基于多尺度卷积神经网络的玻璃表面缺陷检测方法

卷积神经网络在图像处理中的应用越来越广泛,针对图像处理技术手段在玻璃生产表面缺陷有效检验,分析了基于卷积神经网络的机器学习原理与方法,提出一种基于多尺度卷积神经网络(MCNN)图像识别模型,将MCNN模型在玻璃表面缺陷识别中进行应用实践研究,通过采用不同的算法模型和分类器进行对比实验,并运用混淆矩阵和F1值来评估学习器性能。实验结果表明,所设计的MCNN均比传统卷积神经网络(CNN)识别方法的准确率较高,尤其是在划痕缺陷和杂质缺陷图像的识别准确率上提高了较大的幅度,F1值均提高了5.0%以上,在玻璃缺陷检测的整体识别准确率上较优。     

新一代机器学习技术在大规模光伏系统无人机智能运维中的应用*

光伏产业发展日新月异,其运维工作已成为制约光伏产业发展的核心因素.将无人机应用在大规模光伏发电系统的运维工作中,并融合机器学习技术,有利于提高发电企业的生产效益.从实际应用层面,针对现阶段存在的技术难题,探讨了新一代机器学习技术在无人机智能运维中的应用,对未来大规模光伏发电系统的运维工作,提供了一些新思路.     

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。     

首个使用偏振的超快光处理器面世 计算密度比电子芯片高几个数量级北大核心

英国牛津大学研究人员开发了一种使用光的偏振来实现最大化信息存储密度的设备。新研究使用多个偏振通道展开了并行处理,计算密度比传统电子芯片提高了几个数量级。自1958年第一块集成电路发明以来,将更多晶体管封装到特定尺寸的电子芯片中,一直是实现最大化计算密度的首选方法。然而,人工智能和机器学习需要专门的硬件突破现有计算的界限,因此电子工程领域面临的主要问题是如何将更多功能打包到单个晶体管中。     

蜂窝网络自组织研究及展望

自组织网络技术是提高蜂窝网络运行效率、降低运营成本的重要工具,已作为基本功能在4G标准化初始版本获得引入并得到不断发展。在复杂度更高的5G网络中实现网络自动化管理的需求将进一步增强。回顾了蜂窝网络自组织技术的基本概念、分类和主要用例,分析了主要研究方法;总结了学术界、标准化组织及研究机构的研究进展,重点介绍了基于机器学习的最新研究成果;调查了工程应用现状,分析了自组织网络面临的主要挑战,同时指出了新的研究方向。     

基于机器学习的用户实体行为分析技术在账号异常检测中的应用

伴随企业业务的不断扩增和电子化发展,企业自身数据和负载数据都开始暴增。然而,作为企业核心资产之一的内部数据,却面临着日益严峻的安全威胁。越来越多以周期长、频率低、隐蔽强为典型特征的非明显攻击绕过传统安全检测方法,对大量数据造成损毁。当前,用户实体行为分析(User and Entity Behavior Analytics,UEBA)系统正作为一种新兴的异常用户检测体系在逐步颠覆传统防御手段,开启网络安全保卫从“被动防御”到“主动出击”的新篇章。因此,将主要介绍UEBA在企业异常用户检测中的应用情况。首先,通过用户、实体、行为三要素的关联,整合可以反映用户行为基线的各类数据;其次,定义4类特征提取维度,有效提取几十种最能反映用户异常的基础特征;再次,将3种异常检测算法通过集成学习方法用于异常用户建模;最后,通过异常打分,定位异常风险最大的一批用户。在实践中,对排名前10的异常用户进行排查,证明安恒信息的UEBA落地方式在异常用户检测中极其高效。