社会网络分析中的机器学习技术综述

机器学习是智能数据分析的有力工具,可以对社会网络数据进行建模。文中讨论了机器学习技术在社会网络分析(Social Network Analysis,简称SNA)领域中的应用,尤其综述了对象分类、链接预测、群体检测等SNA子任务中的机器学习技术。此外,还分析了在SNA中使用机器学习技术所面临的若干问题和挑战,最后给出了SNA中机器学习技术的研究前景。     

文本分类及其相关技术的研究

文本分类作为机器学习和信息检索之间的交叉学科,涉及到多个领域的技术。该文介绍了文本分类过程中的各个关键技术,讨论了文本表示模型,特征及方法,最后并对今后的发展进行了展望。     

基于机器学习的文本分类方法综述

文本分类是信息检索与数据挖掘领域的核心技术,是机器学习领域新的研究热点。本文对现有的基于机器学习的文本分类方法进行了详细的介绍,分析了各种方法的优缺点,并阐述了文本分类方法未来的发展趋势。     

机器学习的研究

本文对机器学习进行了深入研究,从机器学习的发展历程、研究领域、系统构成及其在分类上的应用四个方面论述了机器学习的发展和应用。     

基于共词分析的我国软件测试领域热点探析

针对近5年来我国软件测试领域的研究论文,以中国知网(CNKI)数据库为样本文献来源,利用书目共现分析系统(BICOMB)对文献数据库中的书目信息进行快速读取、准确提取字段、归类存储、统计,并生成书目数据的共现矩阵,再利用SPSS软件进行共词分析,借助聚类分析方法和多维尺度分析法对所有关键词进行聚合分类,找出其相似性,以可视化形式展示结果,从而探究我国近5年来软件测试领域的发展状况和研究热点.     

基于K近邻分类间隔的特征选择方法研究

特征选择是机器学习和模式识别领域的一个关键问题.文中详细分析研究一类基于K近邻分类间隔的特征选择算法,并着重讨论当K>1时,特征选择的评价准则和搜索策略的设计,同时在多个数据集上验证其性能.     

基于样本集质量的建筑能耗预测机器 学习算法选择及参数设置

使用机器学习算法对建筑能耗进行预测正逐渐成为建筑设计初期重要的决策辅助工具,机器学习算法的选择及其参数设置一直是机器学习领域研究的热点和难点。但现有研究大多从算法原理角度进行预测模型的选择及参数设置,训练样本集的特征信息未得到充分利用。为此,提出一种以样本量及样本分布特征为出发点的样本集质量分类方法,针对不同质量样本集测试不同机器学习算法的学习性能,制定不同质量样本集的算法选择及参数设置策略。分析样本特征与算法性能之间的关系,为建筑设计提供有效指导。     

基于随钻数据的岩性识别机器学习算法研究进展

机器学习算法是岩性识别领域重点研究内容之一。与传统岩性识别方法相比,通过监测随钻参数变化进行岩性识别,具有高精度、多信息、集成化、智能化的优点。近年来,随着岩性识别技术不断发展,机器学习算法在岩性识别领域的研究和应用日益广泛。利用机器学习算法分析随钻数据,能够提高岩性识别结果的准确性,更高效地识别地层的岩性和构造。为了厘清岩性识别机器学习算法的发展现状,发掘其在岩性识别技术领域中的技术难题,综述了岩性识别机器学习算法的研究进展。首先,简要介绍了机器学习的概念与发展历程;其次,分类阐述能够用于岩性识别领域的机器学习算法;再次,总结了岩性识别领域各类常用机器学习算法的应用现状,比较了各类算法在岩性识别应用中的优缺点;最后,总结了岩性识别算法存在的问题和面临的挑战,并对其下一步发展方向提出了建议,使未来能更加准确高效地利用机器学习算法分析处理随钻数据,实现机器学习算法与岩性识别技术的深度结合。     

多类别肿瘤分类的特征基因选择方法研究

以肿瘤基因表达谱指导肿瘤的分类是目前机器学习领域的一个研究热点.对多类别肿瘤分类中的关键问题——特征基因选择方法进行了研究,提出了混合式特征基因选择策略.该策略首先利用7种特征选择算法提取与分类高度相关的基因,随后采用SSiCP算法消除冗余基因.实验是在肺癌的多类别基因表达谱数据集上完成的.实验比较了7种特征选择算法的性能,发现CFS算法加SSiCP算法的混合式基因选择策略可以获得数量较少的特征基因集,在训练集和独立测试集均有较高的准确度.所获得的最精简基因集中的部分基因据文献报道与肺癌的发生发展密切相关.实验结果证实了混合式特征基因选择策略的有效性.     

机器学习和人工智能辅助钢铁材料设计的研究进展

随着人工智能技术的快速发展和材料数据的显著增加,机器学习和人工智能辅助设计高性能钢材正成为材料科学的主流范式。机器学习方法是一种基于计算机科学、统计学及材料科学之间的跨学科科学,聚焦于发现众多数据之间的相关性。与材料科学中传统的物理建模方法相比,机器学习方法的主要优势在于克服了材料本身复杂的物理机制,为新型高性能材料的研发提供了新的思路。本文从数据预处理和机器学习模型的介绍开始,包括算法选择和模型评估。然后,以优化成分、结构、工艺和性能为主题,回顾了机器学习方法在钢铁研究领域应用的一些典型案例。此外,还介绍了机器学习方法在以性能为导向的材料成分逆向设计工程以及在钢材缺陷检测领域中的应用。最后,探讨了机器学习在材料领域的适用性和局限性,并对未来的发展方向和前景进行了展望。     

社会事件建模研究综述

对事件建模进行定义与说明,给出不同出发点下的研究分类。在抽取方法方面,回顾和分析基于模板生成网页的社会事件建模、不同驱动模式的机器学习引入和用户交互行为模型的3种技术方法的研究动态与进展;在不同驱动模式机器算法引入方面,重点阐述和讨论事件元素和事件实例研究领域的研究动态。介绍用户交互行为模型在事件建模中的应用,总结社会事件建模的现有成就和不足,提出社会事件建模研究可能面临的问题,对其发展前景进行展望。     

机器学习算法在高分辨率遥感影像土地覆被分类中的对比分析

机器学习在面向对象的土地覆被分类中有着重要作用。针对不同机器学习分类器在最优超参数组合下对分类结果的影响并不明确的问题。在WEKA软件平台的基础上以中卫市的WordView3影像为研究数据,系统地讨论了随机森林(RF)、深度神经网络(DNN)、支持向量机(SVM)和决策树(DT)四种常用机器学习分类器的最优超参数组合,并在最优超参数组合下对四种机器学习分类器的分类结果进行了对比分析。研究结果表明:在相同的影像分割、训练样本集和特征提取条件下,使用不同的机器学习分类器均存在一些错分现象,且错分对象不完全一致;RF,DNN和SVM的分类精度明显高于DT,其中RF的分类精度最高,总体精度达到80.8%,卡帕系数达到0.78。     

基于遗传算法优化的神经网络电子邮件信息分类器的研究

结合反垃圾邮件技术的研究,分析了电子邮件数字信息预处理中的特征选择法和将机器学习技术应用于数字信息分类器的方法.针对邮件信息特征向量庞大的问题,提出了GA-CHI特征选择法作为信息预处理,将复杂的邮件数字信息转变成易于机器学习处理的形式.基于BP神经网络电子邮件数字信息分类器,采用遗传算法来优化神经网络邮件数字信息分类器,以进一步提高对中文电子邮件的分类效果.通过对系统的实验分析表明:该文采用的方法能有效地实现对电子邮件数字信息的分类.     

基于机器学习的网络流量分类算法

互联网应用的蓬勃发展产生了种类多样的网络流量。在网络技术不断进化的过程中,新型流量和流量加密技术的出现,使基于端口和基于有效载荷的传统网络流量分类算法的应用受到限制。为了实现对新型网络流量的自动分类,提出了一种基于机器学习的网络流量分类算法。通过选择特征属性和构建决策树模型,能够实现对流量级别的网络数据进行自动分类。使用网络流量分类领域的公开数据集进行训练和测试,并将测试结果与开源的机器学习平台Weka运行结果相比较,实验结果表明:所构建模型性能优良,在流量分类准确度与Weka平台相近甚至更优的前提下,大幅降低了建模时间,提高了网络数据分类的效率。     

软件缺陷管理中分类及度量方法研究

本文以软件缺陷为研究对象,介绍了几种常用的、基于缺陷分类的缺陷分析方法,并对这些方法在缺陷分析过程中的应用进行了讨论。通过对这些缺陷分析方法的剖析,提出软件缺陷管理分类和度量分析方法,对不同类型软件缺陷进行收集、跟踪、处理和分析,在软件开发过程中,能够较好的预防引入同类缺陷;在软件测试阶段,利用设计好的缺陷分类方法,设计测试用例发现缺陷,提高软件系统的质量。     

专利技术分类构建方法研究

目前各类专利分类法不能较好地满足专利分析中的专利技术分类问题。以新能源汽车技术领域的专利文献为研究对象,针对限定领域的技术特征与专利文献的内容特征,研究了专利技术分类的人工构建方法,并对此进行了实证研究。     

基于模型的软件测试

基于模型的软件测试是软件编码阶段的主流测试方法之一。基于多年的测试实践，本文认为基于模型的软件测试技术具有测试效率高、对逻辑复杂故障测试效果好等特点，但是误报、漏报和故障机理是依然需要进一步研究的问题。本文对主要的测试模型进行了分析和分类，并对其故障密度等参数进行了初步的分析。最后，本文给出了一种基于模型的软件测试方法。     

基于模型的软件测试

基于模型的软件测试是软件编码阶段的主流测试方法之一。基于多年的测试实践，本文认为基于模型的软件测试技术具有测试效率高、对逻辑复杂故障测试效果好等特点，但是误报、漏报和故障机理是依然需要进一步研究的问题。本文对主要的测试模型进行了分析和分类，并对其故障密度等参数进行了初步的分析。最后，本文给出了一种基于模型的软件测试方法。     

基于机器学习的裂纹识别研究现状及发展趋势

裂纹识别一直是机器视觉领域的重要研究内容,尤其是与之相关的自动检测算法在近年来备受关注。深度学习作为机器学习的一个分支,其在裂纹识别方面已显现出强大的功能和灵活性。本文对基于机器学习的裂纹识别技术的发展情况、研究现状以及典型方法进行详细介绍:首先介绍了多种机器学习方法在裂纹识别领域的应用,并从特征提取算法和应用对象等方面介绍了支持向量机(Support Vector Machine, SVM)、K最近邻(K-Nearest Neighbor, KNN)、神经网络、决策树和随机森林等常用的分类器;其次,从网络模型、数据集和应用对象等方面介绍了深度学习方法在裂纹识别领域的应用。同时,本文还对近20年(2000-2020年)的81篇相关文献进行对比分析,认为未来金属裂纹的识别依旧是热门研究,多种算法的混合会逐渐替代单一算法成为今后的发展方向。     

工作流技术在软件测试中的应用

为了实现对软件测试过程的有效管理,提高测试质量和测试效率,研究了工作流技术在软件测试系统中的应用.在工作流管理系统和基于组件开发的基础上,设计了引入工作流技术的软件测试系统体系结构,给出了相应的过程管理方法以及根据活动建立软件组件的方法,并详细讨论了这种面向过程应用的开发和实施方法.