基于支持向量机方法的压电智能结构系统辨识

支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原则的新型机器学习方法,克服了传统机器学习方法在训练中的局部极小问题,过学习和欠学习等问题,具有很好的泛化能力.本文介绍了应用于回归分析的最小二乘支持向量机(LS-SVM)的基本理论,然后以随机激励下压电智能结构的响应数据作为训练样本集,采用LS-SVM方法辨识系统,仿真结果验证了这种方法的有效性.     

医疗文本分类机器学习方法研究

为了解决看病难、看病贵的问题,在人工智能的指导下,研发出远程医疗机器人智能导诊系统。其中,机器学习算法扮演着重要的角色,它相当于医生的大脑。本文将对医疗领域常用的机器学习方法进行研究,包括:决策树、神经网络、贝叶斯以及k邻近方法等。通过比较各种机器学习算法在医疗领域的分类效果,发现朴素贝叶斯算法用于疾病诊断算法的效果更好。     

主成分分析的入侵检测方法研究

直接将入侵检测算法应用在粗糙数据上,其入侵检测分析的效率非常低.为解决该问题,提出了一种基于主成分分析的入侵检测方法.该方法通过提取网络连接中的相关信息,对它进行解码,并将解码的网络连接记录与已知的网络连接记录数据进行比较,发现记录中的变化和连接记录分布的主成分,最后将机器学习方法和主成分分析方法结合实现入侵检测.实验结果表明该方法应用到各种不同KDD99入侵检测数据集中可以有效减少学习时间、降低各种数据集的表示空间,提高入侵检测效率.     

支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

水声通信中的信道估计与机器学习交叉研究进展

近年来,以深度学习为代表的机器学习技术飞速发展,凭借其出色的学习能力,在复杂环境条件下的建模问题中展现出了独特的优势。当前,基于机器学习的水声通信技术研究方兴未艾,在信道估计及均衡、典型通信系统应用等方面取得了一定的进展,但是针对实际水声环境约束条件下的研究较少。为此,文章围绕信道估计这一水声通信关键技术,针对水声信道估计中存在的样本不足,标签标定困难以及水声环境时空变导致的源域、目标域失配等问题,讨论了水声信道估计与数据增强、无标签学习、少样本学习等模型和方法交叉研究的发展思路,并给出了初步的仿真和试验结果。文章是对水声通信中的信道估计与机器学习交叉领域研究重难点问题的初步探索,为水下各类平台自主智能化的通信技术发展提供了参考。     

基于Bagging算法构造强分类器的one class SVM导线舞动预测应用

考虑到传统物理分析方法无法解决导线舞动的预测问题,综合运用机器学习算法,对已有的舞动历史数据进行筛选和预处理,并挖掘有效信息,利用one class SVM算法解决舞动数据中负样本缺失问题,采用集成学习算法中Bagging算法建立分类器学习方法,实现了数据的随机抽样,分成不同组数据集进行相互独立的训练,避免对舞动数据过拟合,提升机器学习算法的抗噪声能力以及泛化能力,采用k折交叉验证算法进行模型的验证,并利用F1-score描述导线舞动预警模型的性能,验证了该方法在舞动预测方面的有效性。     

支持向量机分类与回归算法浅析

统计学习理论作为机器学习一个分支，由于其优异的特性及应用前景受到越来越多的关注。支持向量机（SVM）衍生于统计学习理论，能够在最小化训练误差和模型复杂度之间找到最佳平衡点，是一种比较经典的机器学习方法。由于秉承了统计学习理论的主要思想（如结构风险最小化、VC维），支持向量机可以在有限样本下得到全局最优，从而避免局部最优问题。     

基于动力学仿真数据的高速列车蛇行状态识别

近年来,人工智能技术广泛应用于高速列车运行状态的识别。用作列车运行状态识别的机器学习和深度学习模型需要大量的数据,然而在实测数据中获取的蛇行失稳数据样本少且不均衡,再者,由于实测数据获取成本高,实际采集数据困难,难以满足各种运行条件(稳定、小幅蛇行失稳和大幅蛇行失稳状态)。为解决以上问题,通过SIMPACK软件建立高速列车动力学仿真模型,模拟出车辆的各种运行状态数据。对仿真数据和实测数据进行互信息分析和希尔伯特-黄变换(HHT)分析,发现仿真数据在时域特征和频域特征上与实测数据高度相似。把仿真数据作为训练集,用来训练高速列车运行状态识别的人工智能算法模型,再用实测数据作为测试集进行验证。实验结果表明:仿真数据用于机器学习和深度学习模型中都能得到很好的结果,说明仿真数据可以作为训练集用于复杂的深度学习模型中。     

基于机器学习算法的电气设备故障预测与诊断

本文旨在探索基于机器学习算法的电气设备故障预测与诊断方法,针对电力系统和工业自动化中设备故障对系统稳定性和安全性的重要影响,利用机器学习技术,特别是反卷积特征学习和随机矩阵理论,提前识别潜在故障,实现故障诊断和预测。在试验中,通过反卷积特征学习,成功地检测到设备运行中的异常模式,并利用随机矩阵理论准确诊断出多种故障类型。本文研究结果为电力系统和工业自动化中的故障预测和诊断提供了有力支持,为预防和修复故障提供了更准确、可靠的工具。     

基于协同采样主动学习的恶意代码检测

研究了基于机器学习分类算法的恶意代码检测,考虑到目前主要采用传统分类方法对恶意代码进行分类识别,这些方法需要通过学习大量标记样本来获得精准的分类器模型,然而样本标记工作只有少数专家才能完成,导致标记样本往往不足,致使分类结果准确率不高,提出了一种基于协同采样的主动学习方法。运用这种学习方法,仅需少量标记样本即可有效识别出恶意代码。实验证明,相对于传统的恶意代码分类方法,该方法能够显著提升分类准确率和泛化性能。     

基于AI深度学习的新闻文本分类法研究

针对传统机器学习未能考虑局部信息对新闻文本分类的影响以及无法及时捕获长距离特征信息等问题,本文提出了一种基于AI深度学习的新闻文本分类方法。为进一步验证新闻文本分类效果,该方法将径向基函数模型与多层感知层模型结合,并进行深度学习训练,通过样本标记迭代试验进行测试。结果表明,AI深度学习加快了模型训练过程,提升了模型在迭代过程的正确率,降低了漏报率,显著增强了分类效果。     

建筑基本周期多因素机器学习预测模型

建筑物基本周期是其最重要的动力特性参数,影响因素众多。受限于曲线拟合的传统建模手段,目前的基本周期预测模型表达式中仅能包含高度或层数等单一因素,而忽略其他因素的影响。数据驱动机器学习方法的出现,为建筑周期多因素预测模型的建立提供了新思路。研究从大量文献中收集整理了2561条建筑周期的实测数据,形成了包含建筑高度、层数、材料、功能、地区等多因素的建筑周期实测数据库。建立了具有自学习能力的建筑基本周期多因素机器学习预测模型,避免了一般机器学习模型中繁琐的参数调节过程,提升模型的鲁棒性和适用性。与传统模型结果的对比表明：所提预测模型的适用结构类型范围广、准确性更高,配合云端服务器可形成一种全新的、开放式自学习的建筑周期预测模式。     

人工智能在电力系统中应用的近期研究热点介绍

大数据驱动下的新一代人工智能由传统知识表示转向深度、自主知识学习,不再需要人的过多干预,展现出了更加智能的一面。近年来,深度学习成为人工智能研究热点。该文重点介绍了深度学习的特点、原理及其在电力系统中的应用研究现状,分析了新一代智能方法研究趋势及在应用过程中存在的问题,并提供了基于分布式机器学习和增量学习的解决方法,旨在为相关研究工作者提供参考。     

基于机器学习的高熵合金生成相预测研究

近年来关于机器学习技术预测高熵合金生成相相关工作相继被报道,但存在采用的高熵合金生成相经验参数少、未考虑制备工艺对高熵合金生成相影响的不足.针对此,本文基于人工神经网络、K近邻、支持向量机以及集成学习4种机器学习算法,收集了19种经验参数,对搜集的982种高熵合金进行模型预测.研究发现,与前人采用的5种经验参数相对比,采用17种经验参数的机器学习模型预测生成相精度从75.75％提升到了79.78％.并且发现采用熔铸法制备的高熵合金数据集训练模型,得到的模型预测精度比多种制备工艺制备的高熵合金数据集进一步提升了4.36％.结果表明,增加合适的经验参数和采用单一的熔铸法制备的高熵合金数据集有助于提升机器学习模型预测的精度.     

机器学习技术在材料科学领域中的应用进展

材料是国民经济的基础,新材料的发现是推动现代科学发展与技术革新的源动力之一,传统的实验"试错型"研究方法具有成本高、周期长和存在偶然性等特点,难以满足现代材料的研究需求.近些年,随着人工智能和数据驱动技术的飞速发展,机器学习作为其主要分支和重要工具,受到的关注日益增加,并在各学科领域展现出巨大的应用潜力.将机器学习技术与材料科学研究相结合,从大量实验与计算模拟产生的数据中挖掘信息,具有精度高、效率高等优势,给新材料的研发和材料基础理论的研究提供了新的契机.机器学习技术结合了计算机科学、概率论、统计学、数据库理论以及工程学等知识,计算速度快、泛化能力强,能有效地处理一些难以运用传统实验及模拟计算方法解决的体系和问题.近10年,机器学习在材料科学研究中的应用呈现出爆炸式的增长,尤其在新材料的合成设计、性能预测、材料微观结构深入表征以及改进材料计算模拟方法几个方面,均有着出色的表现.当然,作为一项数据驱动技术,如何获取大量实验数据并将其构建为行之有效的数据集仍是现阶段机器学习技术在材料科学领域应用的热点和难点.本文概述了机器学习技术的基本原理、主要工作流程和常用算法,简述了机器学习技术在材料科学领域中的研究重心及应用进展,分析了机器学习在材料学研究中尚存在的问题,并对未来此领域的发展热点进行了展望.     

基于比例风险模型与机器学习混合方法的电梯故障预测北大核心

电梯是一种对可靠性要求极高的特种设备,其故障预测问题受到越来越多的关注。通过对此问题的研究,提出了一种基于比例风险模型与机器学习的混合方法,用于预测电梯的剩余寿命。该混合方法首先利用比例风险模型分析寿命与协变量之间的关系,得到累计风险函数,并计算得寿命预估值;再利用机器学习算法对寿命预估值与故障间隔时间序列进行建模,预测得剩余寿命。混合方法创新地将电梯参数信息与电梯维修记录两种不同类型的数据结合起来进行故障预测,在与传统机器学习方法预测效果的对比中,混合方法具有更好的预测效果,验证了混合方法的有效性。     

大数据下的深度学习研究

给出了大数据和机器学习的子领域——深度学习的概念,阐述了深度学习对获取大数据中的有价值信息的重要作用。描述了大数据下利用图像处理单元(GPU)进行并行运算的深度学习框架,对其中的大规模卷积神经网络(CNN)、大规模深度置信网络(DBN)和大规模递归神经网络(RNN)进行了重点论述。分析了大数据的容量、多样性、速率特征,介绍了大规模数据、多样性数据、高速率数据下的深度学习方法。展望了大数据背景下深度学习的发展前景,指出在不远的将来,大数据与深度学习融合的技术将会在计算机视觉、机器智能等多个领域获得突破性进展。     

基于机器学习与多尺度特征的金属氧化物性能预测

材料信息学是信息学技术在材料学中的应用,通过材料信息数据库和集成材料设计平台对材料的数据进行分析和预测。通过应用不同的机器学习(回归分析)方法和不同的特征选择算法,从众多的多尺度特征集中选择最优的特征子集可以预测金属氧化物的物理特性,归纳出适合材料不同特性的机器学习模型。分析结果表明,特征选择方法可以提升机器学习模型的性能,为进一步开发更有效的材料性能预测方法提供参考。     

基于分子指纹及机器学习回归模型的有机光伏材料效率预测

有机太阳能电池(OPV)的发展依赖于新型高效OPV材料的开发.近几年来,为解决传统有机太阳电池材料开发模式低效的问题,机器学习辅助OPV材料开发的新模式得到了广泛的关注.本工作提出一种结合分子指纹和机器学习回归模型的新方法,实现了OPV给体材料光电转换效率的快速预测.基于从文献中收集的给体材料数据库,系统地比较了不同分子指纹作为各种机器学习模型输入的预测精度.结果表明,Mor-gan分子指纹与随机森林模型的组合在决定系数指标下性能最优,而Hybridization分子指纹与支持向量机模型的组合在平均绝对误差指标下性能最优.同时,各模型的预测精度随着分子指纹的位数增加而提高.该方法可广泛用于新设计的OPV材料的快速初筛,从而提升新型OPV材料的研发速度,促进高性能OPV的快速发展.     

机器学习辅助高熵合金设计的研究进展

近年来,高熵合金因其优异的性能和广阔的发展前景吸引了越来越多的关注,成为材料科学中的热门领域。由于高熵合金复杂的元素组成,使用传统方法对高熵合金进行计算不仅困难而且代价高昂,影响因素的多样性也为高熵合金的设计增加了困难,开发新方法加速对高熵合金成分空间的探索是当务之急。随着对高熵合金研究的不断深入,实验数据不断积累,人们尝试从数据的角度寻求解决方案。与此同时,人工智能的兴起极大改变了我们的生活方式,以数据为驱动的机器学习与高熵合金领域交叉融合,二者相得益彰并取得了一系列成果。人工神经元网络、支持向量机、主成分分析等方法被应用于高熵合金的分析和预测。除此之外,机器学习还与从头算和基于热力学数据库的方法相结合,在挖掘数据价值与指导实验设计方面展现出了优势。首先对材料科学中的机器学习和高熵合金两个领域做了简述,介绍了近年利用机器学习辅助高熵合金设计的典型研究成果。并对未来机器学习在高熵合金中的应用提出一些展望与建议。