建筑用户行为节能潜力评估新方法

现有建筑用户行为节能潜力评估方法未能充分考虑不同用户之间的差异性,从而显著降低了评估结果的准确性。针对此种不足,提出一种行为节能潜力评估的新方法。通过主成分分析对用户行为影响因素进行降维处理,在此基础上,采用数据挖掘方法中的聚类分析技术对样本用户进行合理分类,并针对不同类用户特征分别进行节能潜力评估。由于该方法既全面考虑了同一用户不同因素的影响,又充分体现了不同用户之间的差异性,可显著提高评估结果的准确性。通过将其应用于湖南省3所高校100名研究生用户电脑待机行为的节能潜力评估表明,该方法有效可行。     

基于业务用户行为的计算机动态取证评估模型研究

对复杂信息系统的业务用户行为和网络取证进行了研究,结合木马技术提出了基于业务用户行为的计算机动态取证评估模型,该模型构建了基于云模型的业务用户行为定量评估方法。通过仿真实验验证了模型评估的合理性,同时验证了该模型能实时隐蔽地记录用户行为,并能确保将获取的信息反馈给取证控制端,为计算机动态取证的研究提供了一种可行的技术方案。     

基于多维行为分析的用户聚类方法研究

聚类分析是数据挖掘中一项重要的技术,通过对多维用户行为的聚类分析,可以从用户层面来帮助管理人员得到更为精确和有效的用户评价信息。该文首先从用户行为数据中提取多维用户行为特征,之后采用基于互信息的无监督特征选择(UFS-MI)模型对提取的特征进行排序、筛选并确定权重,得到每个用户行为的加权特征向量。根据用户行为之间的相似性构造网络,然后通过Blondel社团划分算法对用户行为网络进行聚类分析。在某公交线路的实证数据集上的实验结果表明,该方法的准确率为92%,比传统聚类算法K-means的准确率有明显提升,研究结果可以为公交公司的管理层在进行统一管理和培训时提供参考。本文的工作拓展了网络科学在多维用户行为数据聚类分析的应用范围,丰富了多维驾驶行为数据聚类分析的思路,为决策者提供参考依据。     

权重均衡优化的Web用户行为的信任评估

针对Web用户信息的安全问题,提出了一种主客观相结合的用户行为信任评估模型.通过熵权法确定客观权重,通过层次分析法确定主观权重,进一步得到优化的集成权重.通过引入基于滑动窗口的长期量化评估机制和对不同类型证据的无量纲化处理,最终计算出用户行为的信任评估值.实际应用和理论分析结果表明,该模型在满足主、客观相对平衡的优化条件下,可以更准确地得出单次和长期用户行为的信任评估值,对诸如电子商务、网络金融等关键网络应用用户行为的高可靠性判断奠定了坚实的理论和实践基础.     

基于G-SMOTE和Biased-SVM的内部威胁用户检测

针对目前内部威胁用户检测召回率低及数据类别不平衡的问题,提出一种基于Geometric SMOTE(G-SMOTE)和Biased-SVM的内部威胁用户检测方法.该方法对用户行为进行特征提取,利用G-SMOTE算法在每个威胁用户样本中心定义一个几何区域用于生成威胁用户样本,保证了训练集中的正常用户、威胁用户的类别平衡;...     

起重机安全评估的测算数据法

冶金起重机金属结构的事故时有发生，一些大中型冶金企业对起重机的安全检测评估工作已经提取议事日程上来。本文根据多次检测评估工作的经验，分析了实测的局限性、理论计算误差产生的因素，提出了将实测数据和理论计算相结合，得出测算数据，作为安全评估依据的方法。     

基于LSTM 的川西北地区降雨型泥石流预警方法

为研究降雨型泥石流与降雨量的关系, 通过分析四川省甘孜州丹巴县近20 年泥石流灾害与降水量的关系发现, 当前期累积降水量(前10 d)达到50 mm 以上时, 发生泥石流灾害的概率为55%; 当12 h降水量达25~40 mm 时, 泥石流发生的概率为45%; 当24 h 降水量达25~40 mm 时, 泥石流发生的概率为9%。采用LSTM 方法对短时降雨进行预测, 并收集了研究区254 条泥石流数据和日累计降雨数据, 采用统计分类的方法划定了泥石流的降水预警阈值, 将预测值和阈值进行比对, 进而给出预警等级和泥石流发生 可能性, 形成了一体化的预警方法。 结果表明, 对丹巴县降雨型泥石流的阈值预警准确率超过90%, LSTM预测降雨量结果误差均小于1. 5 mm。通过预测值与阈值的对比, 可以得出预警的等级大小和发生的可能性, 对提前发布预警信息有较强的指导意义。     

基于行为感知的用户画像技术

为了在保护用户隐私的同时构建用户画像,提出基于行为感知的用户画像技术. 采用智能手机内置的惯性传感器,可以感知识别用户使用手机的行为（如浏览阅读、打字聊天、通话等）. 通过识别的用户行为挖掘用户特性,如性别、社交性格、压力状态等,构建初步的用户画像. 实验结果表明,利用该方法能够较好地识别用户行为并构建用户画像,其中行为识别的准确率为87.2%,针对性别、社交性格、压力状态3个具体用户特性的预测准确率分别为81.8%、72.7%、72.7%.     

基于用户行为分析的搜索引擎模型

介绍了目前搜索引擎技术发展的进展和研究热点.给出一种从用户点击的反馈信息中提取用户智能的搜索引擎算法.此算法首先给页面设置不同的内容相关度,再实测网页在不同内容相关度下的用户点击率,根据这组相关度和相应的用户点击率数据,可以由差商法或拟合直线法求得最佳的网页内容相关度,这样就可求出最终的索引相关度.实验表明该算法对提高搜索的稳定性和搜索精度有明显作用.     

基于RBF-FCM-ROLSR 砼安全性评估方法

提出了一种基于径向基函数神经网络RBFNN(Radial Basis Function Neural Networks)、模糊C-均值聚类(FCM)算法和递归正交最小二乘法(ROLS)的混凝土安全性专家系统评估预测方法.此方法先用FCM算法初选多个RBFNN的函数中心,再采用ROLS训练网络,最后结合后向选择法,减少初选的中心数目,以得到最终的有效中心值.该方法加快了RBFNN的训练速度,提高了网络的运算效率.将其运用到混凝土安全性评估专家系统中,获得了满意的结果.将这种新算法得出的评估数据与传统的BP网络计算出的数据进行了比较,进一步证明了RBFNN及其学习算法的优越性和实用性.     

基于RBF-FCM-ROLS的砼安全性评估方法

提出了一种基于径向基函数神经网络RBFNN(Radial Basis Function Neural Networks)、模糊C-均值聚类(FCM)算法和递归正交最小二乘法(ROLS)的混凝土安全性专家系统评估预测方法。此方法先用FCM算法初选多个RBFNN的函数中心，再采用ROLS训练网络，最后结合后向选择法，减少初选的中心数目，以得到最终的有效中心值。该方法加快了RBFNN的训练速度，提高了网络的运算效率。将其运用到混凝土安全性评估专家系统中，获得了满意的结果。将这种新算法得出的评估数据与传统的BP网络计算出的数据进行了比较，进一步证明了RBFNN及其学习算法的优越性和实用性。     

基于DEA模型的网络安全非均一评价方法

针对网络安全评价问题,基于数据包络分析（DEA：Data Envelopment Analysis）原理,引入了一种处理只有输出指标的最优偏离DEA模型,建立了网络安全评价的非均一模型和方法。该方法把权重系数作为数学规划模型的变量,通过优化方法求解,而不需要事先确定评价指标的权重系数,克服了传统的网络安全评价模型和方法因需对建立的评价指标事先确定权重系数,使评价结果受到人们主观判断的影响,从而使评价结果更加客观公正。实例分析验证了模型与方法的有效性。     

基于决策者理性行为下的群体决策评判方法

在总结了以前许多群体决策支持系统评判方法基础上,针对决策者存在决策者偏好的问题,为了缩小和降低决策者偏好所带来的大误差的现象,假设决策者都是理性的,提出了一种群体决策评判方法.再结合教师职称评定的实例,进一步论证了该方法的可行性.     

基于简化型LSTM神经网络的时间序列预测方法

针对标准长短期记忆(long short-term memory, LSTM)神经网络用于时间序列预测具有耗时长、复杂度高等问题,提出简化型LSTM神经网络并应用于时间序列预测.首先,通过耦合输入门与遗忘门实现对标准LSTM神经网络的结构简化;其次,从门结构控制方程中消除输入信号与偏差实现进一步精简;然后,采用梯度下降算法更新简化型LSTM神经网络的参数;最后,通过2个时间序列基准数据集及污水处理过程出水生化需氧量(biochemical oxygen demand, BOD)质量浓度预测进行实验验证.结果表明:在不显著降低预测精度的情况下,所设计的模型能够缩短训练时间,减少LSTM神经网络的计算复杂度,实现时间序列的预测.     

基于机器学习的用户窃电行为预测

新型智能电表普及后,为了准确检测出电网中的窃电用户,可以结合机器学习的方法.为此,选择了支持向量机、随机森林和迭代决策树3种机器学习中较常用的大数据算法进行分析,通过不断调整试验数据集的大小,对3种算法的效率和准确率进行测试.对比分析结果发现,随机森林算法运行的时间和数据量的大小基本呈线性关系,效率较高,且准确率稳定在86%以上,表现较好.     

基于用户行为序列特征的位置预测模型

针对现有位置预测研究中忽略用户行为序列特性、预测精度提升受限的问题,提出了基于用户行为序列特征的位置预测模型.首先以人工提取的方式构建用户行为的序列特征,融合到位置预测模型中,构造了基于行为序列特征的循环神经网络模型（BCP-RNN）;借助RNN模型循环结构的特点,自动学习行为序列特征,并引入位置预测模型,构造了3层对称循环神经网络模型（TS-RNN）.实验结果证明,引入行为序列特征的BCP-RNN和TS-RNN模型,其预测性能均高于现有的位置预测模型,验证了行为序列特征对挖掘用户移动模式的重要性.相较于人工提取行为序列特征的BCP-RNN模型,TS-RNN不仅节省了人工特征提取的成本,还弥补了人工分析的片面性造成的偏差,具有更高的预测性能.     

基于多Agent搜索行为分析的用户兴趣模型

为解决传统搜索引擎个性化的局限性问题,在研究用户感兴趣搜索引擎现状基础上,通过多Agent较全面记录、分析用户搜索的行为,提出了一种新的综合用户搜索行为,构建用户感兴趣搜索引擎研究框架——基于多Agent搜索行为分析的用户兴趣模型。研究结果表明,依据用户搜索行为构建用户兴趣模型,使搜索引擎返回结果更贴近用户需求。满足用户个性化服务,提高了信息搜索的查全率和查准率。     

一种基于用户信任网络的推荐方法

为了解决推荐中存在的数据稀疏、准确度不高等问题,提出了一种基于用户信任网络的推荐方法. 首先利用基本的社会网络,融合用户的基本信任关系、角色影响力、属性相似关系、偏好相似关系构造带权重的社会网络,然后基于此网络提出关键路径发现算法以发现满足约束条件的用户信任网络,最后基于用户信任网络进行推荐. 在Filmtipset数据集上对影响推荐质量的各个因素进行了对比分析,结果表明,基于用户信任网络的方法能得到更好的推荐效果.