集成学习在互联网借贷反欺诈中的应用研究

本文介绍了基于集成学习的互联网借贷反欺诈方法的研究。互联网借贷反欺诈是互联网金融领域中的一个重要研究方向,传统的互联网借贷反欺诈算法大多基于规则。本文主要使用了多种机器学习算法训练反欺诈模型,并结合模型原理与场景特点分析了各模型性能上的差异,给出一种适合借贷反欺诈问题的交叉特征加权的模型集成策略。     

基于信道状态信息的室内人数统计方法

针对传统人数统计方案存在侵犯隐私和成本难以控制无法大规模投入使用的问题,提出一种基于Wi-Fi信道状态信息CSI(channel state information)的幅度和相位作为特征的方法进行人数统计,采集3条交叉收发链路上CSI的幅度和相位数据,对数据进行预先平滑和去噪处理,同时使用幅度和相位提高人数统计的准确性和稳定性。在室内环境下进行实验,使用支持向量机(SVM)、神经网络(NN)和卷积神经网络(CNN)进行人数的统计分类并进行结果对比,对比结果表明,3种机器学习算法分别达到了94%、96%和88%的准确率。     

机器学习赋能的软件自适应性综述

软件系统自适应机制提供了应对动态变化的环境和不确定的需求的技术方案.在已有的软件系统自适应性的相关研究中，有一类工作将软件系统自适应性转换为回归、分类、聚类、决策等问题，并利用强化学习、神经网络/深度学习、贝叶斯决策理论和概率图模型、规则学习等进行问题建模，并以此构造软件系统自适应机制.本文通过系统化的文献调研，综述了机器学习赋能的软件系统自适应性的工作.首先介绍基本概念，然后从不同视角对当前工作进行分类；按被控系统、监测和控制过程、学习算法、学习赋能方式等方面进行分析，并讨论不同机器学习方法赋能的软件系统自适应性的切入点及其优势和不足；最后对未来研究进行展望.     

基于长短期记忆网络的矿工不安全行为研究

矿工不安全行为的出现是复杂的非线性动力过程,为预测不安全行为时间序列,选择具有"记忆"功能和解决梯度消失问题的长短期记忆网络。使用TensorFlow下Keras搭建基于长短期记忆网络的不安全行为时间序列预测模型,使用A、B煤矿2年共3 405条不安全行为序列数据进行模型训练和测试,根据交叉验证集选择最优参数。实验结果表明:构建的4个时间序列预测模型最小的平均绝对误差为0.080 7,最大的平均绝对误差为0.333 5,能够很好预测煤矿未来一定时间段内的不安全行为。