融合煤矿多维时序数据的瓦斯异常检测算法

瓦斯是引起煤矿安全隐患的重大因素,高效准确地检测瓦斯异常在煤矿安全生产过程中扮演着重要角色。传统的瓦斯异常检测方法通常仅基于来自瓦斯传感器的单一监测数据,而矿井下的恶劣环境可能造成瓦斯传感器失效,监测数据可信度较低,从而导致误报、漏报等问题。为解决上述问题,基于多种传感器监测数据,提出一种融合煤矿多维时序数据的瓦斯异常检测算法。该方法首先对煤矿中多维时序数据进行滑动窗口采样;然后建立局部敏感哈希孤立森林;最后根据待检测样本在森林中每棵树上的路径长度计算异常得分及异常率,当滑动窗口中的异常率超出指定阈值时,则自动更新森林。通过在真实的淮南朱集煤矿数据集上进行的大量实验,表明了所提方法在提高检测精度上的有效性。

基于E-CARGO模型的云制造服务组合方法

云制造是一种网络化协同制造新模式,协同性是云制造的典型特征.本文基于E-CARGO模型,提出一种基于角色的协同云制造服务组合优化方法.首先,研究建立服务组合与E-CARGO模型间的映射关系,构建了云制造服务组合的E-CARGO模型;其次,针对服务质量的不确定性,将动态服务质量转换为云模型中的期望、熵和超熵,并计算QoS云模型间的相似度,进而得到资格评估矩阵;最后,对基于角色的协同云制造服务组合问题进行求解,得到最优云制造服务组合方案.实验结果表明,本文方法能够有效的解决云制造服务组合优化问题.

基于二部网络表示学习的矩阵分解推荐算法

矩阵分解算法广泛应用于推荐系统。然而,其性能往往受到数据稀疏性和数据高维度的影响,且较少考虑项目的内容信息。针对上述问题,提出一种联合二部网络表示学习的矩阵分解推荐算法(BiNRMF)。首先,利用评分信息和项目的标签信息构建两个二部网络;然后,通过二部网络的表示学习算法得到用户和项目的低维向量表示,用以计算用户之间和项目之间的相似性;最后,改进传统矩阵分解模型,融入低维向量空间中用户的相似关系和项目的相似关系。在GoodBooks和MovieLens数据集上的实验结果表明,与经典的推荐算法相比,联合二部网络表示学习的矩阵分解推荐算法的预测精度有显著提升。