基于大数据分析技术的数据安全与机器学习研究

随着新技术和新需求以及新应用场景的出现,大数据分析技术的应用愈发广泛,同时基于大数据分析技术的数据安全也面临更多新的挑战。本文首先分析了数据安全在大数据中的重要性,并从大数据分析技术与机器学习之间的关系、基于大数据分析技术的机器学习具体应用两个方面对基于大数据分析技术的机器学习的运用原理展开分析,希望为从业者提供一定的参考。     

基于对称双通道脑电信号的注意力检测

注意力不能集中是一种注意力障碍,该现象普遍存在于青少年中,这直接影响人们的学习和工作效率.传统的注意力检测方法大多依赖对表情、姿势等行为的观察,难以客观精准地反映注意力情况.随着生理检测技术的迅猛发展,基于脑电信号的注意力检测近年来受到极大的关注.然而,相关研究仍存在检测准确率不高的问题.本研究收集了155位大学生在注意力集中、注意力非集中和放松3种状态下的脑电信号,并基于信号的小波特征、微分熵特征及功率谱特征,采用多种机器学习方法对3种注意力状态进行了识别.结果表明,脑电信号的小波特征,微分熵特征及功率谱特征可以有效区分被试的注意力状态,且基于对称双通道特征的平均准确率为(80.84±3)%,其检测精度明显高于基于单通道特征的检测精度.     

社交媒体文本数据的抑郁症检测研究综述

近年来,机器学习被逐渐运用到基于社交媒体文本数据的抑郁症检测中并凸显重要应用价值。为梳理其应用现状和发展方向,对用于抑郁症检测的社交媒体文本数据集、数据预处理和机器学习方法进行整理分类。在数据特征表示方面,对比分析了基础特征表示、静态词嵌入和语境词嵌入。全面分析了利用不同基础特征和不同算法类型的传统机器学习以及深度学习进行抑郁症检测的性能和特点。总结并建议未来在中文数据集的创建、模型的可解释性、基于隐喻的检测和轻量级预训练模型方面做进一步的探索。     

音乐信息检索下的乐器识别综述

高效精准的乐器识别技术可以有效地推动声源分离、音乐识谱、音乐流派分类等研究的深入发展,可广泛应用于播放列表生成、声学环境分类、乐器智能教学和交互式多媒体等众多领域。近年来,随着乐器识别研究的不断推进,乐器识别系统在性能上有了大幅提高,但依旧存在着部分乐器难以识别、乐器音频特征提取较为困难、复音乐器识别精准度较低等诸多问题,如何借助人工智能技术对乐器进行高效精准的识别成为当前研究的热点和难点。针对当前研究现状,从乐器识别常用音频特征、乐器识别模型及方法和常用数据集三个方面进行综述,并对当前研究中存在的局限性和未来发展趋势进行总结,为乐器识别研究提供一定的借鉴参考。     

直流特高压带电线路近电安全感应预警监控系统设计

传统直流特高压带电线路中,安全感应预警监控系统存在的监测数据难以实时上传,通信不流畅、数据采集误差大,针对该问题,设计了一种基于MPPT监测的监控系统,能够将直流特高压带电线路中信息提取功率导向存储装置,并通过两个控制模块和实时监控装置,加强监控系统的监测能力,大大提高了监测效率与实时数据传输能力。同时构建了机器人学习算法的GEN算法,对预警机制进行改进,提高了预警能力,也提高了数据处理效率,增强了数据适应性,通过仿真实验,所设计的硬件在安全数据监控时,监控率最高可达94.01%。     

道路交通网络节点分配优化策略研究进展

为了进一步提高城市道路交通网络的通行效率,粒子群优化和神经网络等多种智能优化算法受到越来越多的关注。近年来,深度学习技术的普及与应用大幅提升了城市交通网络的节点识别效率,而交通网络的节点调度又扩展了深度学习技术的应用。文中详细分析了交通节点调度所面临的关键问题,归纳并总结了相关网络节点分配的研究现状。在此基础上,深入研讨了城市交通网络节点调度与深度学习的应用前景,并对交通网络节点分配优化策略的未来研究方向进行了展望。     

基于机器学习的FPGA电子设计自动化技术研究综述

随着后摩尔时代的来临,现场可编程门阵列(FPGA)凭借其灵活的重复可编程特性、开发成本低的特点,现已被广泛应用于物联网(IoTs)、5G通信、航空航天以及武器装备等各个领域。作为FPGA设计开发过程中所必备的手段,FPGA电子设计自动化(EDA)技术的研究在各界得到了广泛的关注。尤其是在机器学习方法的推动下,FPGA EDA工具的运行效率和结果质量(QoR)得到了很大的提升。该文首先对FPGA EDA技术与机器学习技术的概念内涵进行了简要概述,随后综述了机器学习技术在FPGA EDA高层次综合(HLS)、逻辑综合、布局与布线等各个不同阶段应用的研究现状。最后,对基于机器学习的FPGA EDA技术的发展进行了展望。以期为本领域及相关领域的专家和学者提供参考,为后摩尔时代我国集成电路产业的发展提供技术支持。     

情景感知驱动的移动对象多模式轨迹预测技术综述

如何利用多源异构时空数据进行准确的轨迹预测并且反映移动对象的移动特性是轨迹预测领域的核心问题.现有的大多数轨迹预测方法是长序列轨迹模式预测模型,根据历史轨迹的特点进行预测,或将当前移动对象的轨迹位置放入时空语义场景根据历史移动对象轨迹预测位置.综述当前常用的轨迹预测模型和算法,涉及不同的研究领域.首先,阐述了多模式轨迹预测的主流工作,轨迹预测的基本模型类;其次,对不同类的预测模型进行总结,包括数学统计类、机器学习类、滤波算法,以及上述领域具有代表性的算法;再次,对情景感知技术进行了介绍,描述了不同领域的学者对情景感知的定义,阐述了情景感知技术所包含的关键技术点,诸如情景感知计算、情景获取和情景推理的不同类模型,分析了情景感知的不同分类、过滤、存储和融合以及它们的实现方法等.详细介绍了情景感知驱动的轨迹预测模型技术路线及各阶段任务的工作原理.给出了情景感知技术在真实场景中的应用,包括位置推荐,兴趣点推荐等,通过与传统算法对比,分析情景感知技术在此类应用中的优劣.详细介绍了情景感知结合LSTM (long short-term memory)技术应用于行人轨迹预测领域的新方法.最后,总结了...     

基于K Framework的向量化机器学习指令语义形式化

ARM针对ARMv8.1-M微处理器架构推出基于M-Profile向量化扩展方案的技术,并命名为ARM Helium,声明能为ARM Cortex-M处理器提升达15倍的机器学习性能.随着物联网的高速发展,微处理器指令执行正确性尤为重要.指令集的官方手册作为芯片模拟程序,片上应用程序开发的依据,是程序正确性基本保障.主要介绍利用可执行语义框架K Framework对ARMv8.1-M官方参考手册中向量化机器学习指令的语义正确性研究.基于ARMv8.1-M的官方参考手册自动提取指令集中描述向量化机器学习指令执行过程的伪代码,并将其转换为形式化语义转换规则.通过K Framework提供的可执行框架利用测试用例,验证机器学习指令算数运算执行的正确性.     

基于宽度学习系统的短期电力负荷预测方法研究

电力负荷预测已成为电力调度的一项重要工作,也是评估电力企业是否实现现代化的重要指标之一。精准可靠的电力负荷预测数据对合理安排电力企业发电机组启停、降低电力损失、保障社会用电安全和提高电力企业经济效益等方面具有重要意义。短期电力负荷预测是针对短期负荷变化、甚至实时负荷变化,但由于短期负荷变化较为突然,预测难度大。为了提高短期电力负荷预测精确度,本文提出了一种基于宽度学习系统的短期电力负荷预测方法,通过采用邻域粗糙集分类算法,对输入参数进行特征提取,然后采用宽度学习系统对电力负荷历史数据进行离线训练,利用已训练完成的模型实现24h短期负荷预测。研究结果表明,使用本方法可以有效降低MAPE和RMSE,也有效减少了训练时间,提高了模型训练速度,具有优异的预测能力。