基于大数据的资产评估平台的研究与设计

针对资产评估的公正性、科学性问题,以及评估方、利益方、监管方三者的博弈关系,运用AHP分析资产评估体系建立基于大数据的资产评估模型,该模型采用决策树算法分析,改进了传统资产评估,并提供了资产评估收益预期回报。在评估模型基础上,引入数据挖掘和云计算技术,设计基于大数据的资产评估平台,从平台的数据采集、数据挖掘到机器学习,详细分析了资产评估平台功能,并对平台的接口和核心算法进行设计,最终通过基于大数据的房地产估价案例分析进行论证。     

基于大数据和机器学习的AI导演电影风格迁移方法

研究了基于深度神经网络的电影风格迁移方法,以及大数据和机器学习在其中的作用。首先介绍了电影风格迁移的基本概念和现有研究,然后分析了人工智能如何实现电影风格的迁移,包括使用的算法、技术和方法,以及评估的指标和标准。接着,探讨了大数据和机器学习如何提高电影风格迁移的效率和质量,拓展其范围和可能性,以及创造新的电影风格和表达方式。最后,批判性地分析了基于大数据和机器学习的AI导演电影风格迁移方法所面临的伦理、技术和评价问题,并提出了一些可能的解决方案和改进方向。     

数据分布特性对空调系统能耗预测的影响

空调系统能耗预测是实现智能调控、能源需求管理、系统节能的重要手段和前提之一,当前的空调系统能耗预测主要是基于机器学习算法。诸多机器学习算法的重要理论前提是数据的分布应尽量满足正态分布,然而空调系统的实际运行数据很少能满足正态分布特性,目前的研究鲜有涉及数据分布特性对空调系统能耗预测的影响。首先基于实际项目的空调系统能耗数据,从偏度和峰度两个指标分析了实际能耗数据分布与正态分布呈现出的偏离;然后通过对数变换对能耗数据进行数据变换,使能耗数据更接近于正态分布;接着以常见的4种能耗预测机器学习算法(广义线性回归算法、支持向量回归算法、人工神经网络算法、随机森林算法)对原始数据和经过数据变换后的数据分别进行空调系统能耗预测工作,分析负荷预测结果的RMSE和R~2统计量。结果对比发现,数据的分布特性对能耗预测有着重要的影响,合适的数据变换可以有效地提高空调系统能耗预测机器学习算法模型的预测效果。     

基于机器学习的恶意软件分类识别研究

恶意软件的日益增长是对网络世界最大的威胁,基于签名的检测对于恶意软件检测率较低,局限性大,因此提出基于机器学习的恶意软件检测技术来代替传统的签名检测。根据沙箱中提取软件的特征类型包括注册表和API函数调用,并量化数据,使用机器学习的模型对此数据进行分类识别,并取得了较好的分类效果。     

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。     

基于机器学习的LTE-MR定位算法研究与应用范例

LTE用户向网络反馈的MR测量报告,可以为无线网络分析与优化提供海量的基础测试数据.设计高精度的MR定位信息重构算法,对发展数据驱动的网络优化技术至关重要.本文首先对几种传统的基于终端测量信息的定位算法及其优缺点进行分类介绍,进而提出一种基于机器学习方法设计高精度混合定位算法的思想.基于该思想,采用了AdaBoost算法对同区域具备定位信息标签的MR数据进行模型训练,得到的模型可对定位信息缺失的MR数据进行较高精度的定位信息重构.以中国联通某业务区本地网LTE-MR数据为例,对所提算法性能进行了仿真及误差分析,讨论了算法的优缺点,测试了算法运行的速度,并通过具体案例展示了算法应用于中国联通RNExp无线网络专家系统进行网络覆盖评估的效果.     

基于ELM的网络流量分类及可视化研究

精准的网络流量分类是网路流量监测和网络流量数据分析的重要基础。机器学习方法利用统计网络流量的各种特征,不依赖于协议端口和协议内容对网络流量数据进行分析。采用超限学习机(ELM)和改进算法分层超限学习机(H-ELM)作为机器学习的算法,识别客户端与服务器。对链路层、网络层和应用层数据进行分析,实现对多层次网络流量数据的可视化,对H-ELM和ELM算法的实验结果进行对比。实验结果表明,ELM算法能有效地应用于网络流量分类,基于ELM分类模型的网络流量识别训练速度快。H-ELM通过紧凑的特征去除冗余原始输入,改进了总体学习表现。     

一种本体学习模型的设计与实现

提出一种本体学习模型,分析了模型实现中的关键步骤.采用机器学习技术半自动地构建本体,用Bisecting K-means算法和标准的K-means算法对模型进行了测试.实验结果表明,Bisecting K-means算法产生的本体概念的层次更加精炼,时间复杂度较小,特别适合用于处理大型数据集.     

基于机器学习的跨患者癫痫自动检测算法

针对目前癫痫自动检测算法多集中于为单个患者建立检测模型,泛化能力较弱的问题,提出一种基于机器学习的跨患者癫痫自动检测算法.该算法使用多个癫痫患者的脑电数据,先对数据进行预处理后分析脑电数据间存在的特征,再对特征进行筛选,训练出一个跨患者的癫痫自动检测模型.该算法不需为每个患者建立单独的检测模型,实现了仅使用一个检测模型...     

岭回归算法在臭氧浓度集合预报中的应用

基于机器学习方法,利用已有的预报模式构造一种全新的集合预报模型,对于提升预报的准确度和稳定性都有重要意义.以臭氧浓度预报为例子,讨论一种基于机器学习的集合预报技术——岭回归(ridge regression,简称RR)算法.首先,对RR算法的特点和实现流程进行描述.在实现RR算法之后,对我国近两年的环境空气质量真实数据进行大量的数值实验.然后,对最优化集合预测(operational consensus forecasts,简称OCF)和RR算法的预测结果在均方根误差和时间序列对比等方面进行详尽分析.实验结果表明,RR算法比OCF算法具有更好的预测精度和稳定性.最后,对算法可能的误差来源进行探讨,提出了进一步改进的方向.     

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。     

基于支持向量回归的人体血压预测方法

针对当前基于机器学习的血压测量方法的准确率低下等问题,本文提出了一种基于支持向量回归的高效便捷的血压预测方法。算法首先分析人体生理指标数据与血压之间隐含的关系,建立血压预测模型,然后将算法结果与三个经典机器学习算法(线性回归、神经网络、岭回归)结果进行对比,利用两种评价指标(准确率、均方根误差)对它们进行评估,实验结果表明支持向量回归算法能准确高效地预测血压且优于其它算法模型。     

大数据环境下机器学习在数据挖掘中的应用研究

随着Web2.0时代的到来,数据量呈几何级态势增长.这些海量的数据不仅结构多样,而且体现出动态性极强的特点.以往应用于小规模数据集上的机器学习算法已经不再适用.大数据概念引起了学术界和产业界的高度关注.对当前大数据环境下引入机器学习的意义进行了分析,论述了机器学习系统的构成及任务,并对其发展趋势与前景进行了展望.     

支持向量机下机器学习模型的分析

首先概述了支持向量机的发展与应用,指出其在机器学习领域有较大的发展前景.分析了支持向量机的基本算法,进而阐述了基于支持向量机的机器学习模型构造思路.给出了其应用于机器学习模型的核函数和训练算法,最后给出了学习模型的具体分类效果.     

基于改进机器学习算法的微电网短期负荷预测

为了对具有基数小、波动大及随机性强等特点的微电网负荷进行准确预测,提出了一种基于改进的机器学习算法。该算法包括基于蚁群算法的模型参数寻优和基于改进核函数极限学习机的预测模型2部分。首先,对蚁群算法信息素的作用方式进行了改进,并将训练误差用于计算蚁群个体的新增信息素,从而得到最优的模型参数。其次,采用基于加权离散距离的方法对训练数据进行筛选,留下相似度高的训练样本对核函数输出权重进行训练,从而减少计算量,提高预测精度。用某小区高层楼宇的电网历史负荷数据,在Matlab中对算法进行仿真验证,结果表明预测算法能较好地实现微电网的负荷预测。     

基于机器学习的输电线路故障统计与分析

本文对输电线路故障的影响因素进行分析,用相关性系数描述输电故障和气象数据之间关系。通过分析得出了气象数据中的温度、湿度、风速、气压和故障之间的相关性强度。通过对数据特征展开研究,以及对机器学习相关算法模型、关键算法组件的应用及验证,为输电线路故障分析提供有力的技术支撑。     

现阶段基于内容的图像检索技术分析

主要讨论了目前基于内容的图像检索技术的两大热点研究方向,即基于底层特征向量的提取算法(分别为颜色、纹理和形状特征)和基于相关反馈机制(分别为基于空间变换、基于统计概率、基于聚类分析和基于机器学习的模型).分析它们使用的典型方法及优缺点,并对未来的发展方向做了展望.     

基于异常检测的入侵检测技术

对目前的异常检测技术进行了全面概述, 按照采用的不同技术将异常检测分为基于统计、 基于机器学习和基于数据挖掘3种, 阐述了各种异常检测技术的特征, 并描述了目前基于异常入侵检测系统用到的各种算法及其实现方法. 通过实验结果, 比较了各种算法的检测效果.     

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。     

基于3种机器学习模型的岩爆类型预测

岩爆类型预测是防治和控制硬岩矿山岩爆灾害的有效方式。基于国内外397组岩爆案例数据，规范训练集与测试集的数据预处理方式，采用模型参数优化及交叉验证技术获得最近邻、支持向量机与决策树模型最佳参数；对比分析主成分分析法（PCA）与过采样SMOTE对3种机器学习算法预测准确率的影响，并采用准确率、精确率、召回率、F1等指标对模型预测性能进行评估。结果表明：主成分分析对3种机器学习模型的预测准确率并无提升，不同岩爆类型的样本之间不具有较为明显的决策边界；过采样SMOTE算法仅对决策树模型有明显的提升，基于过采样建立的SMOTE-DT模型预测准确率为77.50%，高于仅对原始数据集进行标准化处理的KNN、SVM模型的68.75%与57.50%；SMOTE-DT在高估与低估岩爆类型表现优于KNN与SVM模型，对于四种岩爆类型的F1值均大于0.7，岩爆预测性能稳定可靠。此外，采用本文构建的3种机器学习模型对山西紫金金矿进行了岩爆类型预测，模型预测结果与现场观测结果相一致。本文构建的三种用于岩爆类型预测的机器学习模型避免了训练集信息泄露对测试集造成影响，研究结果为岩爆类型预测及规范机器学习模型训练过程提供了理论支撑。