基于LSTM的发电机组污染物排放预测研究

为了利用电力公司积累的海量历史污染物排放数据,形成可以减少污染物排放的调度框架。采用递归神经网络,结合发电机组输出功率与污染物排放量之间的关系,并使用批规范化等深度学习技术,对数据和模型进行学习和训练。实验结果表明,可以有效预测发电机组污染物排放量,解决传统回归分析方法无法适用的难以提取有效特征的问题。     

贝叶斯网络分类器结构与变量分布的差异性分析

为了提高鉴别式学习策略训练的贝叶斯网络分类器的分类精度,分析了贝叶斯网络结构与数据中变量分布之间的差异对贝叶斯网络分类器性能的影响,实验以网络结构的实际联合概率分布的树型近似描述为基准,删除在条件对数似然函数极大化过程中不起作用的边,生成具有同一联合概率分布的不同描述程度的网络结构.实验结果表明,只有当网络结构表现力不足时,鉴别式参数学习才能起积极作用;而当网络结构中有多余的边时,反而容易受其制约.从而验证了网络中多余的边对分类器性能没有影响的观点是片面的.     

一种基于支持向量机的角点检测算法

支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测.首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本.构造支持向最机,最后利用...     

软件故障度量方法

从可用估量和预测模型两个方面,总结了软件故障预测方法,可用估量包括方法层、类层、构层、文件层以及过程层估量,预测模型分为机器学习和统计方法两类。     

基于YOLOv4及其变体的白车身焊点外观检测

白车身焊点的质量直接影响汽车的牢固度和安全性,而其检测目前以人工目测为主,其检测效率和检测质量都不足以满足汽车产业发展的要求.基于YOLOv4网络模型对白车身焊点的外观分类做深度学习并成功实现了焊点的识别与分类.并针对焊点图像的特点对YOLOv4模型进行了变体开发,提出一种针对小目标的、快速运算的YOLOv4变体.首先收集了大量白车身焊点图像,根据车身焊点外观质量要求对图像进行了分类,输入YOLOv4网络模型作为训练样本,使目标检测准确性指标mAP值达到97.29％.其次,根据焊点小目标、图像特征单一等特点去除了SPP模块和最后一个下采样层,结果发现,改进后的模型不仅可以保证较高的目标检测精度,且运算效率提高了2.9％,同时参数数量减少17.6％.研究证明,基于变体YOLOv4深度学习框架的焊点外观检测方法,不仅可以实现焊点目标的检测及缺陷分类,且参数量更少,计算速度更快,本研究有助于白车身制造智能化水平与焊接质量的提高.     

基于自动机器学习的不平衡故障诊断方法

为了提升故障诊断模型在数据不平衡场景下的性能,提出一种基于贝叶斯优化的自动不平衡故障诊断方法.首先,构建了一种分层多模型的参数空间,探索重采样和分类器的算法组合选择和超参数优化;然后,使用基于树形结构Parzen估计器(TPE)的贝叶斯优化器进行模型的训练与优化,得到参数空间中最优的算法组合和超参数配置;最后使用最优配置模型在测试集上进行结果评估.将所提方法应用于UCI(university of California Irvine)不平衡标准数据集和滚动轴承数据集.实验通过设置多个不平衡比,对优化后的模型分类效果进行检验,并与传统的随机搜索方法进行对比.结果表明,所提方法更好地提升了模型在不平衡故障数据上的分类能力,且优化过程更加高效.     

基于支持向量机增量学习的电力系统暂态稳定评估

基于传统支持向量机的暂态稳定评估模型,通常将所有的学习样本同时参与学习,如果有新样本加入,则需要对所有样本重新学习.针对传统暂态稳定评估模型不能在线更新的不足,提出了一种支持向量机增量学习的暂态稳定评估方法.该方法利用一种快速支持向量机增量学习方法,构造递归解法将新数据增加到解中,并对模型更新前的训练数据保持Karus...     

“微”言大义

正Searchmee:"互联网化"的技术核心是虚拟化、云化、自动化、服务化,需要将IT做更多的"减法",而在战略布局上需要拥有更多的"入口意识"、"开放意识"和"数据意识"。如果能够将这些精髓重构IT,推动企业转型,这些传统的IT企业就有可能抢占到下一个制高点的机会。@Searchmee:互联网世界的技术创新、经济模式和人的行为模式,正在深刻地影响着物理世界。随着移动互联、大数据、云计算、机器学习和传感技术的快速发展,互联网商业模式和思维模式、互联网的消费心理和习惯,席卷了零售、物流、娱乐、制造、金融等行业,并将波及所有行业。虚实两个世界的界限会更加模糊,乃至交融。     

机器学习理论在入侵检测技术中的应用研究

入侵检测系统是主动保障网络信息安全的重要方法。本文针对大规模、高带宽网络环境下,入侵检测技术存在的不足,提出将机器学习理论应用到入侵检测系统中。文章简要介绍几种适合用于入侵检测系统中的机器学习算法,并建立基于机器学习理论的入侵检测系统框架。利用机器学习的算法不仅能检测到一些已知的攻击,还可以通过自我学习检测到未知的攻击。     

Combining User-Based and Item-Based Models for Collaborative Filtering Using Stacked Regression

Collaborative filtering can be classified into user-based or item-based methods according to different assumptions. Our experiment results show that both userbased and item-based methods can reach a certain degree of accuracy, but the recommendation coverage of these two methods is significantly different. This paper qualitatively analyzes the advantages and disadvantages of such two methods~ and found that user-based methods advantage in recommending popular items while item-based methods perform better at suggesting long tail items. Based on this analysis~ we proposes a novel machine learning framework to systematically combine both. We train a model for each user-item pair for discovering the local preference of the user or item over both methods, and effectively combine user-based and item-based predictions using the preference information. Experiment results show that our approach can significantly improve the recommendation quality, and to a certain extend, alleviate the data sparsity problem.