基于随机森林的智能锁螺丝机锁附判别研究

为了解决工业生产制造中的智能锁螺丝机无法准确判断螺丝锁附是否成功的问题,运用机器学习算法建立螺丝锁附判别模型;针对螺丝锁附过程中产生的时间序列数据不等长的问题,提出改进的基于随机森林的加权特征选择算法,用以提取能够描述序列性质的有效特征,并从判别准确率和运行时间2个方面与其他特征选择算法进行比较;对比这些被选择的特征在不同机器学习算法中的表现。结果表明,本文中提出的特征选择算法不仅能够提取出最优的特征组合,而且运行时间较短,计算效率较高,并且该特征组合应用于随机森林时可达到99.9%的判别准确率,能够有效判别螺丝锁附的情况。

基于分而治之的Lasso方法对海量基因数据的研究与验证

Lasso是一种以一范数为基础的变量选择方法。相比于其他方法,Lasso不仅可以精确地选择出与类属性强相关的变量,而且还保持了变量选择的稳定性。但是Lasso研究在高维海量的基因数据时会出现计算机开销过大的情况。针对这一问题,文章提出一种分而治之的Lasso方法。首先将数据集分成K份,对每一份进行变量选择,再把每份系统的合并,重新进行变量选择。通过检验结果显示,基于分而治之的Lasso方法,在海量的基因数据中进行关联变量选择表现很好。

实酉群表示的限制问题

本文介绍实酉群表示限制问题的一些新进展.特别地,我们简单说明实酉群Gan-Gross-Prasad猜想的证明思路.

基于数据挖掘的手机用户换机行为预测研究

首先对用户数据进行特征分析,变量选择,然后又采集了大量与手机性能相关的数据来扩充数据集,最后利用现代数据挖掘手段对用户的换机行为进行预测,讨论并比较了各种方法对换机预测的准确性.通过对用户数据集进行测试实验,表明变量选择与补充能够有效地提高移动用户换机的预测结果,并且Xgboost方法在各种分析工具中的表现更为优越.