浅谈深度学习

深度学习是机器学习研究中一个新的领域,它是机器学习中神经网络的发展。深度学习的主要目的在于模拟人脑进行分析与学习,希望计算机也能像人脑一样会学习。本文首先介绍深度学习产生的原因,然后分析深度学习产生的理论依据。之后简单介绍深度学习训练深层神经网络的基本过程,最后总结当前存在的问题以及发展的方向。     

数据挖掘

数据挖掘属于大数据范畴研究的热点问题，是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式。帮助决策者调整市场策略,减少风险，做出正确的决策。     

基于机器学习的防盗防丢智能口袋设计

针对日常生活中的偷盗行为如何防治,采用无线通信设备的腕式传感器和主体科拆卸智能口袋进行了巧妙的结合。运用不同模块信息采集以及综合分析方式,获得口袋内物品突然丢失的报警功能实现。其目的是为了公民的财产获得安全保护的同时,让产品具有一定的市场开发价值。     

面向机器学习的成员推理攻击综述

随着机器学习的不断发展，特别是在深度学习领域，人工智能已经融入到人们日常生活的方方面面。机器学习模型被部署到多种场景的应用中，提升了传统应用的智能化水平。然而，近年来的研究指出，用于训练机器学习模型的个人数据时常面临隐私泄露的风险。其中，成员推理攻击就是针对机器学习模型威胁用户隐私安全的一种非常重要的攻击方式。成员推理攻击的目的是判断用户数据样本是否被用于训练目标模型(如在医疗、金融等领域的用户数据),从而直接干涉到用户隐私信息。首先介绍了成员推理攻击的相关背景知识，随后对现有的成员推理攻击按照攻击者是否拥有影子模型进行分类，并对成员推理攻击在不同领域的威胁进行了相应的总结。其次，介绍了应对成员推理攻击的防御手段，对现有的防御机制按照模型过拟合、基于模型压缩和基于扰动等策略进行分类和总结。最后，对现有的成员推理攻击和防御机制的优缺点进行了分析，并提出了成员推理攻击的一些潜在的研究方向。     

基于决策树的手写数字识别的应用研究

随着信息化技术的迅速发展,社会各个行业对信息化技术的依赖与日俱深,其中一个重要的场景就是将用户的手写信息识别到计算机系统中,而在这一场景中一个常见识别内容就是识别手写数字。传统方法难以准确识别手写数字,深度学习则计算量较大,因此提出使用机器学习中决策树模型来分析手写数字。实验结果表明,所提方法能在保持计算量较小的前提下精确、快速地识别出各种手写数字,可作为手写数字的有效识别手段。     

线性B细胞表位预测的生物信息学资源和工具的研究进展

B细胞表位鉴定是表位疫苗、免疫诊断试剂和治疗抗体研发的关键。表位的实验鉴定方法成本高,且费时费力;生物信息学方法为B细胞表位的筛选鉴定提供了一条经济、快速的技术路线。近10年来,线性B细胞表位预测的计算方法及相关数据库得到较快发展,但总体预测表现尚不能令人十分满意。本文就线性B细胞表位预测的生物信息学资源和工具的最新进展作一综述,并指出该领域当前存在的主要问题以及未来改进和发展的方向。     

基于机器学习的网络异常流量检测研究

异常流量检测需要在海量的数据流中检测出网络流量异常,传统的异常流量检测无法自学习和自演进,在复杂、多变的网络环境下面临巨大挑战。机器学习的方法在完成异常流量检测的同时,可以不断地对新的异常流量进行标记和学习,不断地完善异常流量检测系统,提高异常流量检测系统的准确度,并可对未知的异常进行预测与分类。文章对基于机器学习的网络异常流量检测进行分析和比较,包括监督学习、非监督学习、半监督学习下的异常流量检测,指出了基于机器学习的异常流量检测技术的未来发展方向。     

基于机器学习的音频分类

为施行有效的音频分类以高效率处理日渐复杂的音频信息,研究采用包含多种神经网络在内的5种机器学习模型,实现多种决策下的音频分类以寻找最优模型,基于分类准确度对各模型分类效果进行评估,在使用正则化方法保证模型泛化能力的条件下,通过比较和实验,挖掘并验证出了相对最优的模型——卷积神经网络音频分类模型及对应参数,为现有音频分类模型的进一步优化提供了参考方向。     

基于集成分类器的流量识别技术研究

本文提出的基于集成分类器的流量识别技术,由针对不同网络应用的基分类器构成,不同基分类器的判断汇总到决策模块输出最终结果,具有良好的可扩展性,便于增添针对新应用的识别模块;在每个基分类器内部,网络流量首先经过聚类形成若干个簇,在每个簇上单独训练一个分类器,分类器专注于学习簇内部的分类边界;通过增加聚类数量,可以提高集成分类的识别准确率。经实验表明,该技术可以提高单一分类方法的准确性。     

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。