快速近似计算Shapley值的归因解释方法

Shapley值归因解释方法虽然能更准确量化解释结果, 但过高的计算复杂度严重影响了该方法的实用性. 本文引入KD树重新整理待解释模型的预测数据, 通过在KD树上插入虚节点, 使之满足TreeSHAP算法的使用条件, 在此基础上提出了KDSHAP方法. 该方法解除了TreeSHAP算法仅能解释树结构模型的限制, 将该算法计算Shapley值的高效性放宽到对所有的黑盒模型的解释中, 同时保证了计算准确度. 通过实验对比分析, KDSHAP方法的可靠性, 以及在解释高维输入模型时的适用性.     

人工智能在移动通信中的应用

阐述移动通信技术的特点和应用状况，通信网络的优化框架，网络智能优化中的机器学习算法分析，完善后台监控系统，建立软件平台提高服务质量，形成安全的网络环境，保证高效运行。     

机器学习理论的超光谱遥感图像无损压缩

针对一般超光谱遥感图像的压缩方法无法同时实现图像信息缩减和图像完整性的问题，提出一种机器学习理论的超光谱遥感图像无损压缩方法。利用机器学习中的聚类算法进行第一次压缩，减少超光谱遥感图像中的冗余波段光谱，并降低图像维度；再利用机器学习中的人工神经网络进行第二次压缩，将不同图像子块送入不同压缩率的神经元当中，通过隐含层自主完成图像压缩编码。通过与四种一般压缩方法的对比验证，本方法图像压缩后，图像压缩率更小，图像分辨率和信息熵更高，既有效地减少了图像信息量，能够保留有效关键信息，达到了图像信息缩减和图像完整性的双重目标。     

智能数据分区与布局研究

大数据时代,数据规模庞大,由数据进行驱动的应用分析场景日益增多.如何快速、高效地从这些海量数据中提取出用以分析决策的信息,给数据库系统带来重大挑战.同时,现代商业分析决策对分析数据的实时性要求数据库系统能够同时快速处理ACID事务和复杂的分析查询.然而,传统的数据分区粒度太粗,且不能适应动态变化的复杂分析负载;传统的数据布局单一,不能应对现代大量增加的混合事务分析应用场景.为了解决以上问题,“智能数据分区与布局”成为当前的研究热点之一,它通过数据挖掘、机器学习等技术抽取工作负载的有效特征,设计最佳的分区策略来避免扫描大量不相关的数据,指导布局结构设计以适应不同类型的工作负载.首先介绍了智能数据分区与布局的相关背景知识,然后对智能数据分区与布局技术的研究动机、发展趋势、关键技术进行详细的阐述.最后,对智能数据分区与布局技术的研究前景做出总结与展望.     

基于RandomForest分类方法的购买预测研究

本文针对银行客户,提出一种基于RandomForest的银行客户分类模型,通过基于RandomForest的分类方法对银行客户已存在数据进行处理,并应用labelencoder对数据进行预处理从而提高分类精确度,得到客户对产品是否具有购买倾向.结合了RandomForest的分类能力和labelencoder量化数据能力,使用葡萄牙银行机构数据进行验证,实验结果表明本文提出的客户购买预测模型精度更高.     

基于Stacking集成算法的岩爆等级预测研究

岩爆是地下工程面临的一个巨大灾害，岩爆预测可以降低岩爆带来的危害。机器学习是岩爆预测方法的研究热点和发展方向，但现阶段各机器学习算法表现不同，并且相互独立工作，没有融合，不能优势互补，导致各机器学习算法的准确率、泛化性和稳定性较低。本文采用Stacking集成算法，融合现阶段使用较多的8个机器学习算法(4个集成算法和4个基本算法)，充分发挥各算法的优势，实现优势互补；为保证新特征信息具有多样性，结合各种机器学习算法的原理和岩爆样本库的特点，提出3组考虑多个岩爆预测指标的Stacking集成算法，每组算法拥有不同基模型和多个元模型，解决了传统Stacking集成算法接受特征信息受限和元模型选择困难的难题。对比分析各组Stacking集成算法与独立算法的准确率、精确率、召回率和F1值，结果表明构建的Stacking集成算法可以有效融合各机器学习算法，预测性能显著提升。在3组Stacking集成算法中，Stacking集成算法二的基模型由Random Forest Classifier,Extra Trees Classifier,Gradient Boosting Classifier和L...     

基于机器学习方法的油井日产油量预测

油藏数值模拟是进行油田产量预测最为常用的方法，但其准确性建立在精确的地质模型和较高质量的历史拟合基础之上。为了克服数值模拟计算耗时长、成本高和所需数据资料多等缺点，建立了一种利用机器学习方法，根据现场广泛易得的油藏静态资料和开发动态参数实现油井日产油量的快速准确预测。传统的BP神经网络无法准确描述产量变化在时间维度上的相关性，因而基于长短期记忆神经网络(LSTM)，建立能够考虑生产动态数据变化趋势和前后关联性的产量预测模型，是实现油井日产油量预测更为有效的途径。首先根据平均不纯度减少(MDI)方法，分析各个因素对单井产量的影响程度，基于特征参数的重要性进行数据降维，排除不相关的冗余特征，确定影响油井产量的主要因素。结合筛选出的特征参数和日产油量数据对LSTM模型进行训练和优化，建立最终的油井产量预测模型。利用实际油田数据对建立的模型进行验证和应用效果评价，结果表明基于LSTM模型的产量预测值与实际值高度一致，能准确反映产量的动态变化规律，为油井产量预测提供了一种新的方法。     

智能变电站设备管控大数据分析系统研究

结合数据挖掘、大数据技术在电力系统中的应用现状，分析和设计了一种智能变电站设备管控大数据分析系统。对变电站设备运行状态的大数据特征及基本框架进行了分析，并重点阐述了变电站设备运行状态大数据分析系统的数据集成与预处理、数据存储与处理、设备状态评估模型以及数据可视化展示。实验结果表明，所设计的大数据分析系统能够大幅度提升变电站设备数据分析智能化水平，为变电站管控稳定运行提供更加有效和实用性的技术支撑。