因果图中连接强度学习算法研究

给出了如何利用已知数据集,在因果图结构已知的条件下学习或估计出连接强度的方法,包括完备数据情形.采用贝叶斯方法,利用后验分布的数学期望学习因果图连接强度的条件期望估计法和不完备数据的类似期望最大化(EM)学习因果图连接强度的算法.并用实例验证了算法的有效性和可行性.     

机器学习在电力信息物理系统网络安全中的应用

随着信息化程度的不断深入,传统电力系统逐渐发展成为典型的信息物理系统(CPS).开放的信息系统环境使得电力系统的安全运行面临着各种潜在网络攻击的威胁.近年来,机器学习方法迅猛发展,并已广泛应用于电力CPS网络安全领域.一方面,电力CPS中数据的爆炸式增长以及硬件运算能力的提升为机器学习的应用创造了良好条件;另一方面,相...     

基于MIMIC与机器学习的出租车驾驶员交通事故诱因分析

通过调查问卷收集2391名出租车驾驶员个体属性、身体疲劳感知、工作压力、风险驾驶行为和交通事故经历的相关信息。运用多指标多原因（MIMIC）模型进行路径分析,探究身体疲劳感知、风险驾驶行为对交通事故的诱发效应,验证性别、年龄、工作压力的原因变量对身体疲劳感知、分心驾驶行为的影响作用。选取逻辑回归、朴素贝叶斯、支持向量机、随机森林4种机器学习算法对出租车事故进行预测。结果表明：身体疲劳感知、过失性驾驶行为、激进性驾驶行为与分心驾驶行为的提高能够导致事故率的提高,性别、年龄、工作压力会对身体疲劳感知与分心驾驶行为的频次产生影响。基于机器学习的事故预测模型效果极佳,其中随机森林的预测效果最好,使用单一特征变量“风险驾驶行为”、“分心驾驶行为”、“身体疲劳感知”的预测精度尚可接受。当引入“工作压力”、“年龄”、“性别”的个人属性指标时,预测精度进一步提高。     

漏磁特征可视化及智能识别缺陷

利用ANSYS Maxwell建立了三维漏磁场有限元模型,分析了穿孔、平滑凹坑以及矩形凹槽三种缺陷的漏磁信号曲线并得到了仿真数据,通过漏磁仿真信号的变化,提取4个不同的特征值。采用T-SNE算法将漏磁特征降维可视化,研究了利用特征值区分缺陷类别的可行性。选用支持向量机(SVM),随机森林(Random Forest)以及梯度提升决策树(GBDT)三种机器学习方法对特征值进行学习以及分类识别,计算了不同算法的准确率,研究发现SVM较差,而GBDT准确率稍高。本文的研究结果为机器学习区分缺陷类别提供了参考。     

重叠局部高斯过程回归

高斯过程是一种函数的分布,在机器学习领域常用于回归.对于n个训练样本,其训练和预测时间复杂度分别为O(n~3)和O(n~2),因此难以应用于大规模数据.针对这个问题,本文基于分治的思想,提出一种简单高效的近似模型,称为"重叠局部高斯过程".本文方法假设随机变量在给定邻近变量的值后,会与距离较远的变量条件独立.首先将训练样本集递归划分,构建一棵三叉树,其中兄弟节点包含的样本存在交集,交集中的样本起到诱导点的作用,可构建相邻区域的依赖关系.然后利用每个叶子结点所包含的样本建立局部的高斯过程回归模型,在当前假设下,每个父节点的边缘似然和预测分布可通过组合其子节点的计算结果来近似,从而降低计算量.同时,这种组合方式可保证拟合的函数是连续的.理论分析表明,对于n个训练样本,近似模型训练和预测的时间复杂度均为O(n~t),其中t与交集的大小相关,通常介于1与2之间.此外通过在公共数据集上的实验对比也验证了本文近似模型的有效性.     

融合LightGBM和SHAP的井漏类型判断及主控因素分析

在塔里木盆地库车山前地区,盐膏层和目的层的地质条件复杂,钻井过程中面临许多挑战。这种复杂性导致井漏在钻井过程中频繁发生,带来巨大的经济损失。研究采用LightGBM算法建立了井漏判断模型,LightGBM模型判别性能较好,平均召回率为85%,精确率为91%,F1-Socre为86.7%。同时利用了基于SHAP值的可解释性机器学习技术分别针对单次井漏事件和所有井漏事件进行分析。SHAP值方法基于合作博弈理论,它将井漏事件的发生分解为不同特征的贡献值,以解释每个特征对于井漏事件的影响。研究发现,Δρ（钻井液密度与地层破裂压力当量钻井液密度的差值）、排量、井深和层位是导致井漏的主要影响因素。同时针对库车山前地区的盐膏层和目的层的地质情况,深入分析了层内地质影响和层间垂直分布影响。由此,现场工程师能够准确、快速地判断井漏类型,为防漏堵漏措施制定提供了有力支持。     

基于自适应网络的量子模糊推理系统

基于ANFIS与量子BP神经网络(QBP)提出了一种基于自适应网络的量子模糊推理系统(ANQFIS)。不同于ANFIS,ANQFIS以量子门旋转的方式将模糊规则强度与QBP相结合,最后以量子态的测量概率作为输出,QBP的加入使得模型的输出准确率更高,且凭借量子计算的速度优越性提升了模型的计算速度。根据梯度下降法,给出了该系统中参数的学习算法。在仿真实验中,分别使用低维数据和高维数据作为数据集来训练模型,使用攻击算法生成对抗样本进行测试,结果表明ANQFIS在输出准确率、鲁棒性方面优于ANFIS与QBP。     

烧结过程智能控制研究进展

烧结是钢铁生产流程的一道主要工序,智能化烧结是钢铁智能制造的重要组成部分。本文综述了近年来烧结过程智能控制方面的研究进展,重点介绍了烧结矿化学成分智能控制、过程状态智能控制、固体燃料消耗优化控制和关键工艺参数优化方面所取得的进步,同时从数学建模、过程控制、工艺参数优化方面探讨了烧结过程智能控制的研究方向。     

基于机器学习的网络流量异常检测

为了提高网络流量异常的检出率,研究基于机器学习的网络流量异常检测方法。先通过K-means聚类算法分别得到网络流量异常数据簇,再将其输入双向长短期记忆网络和注意力机制模型,实现网络流量异常检测。实验结果表明,所提方法实用性良好,可提升网络流量异常检测的性能。     

“机器学习+大数据”技术支持下的电气设备故障预警研究

随着科学技术的不断发展,机器学习、大数据、智能化等技术逐渐成熟,并开始在各行各业发挥出重要作用。在电气工程领域,电气设备故障十分常见,一旦出现此类故障,将会对企业的正常运行与发展造成严重影响。基于此,开展“机器学习+大数据”技术支持下的电气设备故障预警研究。结合相关科学理论知识,从尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法、特征提取两方面对“机器学习+大数据”技术支持下的电气设备故障预警策略进行了深入研究与分析,希望能够为现代电气设备故障预警工作提供一定理论支持。