诸多的网上购物虚假评论问题,本文对虚假评论特征提取技术展开了研究。首先,对国内外的评论特征提取及检测技术进行了归纳,将评论特征提取的方法分为3种方式,分别为基于传统方法、深度学习方法和机器学习方法;其次,针对Yelp店铺数据集特征提取,利用多种机器学习分类器比较融合方法,分析了不同分类器对此数据集虚假评论特征检测的优劣。

面向开放域问答的问题分类技术研究进展

开放域问答是当前自然语言处理和信息检索领域的研究热点,作为开放域问答系统的重要组成部分,问题分类可以缩小答案的搜索空间并决定答案的选择策略.近年来,基于机器学习的问题分类技术受到广泛的关注,相关研究表明问题分类的准确性直接影响问答系统的整体性能.本文从分类体系与数据集、特征提取、分类器设计、性能评测等层面,总结了问题分类技术近年的主要研究成果.重点分析了各种基于监督学习的问题分类方法的特点和不足,讨论了核方法、半监督学习、主动学习、迁移学习等在问题分类中的应用,同时对问题分类技术未来研究动向进行了展望.

一种改进的旋转森林分类算法

随着信息技术的发展,人们获取的数据量越来越大,数据类型也趋于复杂,如何更好地处理这些数据,以取得好的分类结果,是一个挑战性的工作。该文提出一种将旋转森林(ROtation Forest,ROF)算法与极限学习机(Extreme Learning Machine,ELM)神经网络相结合的混合算法(ROF-ELM),在改善原始旋转森林算法中存在的过拟合现象的同时提高算法的分类精度。在基于UCI数据集以及实际遥感影像分类的实验仿真中,相比传统的集成分类算法,ROF-ELM提高了分类精度,同时具有更强的稳定性与泛化性能。

蛋白质亚细胞定位预测的机器学习方法

蛋白质亚细胞定位与其功能密切相关。蛋白质在细胞中的正确定位是细胞系统高度有序运转的前提保障。研究细胞中蛋白质定位的机制和规律,预测蛋白质的亚细胞定位,对于了解蛋白质的性质和功能,了解蛋白质之间的相互作用,探索生命的规律和奥秘具有重要意义。基于机器学习方法的蛋白质亚细胞定位预测是生物信息学研究的热点之一。从数据集的建立、蛋白质序列特征刻画和蛋白质亚细胞定位预测算法3个方面,总结和评述了在过去十几年里机器学习方法在蛋白质亚细胞定位研究中的应用情况和取得的成果,分析了机器学习方法在蛋白质亚细胞定位预测方面存在的问题和面临的挑战,指出了蛋白质亚细胞定位研究的主要方向。

改进的随机森林分类器网络入侵检测方法

目前网络入侵检测方法大多基于改进的机器学习算法,但是机器学习算法会出现过拟合情况,导致入侵检测准确率降低。为解决该问题,提出一种改进的随机森林分类器网络入侵检测方法,通过高斯混合模型聚类算法将数据分成不同的簇,为每一个簇训练不同的随机森林分类器,通过这些训练好的随机森林分类器进行网络入侵检测。训练和实验数据采用NSL-KDD网络入侵数据集,实施中首先根据属性比率数据特征提取方法进行数据处理,然后进行高斯混合聚类,最后使用随机森林分类器对聚类结果进行训练。实验结果表明,该方法相比其它机器学习算法具有更高的入侵检测准确率。

基于Gabor滤波器和深度学习的图像检索方法

针对图像数据库日渐庞大的问题,研究了将特征提取与深度学习相结合进行图像检索的方法,提出了基于Gabor小波变换和受限玻尔兹曼机(RBM)的特征提取和降维模型.将整幅图像划分成局部图像块,利用Gabor滤波器组提取图像特征,通过RBM对特征进行学习和编码,从而实现图像特征的降维处理.采用基于深度信念网络(DBN)和Softmax分类器的图像检索算法,利用Corel图像库进行新方法的图像检索实验,并与其他两种方法进行比较.结果表明,本文方法在准确率、查全率和检索时间上均具有较好的性能,能得到更好的图像检索结果.

基于机器学习的microRNA预测方法研究进展

传统的克隆方法受组织和环境影响显著,且实验成本高,而计算方法中的比较方法对进化距离远的microRNA敏感性低,无法预测无同源的microRNA,机器学习方法解决了比较方法依赖同源基因的问题。首先总结了基于机器学习预测microRNA的相关生物学知识;其次,给出基于机器学习的microRNA预测方法的大体流程,列举了基于机器学习的microRNA预测方法的最新研究算法及软件;再次,从数据集选取、特征集选取、分类器设计、特征子集选择、类不平衡问题解决和评价标准等环节出发,归纳总结了各环节中采用的方法及技术,并详细阐述了它们的最新研究进展,部分环节对采用的方法及技术进行了对比分析,总结了各自的优势和不足;最后,总结和展望了基于机器学习的microRNA预测方法的研究工作。

基于SSAE-SVM的滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法。利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络。所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降法反向微调,基于无监督式深层学习输出深层特征向量。利用构造简单、泛化性能好、分类速度较快的支持向量机(SVM)分类器,基于深层特征向量进行故障识别,实现滚动轴承故障类型的准确分类。利用美国凯斯西储大学滚动轴承数据集进行对比验证。验证结果显示,相较于对比模型,SSAE-SVM滚动轴承故障诊断模型具有更高的准确率和更快的收敛速度。应用无监督学习建立轴承故障诊断模型将成为轴承故障诊断的重要发展方向之一。

蛋白质亚细胞定位预测研究进展

蛋白质的功能与其在细胞中的定位有着密切的联系，新合成的蛋白质必须处于适当的亚细胞位置才能正确的行使其功能．预测蛋白质的亚细胞定位，在确定一个未知蛋白质的功能，了解蛋白质相互作用等方面有着重要的意义．机器学习方法在蛋白质亚细胞定位研究中扮演着一个重要的角色．笔者从数据集的构建、蛋白质序列特征提取方法、蛋白质亚细胞定位预测算法以及预测算法的性能评估等四方面总结了过去十几年间机器学习方法在蛋白质亚细胞定位研究中的应用情况，系统阐述了蛋白质亚细胞定位预测研究的进展．

频谱感知中的K-D树KNN-SVM算法研究

传统的特征值检测法需要计算信号检测统计量和检测阈值,在不同的应用场景下,需要运用不同的特征提取算法来提取信号特征,却难以找到合适的特征提取算法。基于此文中提出一种改进的基于特征向量的K-D树KNN-SVM联合分类器算法。该算法相比传统的特征值检测法,无需计算检测统计量和检测阈值,且在KNN部分将训练样本排列成K-D树结构,可以大大减少KNN部分的冗余计算,使得支持向量机在分类超平面模糊时,加快K近邻算法的搜索速度。仿真实验结果表明,在选定最佳参数的K-D树KNN-SVM联合分类器中,相比KNN或SVM频谱感知算法,其检测性能明显提高,且检测效率也比KNN-SVM高。

基于机器学习的蛋白质亚细胞定位预测

基因的表达使得蛋白质在核糖体内的合成成为可能,也使得遗传信息进行传递。蛋白质合成后必须被转运到特定的亚细胞器中,才能正常发挥其生物学功能,使整个生命机体正常运转。如果合成的蛋白质定位与其天然定位发生偏差,细胞的各种功能及其构成的生命机体将遭受重大影响。

机器学习在网络路测质差小区分析中的应用

由于LTE网络数据量庞大而且种类繁多,人工路测分析已经无法满足当今对基于路测数据质差小区检测的需求.为了提高质差小区检测的效率与正确率,机器学习逐渐在质差小区检测中得到了应用.本文针对小区数量较少的路测数据,提出了一种基于距离的四维特征的质差小区检测方法.该方法采用聚类算法和人工判断相结合的方式对路测数据进行标定,对比分析了基于距离的四维特征和传统的两维特征的提取效果,并在逻辑回归分类器、决策树分类器、支持向量机分类器和k近邻分类器这4种分类器中进行分类.实验结果表明,基于距离的四维特征比传统的二维特征更有利于质差小区检测;使用四维特征进行分类,支持向量机分类器的效果最好.

基于机器学习的软件设计缺陷检测方法研究

在面向对象软件开发过程中,其设计水平直接影响软件的可维护性和可扩展性,有效地检测设计缺陷对于提高软件质量有重要作用。在定义软件设计缺陷的基础上,针对C&K设计度量和启发规则,提取设计缺陷的相关特征,基于经典的机器学习方法,为每种设计缺陷训练分类器,通过分类器对一个候选的设计实例进行分类,检测出这个候选实例是否具有设计缺陷。实验表明,该方法在识别设计缺陷方面具有较高的准确率和召回率。

感知器残差网络和超限学习机融合的3D物体识别

目的随着3D扫描技术和虚拟现实技术的发展,真实物体的3D识别方法已经成为研究的热点之一。针对现有基于深度学习的方法训练时间长,识别效果不理想等问题,提出了一种结合感知器残差网络和超限学习机(ELM)的3D物体识别方法。方法以超限学习机的框架为基础,使用多层感知器残差网络学习3D物体的多视角投影特征,并利用提取的特征数据和已知的标签数据同时训练了ELM分类层、K最近邻(KNN)分类层和支持向量机(SVM)分类层识别3D物体。网络使用增加了多层感知器的卷积层替代传统的卷积层。卷积网络由改进的残差单元组成,包含多个卷积核个数恒定的并行残差通道,用于拟合不同数学形式的残差项函数。网络中半数卷积核参数和感知器参数以高斯分布随机产生,其余通过训练寻优得到。结果提出的方法在普林斯顿3D模型数据集上达到了94.18%的准确率,在2D的NORB数据集上达到了97.46%的准确率。该算法在两个国际标准数据集中均取得了当前最好的效果。同时,使用超限学习机框架使得本文算法的训练时间比基于深度学习的方法减少了3个数量级。结论本文提出了一种使用多视角图识别3D物体的方法,实验表明该方法比现有的ELM方法和深度学习等最新方法的识别率更高,抗干扰性更强,并且其调节参数少,收敛速度快。