偏标记学习研究综述

在弱监督信息条件下进行学习已成为机器学习领域的热点研究课题。偏标记学习作为一类重要的弱监督机器学习框架,适于多种实际应用问题的学习建模。在该框架下,每个对象在输入空间由单个示例(属性向量)进行刻画,而在输出空间与一组候选标记相关联,其中仅有一个为其真实标记。本文将对偏标记学习的研究现状进行综述,首先给出该学习框架的定义以及与相关学习框架的区别与联系,然后重点介绍几种典型的偏标记学习算法以及作者在该方面的初步工作,最后对偏标记学习进一步的研究方向进行简要讨论。     

基于弱监督ECOC算法的肺结节辅助检测

肺结节的准确分类与识别是计算机辅助诊断系统在肺癌诊断领域应用的关键,同时也面临巨大的挑战。该技术不仅在特征表示、样本标记等方面存在发展的瓶颈,而且目前缺少准确、有效的分类识别算法。本文提出了一种结合弱监督纠错输出编码（Error correcting output codes, ECOC）算法和肺结节形状特征表达的肺结节多分类算法。为了提高分类识别的准确率,本文对肺结节的形状特征进行了详细的分析,并提出了一系列准确的形状特征描述向量。在分类识别阶段,算法训练学习了利用专家对肺结节标记信息标记的少量样本,并生成二类分类器,获得编码矩阵。最后,通过计算测试样本编码和编码矩阵每一行的汉明距离,确定样本所属类别。实验结果表明,本文方法能够获得更加准确的分类结果。     

基于回归特征分析的BPSK信号盲处理结果可信性评估

针对二相编码（Binary phase shift k eying,BPSK）信号盲处理过程中信号调制方式识别及参数估计的可信性评估问题,提出了一种 基于线性回归特征分析的处理方法。根据特定处理结果建立参考信号,并将参考信号与原始 观测信号进行相关累加取模值,在分析相关累加模值曲线在原序与升序两种不同情形下线性回归 差异的基础上,分别定义了排序回归系数及分段回归符号两大特征,用以判别BPSK信号盲处 理结果的可信性。计算机仿真结果表明,在低信噪比、缺乏信号先验信息的条件下,本算法 可对BPSK信号盲处理结果的可信性进行有效检验。     

起重机保护接地检验检测研究

随着起重机使用范围的不断扩大,起重器使用过程的安全问题受到了国家的高度重视。由于起重机的相关配置中电气设备的容量较大,必须严格按照相关规定进行起重机保护接地检验检测,才能有效避免起重机出现电击情况,从而保障企业的正常生产。本文就起重机保护接地的组成结构进行阐述,提出起重机保护接地的检验内容和检测手段,以有效提高起重机的检验检测质量。     

曳引式家用电梯安全检验实践中问题分析

随着电梯市场的不断细分,原有的电梯品种已经不能够满足市场的需求,越来越多的家庭住宅对安装电梯的需求攀升,并不断向着噪声低、能耗低与空间占用率低的方向不断发展。曳引式家用电梯的出现更好地满足了私人用户的需求,有着非常良好的市场前景。因此,曳引式家用电梯的安全问题也非常重要。     

探讨船舶轮机检验常见缺陷的问题及措施

船舶是水上交通运输必不可少的交通工具,发挥着水上航运的作用,其中轮机是船舶系统内部最重要的动力系统,船舶轮机系统的性能特征与技术水平都将影响着船舶的运转效果,然而,在船舶实际的运转过程中,轮机检验中会有一些常见的缺陷问题。本文分析了这些故障问题,并对应提出了科学的解决对策。     

浅析供电企业如何高效开展用电检查工作

本文立足于用电检查管理的重要性,从主观以及客观两个方面分析了在用电检查管理过程中存在的一些问题,并针对这些问题提出对提高用电管理效率的建议。     

探讨电梯中井道顶部空间的检验

随着高楼大厦拔地而起,电梯在人们日常生活中应用日益增加,成为上下楼的交通工具,电梯的安全问题对于乘客的生命安全至关重要。电梯检验越来越重要,电梯井道顶部的安全空间检验是一直是电梯检验的重要部分,井道空间检验在检查中往往被忽略,本文通过对电梯中井道顶部空间的要求描述,检验方法分析,探讨电梯的井道顶部空间检验,为电梯安全运行提供帮助。     

基于极限学习机的出口食品加工企业检验检疫信用评价研究

为全面有效地掌握及整合企业信用信息,国家质检总局建立了一套进出口企业信用管理系统,制定了企业信用管理办法及评价标准.文章在分析出口食品加工企业检验检疫信用评价指标体系的基础上,建立了一种基于极限学习机的检验检疫信用评价模型.实验结果证明,该模型可有效预测企业信用等级,仅需预先确定隐含层神经元数目而无需设置其他参数,减少了人为干扰因素,可为检验检疫信用评价管理提供参考.     

基于Tri-Training的事件关系分类方法研究

事件关系分类是一项研究事件之间存在何种逻辑关系的自然语言处理技术。针对事件关系分类任务中训练语料不足的问题,提出了基于Tri-Training的事件关系分类方法。该方法首先根据已标注的语料训练三个不同的分类器,以多数投票的方式从未标注集中抽取置信度较高的样本对训练集进行扩充,然后利用新的训练集重新训练分类器,反复迭代,不断完善分类模型,最终达到提升事件关系分类性能的目的。实验结果表明,以F1值为评价标准,基于Tri-Training的事件关系分类方法在四大类事件关系上的分类性能为64.36%。