基于机器学习算法的合成孔径雷达图像的目标识别

合成孔径雷达有着观测范围广和分辨率高的特点,可以全天候工作,并能有效地识别伪装和穿透掩盖物,但也存在雷达图像数据量大且目标电磁散射特征复杂等特点,为目标的识别引入了噪声和干扰,因此发展快速和智能化的SAR图像目标识别技术得到越来越多的关注.本文针对美国空军研究实验室SAR图像中的8个目标物引入3种机器学习算法和一些数据处理方法构建了相关的识别模型,并对其识别能力进行对比分析,结果显示这3种机器学习算法通过优化算法都可以获得较高的识别准确率(> 80%),尤其是KNN算法的测试集准确率都可以高达97%.本文研究结果可为SAR目标识别的人工智能化技术提供一些方法上的参考和指导.     

基于统计的自然语言处理模型

基于统计的自然语言处理模型采用统计方法进行自然语言建模，实际应用过程中可根据具体情况在多种模型中选择适当的模型，本文简要介绍了N-gram模型和最大熵模型，并给出了几种参数估计和数据平滑方法，为自然语言建模提供了一定的参考。     

基于机器学习和超声成像的缺陷识别与分析

为了量化分析样本中的缺陷,利用卷积神经网络(Convolutional Neural Network,CNN)结合阈值分割和深度优先搜索算法实现了对超声检测图像中样品内部缺陷的识别,将实际图像输入神经网络模型中,成功完成了对缺陷的标记,验证了模型的可靠性.利用Field Ⅱ对全矩阵捕获(Full Matrix Capture,FMC)过程及对数据以全聚焦成像方法(Total Focus Method,TFM)进行成像的过程进行了仿真模拟,获得了可用于机器学习的数据集.基于方向梯度直方图(Histogram of Oriented Gradient,HOG)提取了全聚焦成像结果图的图像特征,利用改进的支持向量机(Support Vector Machine,SVM)获得由图像预测缺陷半径的模型并对该模型进行了评价.结果表明,利用上述方法提取的缺陷半径信息精准度在0.1 mm,能够应用于缺陷半径的量化分析,预测误差主要来源于数据集两端,可以通过预处理算法进一步提升检测精度.     

高温作用后砂岩物理力学性质阈值温度的确定——基于机器学习算法

通过采用机器学习算法,提出了高温作用后砂岩物理力学性质变化的阈值温度的确定方法。基于Python语言,利用K-Means、SVM算法,实现了对样本数据的分类和聚类,确定了阈值温度区间,验证了二分类法的合理性和准确性.结果表明,砂岩样本的阈值温度区间为400~600 ℃,阈值温度上下砂岩的物理力学性质存在显著差异,体现为阈值温度区间以下的岩样物理力学性质较为分散,而阈值温度区间以上的岩样物理力学性质较为集中.     

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...     

自然语言处理中继承理论的分类和应用

着重介绍继承的概念，分类及其人在自然语言中的应用。继承理论是一个可用于自然语言处理的实用理论，在语法和语义方面同时使用继承理论可以将自然语言合理地分类，将无限的自然语言处理问题转换成有限的类别处理。     

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。     

基于概念图的自然语言处理中的语义研究与应用

目的探讨自然语言处理中的语义研究的必要性和概念图的优势及特点。方法阐述基于概念图进行语义研究的步骤及关键技术。结果基于概念图进行语义研究能进一步提高自然语言理解的水平,改善现有语义分析技术对句子的理解程度,具有一定的理论和应用价值。结论概念图的研究与应用必将对语义研究起到积极的作用。     

基于Agent网上答疑系统的设计与实现

目前,国内现有的网络答疑系统中尚存着一些问题,例如答疑方式单一、智能性和自主性低、知识库缺乏自我学习能力等.为解决这些问题,提出了基于自动答疑Agent和知识库学习Agent为核心的系统模型,并以《VisualFoxPro6.0程序设计》课程作为试验实例,采用Asp技术,结合Agent思想,完成了“基于Agent网络答疑系统(WASBA)”,运行结果表明设计基本达到了预期目标,实现了系统的自动答疑和系统知识库的自主学习.与同类答疑系统比较,在主动性和智能性方面有了较为明显的改进.     

基于XML的自然语言处理研究初探

引言 自然语言处理是人工智能研究的一个重要分支。长期以来，人们不断采用各种各样新的理论和方法对自然语言进行研究。XML（Extensible Markup Language．可扩展标记语言）是近年来发展迅速、影响广泛而深远的新技术。被称为Intemet时代的通用数据格式。它是Internet时代的产物。     

自然语言处理下的语音形式化研究

论述在自然语言处理进程下,在语言学范畴内,应用数学方法针对语言研究中的语音问题加以形式化研究,辅助实现语音信息的存储、传输、分析和再生。     

基于自然语言处理的材料领域知识图谱构建方法

如何将材料领域知识与机器学习技术相结合是材料智能研究迫切需要解决的问题. 知识图谱(knowledge graphs, KGs)作为一种高效的知识组织模型, 可以有效地对材料领域知识进行表示、组织和推理, 从而提升材料机器学习算法的智能水平. 研究了基于自然语言处理技术的材料领域知识自动获取方法, 提出了基于双向门控循环单元-图神经网络-条件随机场(bidirectional-gated recurrent unit-graph neural network-conditional random field, Bi-GRU-GNN-CRF) 的材料实体关系联合抽取方法, 以及基于改进 TextRank 算法的材料工艺知识抽取方法, 实现了从专利、论文等材料文献中自动获取材料实体、关系、工艺流程等材料领域知识. 实验结果表明, 所提出的材料知识获取方法具有较好的精度和召回率, 能够有效提升材料知识图谱的知识覆盖度. 基于该方法构建的材料领域知识图谱的知识覆盖率达到了80%, 能够为材料智能研发提供更加全面的知识支撑. 同时, 构建了非调制特殊钢、铝基复合材料、热障陶瓷涂层材料 3 个材料领域知识图谱, 并进行了应用探索, 进一步验证了知识图谱为材料研发提供知识支撑的可能性.     

基于统计语义和结构特征的自动文摘

在分析自动文摘现有方法优缺点的基础上,提出了一种基于统计、语义和结构特征的自动文摘方法。用这些特征构成句子向量表示,并用机器学习的方法对其进行训练得到器,从而把自动文摘转换为分类问题。实验表明,该方法具有较好的重合率。同时,为了解决文摘的冗余和不连贯缺点,进行了一系列的后期处理,提高了文摘的质量。     

基于实例学习在自然语言处理中的应用研究

机器学习技术在自然语言处理中的应用是一个研究热点。本文简单介绍并分析机器学习的方法之一——基于实例学习。并就其在自然语言处理中的应用分析其优点与不足。最后,通过实验讨论了基于实例学习在浅层句法分析中的应用。     

基于机器学习的低弹性模量钛合金建模和预测的研究

针对钛合金弹性模量快速预测的需要,采用合金设计公式对原始合金数据进行转换,利用转换所得的Mo当量、d-电子结合次数和d-电子结合能作为数据集;采用多层感知器、随机森林网络和卷积神经网络三种机器学习方法,基于数据驱动方式搭建钛合金成分与弹性模量的关系模型。结果表明,相比随机森林网络模型和卷积神经网络模型,多层感知器模型具有更优的预测性能和预测精度。此外,多层感知器模型的预测能力符合预期,其相关指数评分达到0.66,均方根误差为7.54 GPa;说明多层感知器适用于医用钛合金的数据挖掘和研发。     

基于机器学习的犯罪预测综述

随着犯罪数量不断增加,以及新型犯罪模式不断出现,准确预测未来的犯罪活动越来越重要。所以,基于机器学习的犯罪预测方法对于识别未来犯罪以及减少犯罪数量具有重要的意义。根据犯罪类型的不同,使用的犯罪预测方法也呈现多样化。为此,对国际上不同类型的犯罪预测方法进行了总结和分析,并在此基础上对如何提高犯罪预测的精度进行了讨论,希望对使用机器学习进行犯罪预测的相关工作有一定的参考意义。     

基于机器学习的油气水层随钻识别模型优选

为了解决基于测井数据对油气水层的实时识别这一技术难题,利用计算机科学与现代数学,结合随钻测井技术与机器学习算法进行油气水层的随钻识别。首先,对训练集数据进行相关性分析,剔除弱相关或冗余数据;其次,选择一对多支持向量机、一对一支持向量机以及随机森林算法分别建立油气水层分类识别模型,并使用网格搜索方法及10折交叉验证法对3种分类识别模型参数进行优选;最后,运用参数优选后的各分类识别模型,对随钻测井数据进行油气水层的识别。研究结果表明,3种分类识别模型对研究区块油气水层随钻识别的准确率均达到75%以上。在训练样本较少的情况下,优先选用一对一支持向量机分类识别模型进行油气水层的随钻识别。     

自然语言处理系统中自动分词的研究

首先分析了自动分词方法的基本假设和实现途径以及现有方法的不足之处,然后介绍汉语自然语言整体处理信息框架和在自然语言整体处理框架中自动分词方法,最后给出实验结果     

基于SMOTE和机器学习的网络入侵检测

网络入侵检测已经广泛运用机器学习模型,但是研究者们多关注模型选择和参数优化,很少考虑数据不平衡的影响,往往会导致少数类入侵样本的检测效果较差.针对该问题,以SMOTE （synthetic minority oversampling technique）数据再平衡算法为研究重点,应用入侵检测数据集KDD99作为原始训练集,使用简单抽样和SMOTE算法生成再平衡训练集.采用多种机器学习模型分别在原始训练集和再平衡训练集进行5折交叉验证.实验结果表明,与原始训练集相比,使用再平衡训练集建模能够在不降低甚至提高多数类样本识别效果前提下,使少数类样本的识别准确率和召回率增强10%～20%.因此,SMOTE算法对不平衡样本下的网络入侵检测有显著的提升作用.      

基于机器学习的车队数据分析

为了增强新一代车辆的功能和安全性,收集了大量的车辆行驶历史数据,利用机器学习方法创建基于规则的计算模型,以检测车队中的故障车辆。详细介绍了模型的设计步骤,并通过低压电池的电气故障测试进行该方法的有效性验证。分析结果可供后续车型台架测试参考。