血管紧张素转换酶抑制剂3D受体模型的研究

一种新型遗传算法ＰＡＲＭ对ＡＣＥ１类抗高血压药物进行了研究,得到了合理的计算结果和３Ｄ受体模型。给出了一个形如ｂｉｏａｃｔｉｖｉｔｙ＝Ａ＋ＢＥｉｎｔｅｒ 的线形ＱＳＡＲ方程,此方程物相关系数Ｒ＝０．８９５。带交叉验证的复相关系Ｒ＾２＝０．７３８,标准偏差Ｓ＝０．２３６。利用此模型对预报集分子也给出了好的     

基于机器学习的风险预测方法研究

预测是用科学的方法和手段时事物的发展趋势和未来状态进行估量的技术.为了弥补传统方法和技术的不足,各种机器学习技术越来越多地应用于预测的研究中.讨论了在风险预测这一特定领域,应用基于案例的推理(CBR,Case based Reasoning)、支持向量机(SVM,Support Vectot Machine)以及人工神经网络(ANN,Artificial Neural Network)等机器学习方法来进行预测的技术.同时,以我们的工作为基础,详细论述了在信贷风险预测和工程评标中基于机器学习预测模型的应用.     

基于相关向量机的机器学习算法研究与应用

介绍一种新的机器学习方法——相关向量机（Relevance Vector Machine）。相关向量机是一种新的基于贝叶斯统计学习理论的学习方法,与支持向量机（Support Vector Machine）的相比,可以有概率型输出、更稀疏和核函数选择更自由等优点。详细论述相关向量机的研究现况、理论基础及算法思想,并通过仿真实验说明该方法曲有效性,最后展望相关向量机的研究发展趋势,且提出相关向量机中仍需解决的关键问题。     

基于机器学习算法的高校学生就业去向预测

针对高校学生就业去向预测这一问题无法快速获取精准预测结果的缺陷,提出了机器学习算法的高校学生就业去向预测方法.采集身份信息、专业成绩等高校学生就业去向预测相关数据,将所采集数据通过数据清洗、数据规约以及处理缺失值、异常值3部分完成数据预处理,利用特征选择算法依据完成预处理的数据获取最优特征子集,利用最优特征子集建立高校...     

机器学习在股票预测中的应用综述

揭示股票市场运行规律一直是研究的热点，近些年机器学习方法在股票预测方面取得了不错的进展，相较于传统的基本面分析、技术分析等方法，显示了独特的优势。从股票预测研究的主要问题、特征工程和机器学习算法应用等三个方面，对近年来该领域的主要文献进行总结，并针对每种算法在应用中的特点与不足进行评述。围绕目前机器学习在股票预测上遇到的主要问题，从迁移学习、特征工程、深度学习模型融合等方面进行了深入的分析与展望。     

基于机器学习的Internet流量分类

提出了基于机器学习的Internet流量分类框架,研究了支持向量机(SVM)在权威流量数据集全部子集上的分类效果和特征选择对分类效果的影响.实验结果表明,SVM对流量分类问题具有较高的分类精度和稳定性,通过特征选择,可以有效降低数据的维数,并一定程度上提高分类的精度.     

机器学习的主要策略综述

当前人工智能研究的主要障碍和发展方向之一就是机器学习。机器学习与计算机科学、心理学、认知科学等各种学科都有着密切的联系,牵涉的面比较广,许多理论及技术上的问题尚处于研究之中。对机器学习的一些主要策略的基本思想进行了较全面的介绍,同时介绍了一些最新的进展和研究热点。     

基于机器学习的电影评分预测研究

本文依据电影是人们日常生活中重要的娱乐方式之一,用户在选择观看一部电影前,通常会想通过已观看过用户对电影的评分或是评论来了解这部电影的是否值得观看的需求.评分预测(rating prediction)在个性化推荐研究领域中可以被理解为:被用来作为预测用户对那些尚没有评价过的电影的评分的研究问题.本文工作首先对电影数据集...     

基于机器学习理论的软件可靠性预测研究

由于软件可靠性早期预测在测试前就能够使开发和测试的相关人员对软件的可靠性有一定的了解．所以对于软件如何进一步开发、测试和质量的控制都具有十分重要的作用。该文将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型。通过对比仿真实验,证实了此模型同传统模型相比具有预测精度更高、泛化能力更强、对样本数量的依赖程度更低的特点。     

基于支持向量机的机器学习IDS攻击样本的逼近代价分析

为了提高机器学习的能力,本文提出一种针基于支持向量机的机器学习IDS攻击样本的逼近代价方法,利用KKT条件把双层优化转变为单层优化的问题再对其实施求解,同时构建了单层优化的具体方法。当迭代处理λ取值为0.05与0.25的时候更易处于稳定收敛状态,λ取值为0.05时可以更快收敛;在不断的迭代过程中α值持续变小,设定取α=1/t时逼近代价将达到一个最小收敛值。SVM攻击样本可以实现召回率的快速降低,并保持正常的流量状态,并获得比BPA方法更优的攻击效果。     

含先验信息的学习机在生物序列分析中的应用

生物序列分析是机器学习和数据挖掘技术一个重要的应用领域。它的特别之处在于,很多有领域背景的先验知识可以在分析过程中得到利用,从而改善分析的效果。在对蛋白质的乙酰化修饰的预测过程中,通过合理地利用先验信息,改进模式提取方法,能够显著地提高支持向量机模型的预测性能。     

一种改进的支持向量机增量学习算法

提出了一种改进的支持向量机增量学习算法。分析了新样本加入后,原样本和新样本中哪些样本可能转化为新支持向量。基于分析结论提出了一种改进的学习算法。该算法舍弃了对最终分类无用的样本,并保留了有用的样本。对标准数据集的实验结果表明,该算法在保证分类准确度的同时大大减少了训练时间。     

面向磁盘故障预测的机器学习方法比较

磁盘是保存数据的重要载体,提高磁盘的可靠性和数据可用性具有重要意义。现代磁盘普遍支持SMART协议,用来监控磁盘的内部工作状态。采用机器学习方法,分析磁盘的SMART信息,实现对磁盘故障的预测。所采用的机器学习方法包括反向神经网络、决策树、支持向量机以及简单贝叶斯,并采用实际磁盘SMART数据进行验证与分析。基于上述数据,对不同机器学习方法的有效性及其效果进行了对比。结果表明,决策树方法的预测率最好,支持向量机方法的误报率最低。     

Privacy preserving support vector machine based on federated learning for distributed IoT-enabled data analysis

In a smart city, IoT devices are required to support monitoring of normal operations such as traffic, infrastructure, and the crowd of people. IoT-enabled systems offered by many IoT devices are expected to achieve sustainable developments from the information collected by the smart city. Indeed, artificial intelligence (AI) and machine learning (ML) are well-known methods for achieving this goal as long as the system framework and problem statement are well prepared. However, to better use AI/ML, the training data should be as global as possible, which can prevent the model from working only on local data. Such data can be obtained from different sources, but this induces the privacy issue where at least one party collects all data in the plain. The main focus of this article is on support vector machines (SVM). We aim to present a solution to the privacy issue and provide confidentiality to protect the data. We build a privacy-preserving scheme for SVM (SecretSVM) based on the framework of federated learning and distributed consensus. In this scheme, data providers self-organize and obtain training parameters of SVM without revealing their own models. Finally, experiments with real data analysis show the feasibility of potential applications in smart cities. This article is the extended version of that of Hsu et al. (Proceedings of the 15th ACM Asia Conference on Computer and Communications Security. ACM; 2020:904-906).     

支持向量机在模式识别中的核函数特性分析

支持向量机是20世纪90年代中期发展起来的一种机器学习技术,与传统人工神经网络不同之处在于前者基于结构风险最小化原理,后者基于经验风险最小化原理。支持向量机不仅结构简单,而且技术性能尤其是泛化能力与BP神经网络相比有明显提高。讨论了支持向量机的分类原理,并用多项式函数、径向基函数和感知机函数等3种核函数作为内积回旋,分别以平面点集分类、手写体汉字识别及双螺旋线识别为例,在不同的结构参数下进行了仿真实验,并对3种核函数的分类特性进行了对比分析,给出了在不同模式识别问题中3种核函数的选择条件。     

用于在线数据分类的半监督最接近支持向量机

为了解决当已分类完未标号样本,又有新的未标号样本的半监督学习问题,提出了能用于在线数据分类的半监督最接近支持向量机。在人工数据和UCI数据集上的实验显示,不因标号数据的增多而提高分类性能,未标号数据基本上不降低其分类性能,因此算法可在线使用。     

基于机器学习的宋词风格识别

使用多种机器学习算法对宋词的风格进行了分类研究,通过比较测试结果选择了较优算法和较优的参数配置。同时,对实验的结果进行了回溯分析,定量分析了哪些单字对宋词风格的判定起到更大的作用。这种分析方法可以推广,用来作为作者写作风格的特征进行更进一步的研究分析。     

Applying machine learning to software fault-proneness prediction

The importance of software testing to quality assurance cannot be overemphasized. The estimation of a module’s fault-proneness is important for minimizing cost and improving the effectiveness of the software testing process. Unfortunately, no general technique for estimating software fault-proneness is available. The observed correlation between some software metrics and fault-proneness has resulted in a variety of predictive models based on multiple metrics. Much work has concentrated on how to select the software metrics that are most likely to indicate fault-proneness. In this paper, we propose the use of machine learning for this purpose. Specifically, given historical data on software metric values and number of reported errors, an Artificial Neural Network (ANN) is trained. Then, in order to determine the importance of each software metric in predicting fault-proneness, a sensitivity analysis is performed on the trained ANN. The software metrics that are deemed to be the most critical are then used as the basis of an ANN-based predictive model of a continuous measure of fault-proneness. We also view fault-proneness prediction as a binary classification task (i.e., a module can either contain errors or be error-free) and use Support Vector Machines (SVM) as a state-of-the-art classification method. We perform a comparative experimental study of the effectiveness of ANNs and SVMs on a data set obtained from NASA’s Metrics Data Program data repository.     

几种机器学习方法在人脸识别中的性能比较

BP神经网络、RBF神经网络、支持向量机（SVM）和集成学习是目前应用最为广泛的四种机器学习方法。将这四种常用的机器学习方法分别应用于人脸识别,并利用ORL人脸图像库对各学习方法性能进行了测试和评估。测试结果表明SVM和集成学习在实验中取得了较好的性能,最适合用于人脸识别中特征分类器。     

支持向量机理论及算法研究综述

介绍了SVM的理论基础和它的多种主要算法及这些算法的利弊与发展现状,并介绍了SVM在现实生活中的应用原理及应用现状。最后分析了SVM在发展中的不足之处,指出了其研究方向及前景,并提出在分布式支持向量机这个方向上可以进行更深层次的研究。