基于贝叶斯网高效推理的半导体生产故障预测

文章通过搜集半导体晶元数据生产集,建立贝叶斯网,运用python对海量数据进行训练。依据训练数据进行分析,生成全面的半导体生产故障概率参考数据;并依据故障率分析结果与实时数据进行比对,实现高效的生产故障预测。通过对输入的半导体晶元数据生产集进行不断更新与学习,实现了对生产故障的精准预测,并可据此采取针对性的质量改进与预防性措施,提升生产的安全性。     

电信运营商网络运维智能化的应用思路与实践

当前电信运营商网络运维工作主要依赖于维护人员定期执行维护操作,存在管理盲区、效率低下的问题。文章介绍如何应用人工智能技术解决该问题的方案。一是将自然语言处理相关技术应用于故障调度中,用以解决故障调度效率问题;二是将机器学习应用于网络拥塞控制预防及路径统筹优化中,通过预设特定的约束条件,可自动对拥塞业务路径做出调整;三是将计算机视觉相应技术应用于机房管理中,可有效解决人工巡检不及时,施工人员权限难管理的问题;四是利用机器学习算法,对网络关键指标的变化趋势进行自动检测,快速发现指标异常变动。文章认为智能化手段能为传统运维工作带来革命,应予以大力推广。     

虚假商品评论识别的研究与进展

受经济利益驱使,大量恶意用户发布包含不实内容的虚假评论以影响用户的购买决策,从而提高自身商品的销售业绩并打压竞争对手,严重扰乱电子商务运营秩序。为此,介绍虚假评论识别的研究成果,包括虚假评论内容、发布者及虚假评论者群组的识别,对识别过程所使用的特征及检测方法进行对比分析,并给出虚假评论识别效果的评价方式和指标。在此基础上,对未来虚假评论识别研究工作进行探讨和展望。     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模，提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子，改进了粒子群优化(PSO)算法，进而通过改进的PSO算法对BP神经网络进行优化，构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象，将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本，实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%，与未优化的BP神经网络等传统模型相比，预测精度最大提高了18.5%，计算时间可从1.5 h缩短至300 s，同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

智能变电站设备管控大数据分析系统研究

结合数据挖掘、大数据技术在电力系统中的应用现状，分析和设计了一种智能变电站设备管控大数据分析系统。对变电站设备运行状态的大数据特征及基本框架进行了分析，并重点阐述了变电站设备运行状态大数据分析系统的数据集成与预处理、数据存储与处理、设备状态评估模型以及数据可视化展示。实验结果表明，所设计的大数据分析系统能够大幅度提升变电站设备数据分析智能化水平，为变电站管控稳定运行提供更加有效和实用性的技术支撑。     

基于Adaboost集成模型的城市短期供水量预测方法

为解决供水量预测精度问题,以上海市中心城区历史用水数据为基础,结合影响水量供给的多种因子,利用特征工程相关算法筛选出最优因子组合,采用基于机器学习Adaboost集成模型构建城市供水量预测模型。研究发现:与该市传统的依赖于人工的预测方法相比,日水量模型使预测误差上限由平均10万t/d降低到7万t/d,平均相对误差降低为1.5%;时水量模型使预测误差上限由平均1.5万t/h降低到0.4万t/h,平均相对误差降低为1.9%。同时,与其他的机器学习模型相比,此模型有效可行,能够提高供水量预测精度,降低能耗成本。     

神经网络全局势函数在多相催化中的应用

当今的多相催化研究需要新的技术和方法从原子尺度上表征活性中心结构和反应中间体。本文作者课题组近期开发了理论模拟新技术来探索催化剂活性位点结构，即基于神经网络势函数的大规模原子模拟（LASP）软件中实现的全局神经网络势函数计算方法。本文介绍了该方法可以显著降低催化体系的计算代价，而维持与密度泛函理论同一级别的计算精度，从而解决多相催化中的许多复杂问题。本文对神经网络势函数方法的实现细节和目前已实现的应用场景进行了详细介绍。神经网络势函数可以用来预测材料晶体结构，理解高压氢化条件下TiO₂表面的结构演化和确定三元氧化物ZnCrO晶相中合成气制甲醇活性位点。最后文章分析了神经网络势函数的局限性和今后可能的三个研究方向，即材料性质预测、多元素体系神经网络势函数构造和化学反应拟合。