基于消费者WiFi的材料缺陷检测

本文提出了一种基于WiFi信号的材料缺陷检测系统,通过使用廉价的消费者WiFi设备来检测材料是否存在缺陷以及是否符合标准。材料缺陷检测系统通过信道状态信息来感知环境变化。通过从信道状态信息流中提取出有用信息,并使用主成分分析法(PCA)及巴特沃斯滤波器进行降噪,并进行特征提取,最终使用SVM算法对数据进行分类。在实验场景中,选用了建材作为实验材料,通过仿真发现,缺陷检测的真阳性率达到了92.22%。     

数据驱动的医疗实践和管理

随着数字化时代的到来,数据已经成为医疗实践和管理领域的重要资源。医疗数据的广泛收集和分析不仅可以改善患者护理服务,还能提高诊断准确性。数据分析在医疗决策中的应用广泛,包括疾病诊断、治疗个性化、流行病学研究、资源管理及患者监测。数据驱动的医疗管理通过优化资源、改进流程、降低成本,实现了更高效的医疗服务。文章重点分析了数据驱动的医疗实践和管理。     

基于机器学习的语音驱动人脸动画方法

语音与唇动面部表情的同步是人脸动画的难点之一.综合利用聚类和机器学习的方法学习语音信号和唇动面部表情之间的同步关系,并应用于基于MEPG-4标准的语音驱动人脸动画系统中.在大规模音视频同步数据库的基础上,利用无监督聚类发现了能有效表征人脸运动的基本模式,采用神经网络学习训练,实现了从含韵律的语音特征到人脸运动基本模式的直接映射,不仅回避了语音识别鲁棒性不高的缺陷,同时学习的结果还可以直接驱动人脸网格.最后给出对语音驱动人脸动画系统定量和定性的两种分析评价方法.实验结果表明,基于机器学习的语音驱动人脸动画不仅能有效地解决语音视频同步的难题,增强动画的真实感和逼真性,同时基于MPEG-4的学习结果独立于人脸模型,还可用来驱动各种不同的人脸模型,包括真实视频、2D卡通人物以及3维虚拟人脸.     

基于双决策树的数据采样方法

在数据挖掘问题中,一个基本假设是训练集样本与测试集样本的数据分布一致,但随着数据量逐渐增加,如何在海量数据中找出具有代表意义的数据也变得尤为困难。对现有的数据选择方法研究发现,传统的简单随机抽样和渐进抽样等数据选择方法,由于没有和数据挖掘工具进行结合,采样结果具有偶然性和不确定性,抽样数据很难保证数据挖掘的基本假设,这也使得最终模型的泛化误差较大。为了解决数据采样过程中类间的不平衡问题,提出一种基于双决策树的结构化数据采样方法。首先通过C4.5算法生成一棵决策树,借助决策树在数据源中选择适合的数据和数据采集点,同时通过使用另一棵决策树对选择出的数据集的质量进行评估来达到高效率和高质量的数据采样。实验表明,与简单随机抽样相比,新采样数据下训练的模型准确率有明显提高。     

数据驱动系统方法概述

阐述了关于数据驱动系统方法的几点思考. 文中简要地探讨了以下三个主要问题: 离线数据与在线数据处理方法之间的演变关系, 数据驱动方法与基于模型的方法之间的优势互补关系, 以及数据驱动系统方法的前景. 在现有的知识和研究水平下给出数据驱动系统问题的解决方法是不切实际的. 针对控制、决策、调度和故障诊断, 本文的目的是对这四个领域的数据驱动方法问题进行归纳与分类, 并探讨可行的、有潜力的研究方向.     

材料基因方法在材料设计中的应用

【目的】本文主要介绍材料基因方法在一系列材料设计中的应用,如开发高性能催化材料、热电材料、金属有机框架(MOFs)材料、锂电池材料以及钙钛矿型光伏材料。【方法】将高通量计算与机器学习等数据挖掘技术结合,通过高通量计算产生一定规模的数据库,进而对材料数据库进行数据挖掘和分析。【结果】利用数据内在规律发现并筛选出潜在的新材料。【局限】目前,很多理论预测的材料在实验中合成制备还比较困难,因此理论与实验还需要更加深入地结合。【结论】随着计算机数据技术以及实验合成方法的进一步发展,材料基因方法将会在材料开发方面展现出更显著的作用。     

材料智能生成平台建设构想与展望

材料科学的研发模式正在从传统的“经验+试错法”向新型的“数据驱动+智能计算”转变。基于机器学习、数据挖掘等前沿方法,横跨材料微观-介观-宏观的多尺度计算,人工智能技术逐渐被应用到材料发现、结构分析、性质预测、反向设计等多个方面,在材料智能生成领域展现出巨大的潜力。首先,对传统材料研发模式进行回顾,分析其不足之处以及面临的挑战,引出材料智能生成的基本原理,讨论材料智能生成的内涵和利用智能技术加速新材料发现的研究方法。其次,提出材料智能生成系统硬件资源层、软件集成层和应用验证层的平台架构。最后,探讨材料智能生成技术现状及发展方向,总结材料数据库技术、实验数据驱动、集成计算驱动、大模型驱动的材料智能生成共性关键技术,以加速高端新材料智能生成进程,推动材料科研范式变革。     

基于数据驱动的矿井主排水设备寿命预测方法

以矿井排水系统的离心泵为研究对象,介绍了包括机器学习方法、多元统计分析方法、特征量提取方法和信息融合方法在内的4种基于数据驱动的矿井主排水设备寿命预测方法的基本原理、相关案例、优缺点、尚未解决的问题及其在离心泵寿命预测中的应用;指出了离心泵寿命预测的发展趋势:寿命衰退指标应多样化,只有离心泵的各类指标正常,才能表明离心泵运行正常,多变量综合考虑使预测可靠性更高;决策层信息应高度融合,振动信号、动态摩擦力矩、扬程等因素都会随着寿命的衰退发生一定的变化,将这些信息融合用于寿命预测,效果会更好;融合特征层信息,将多种预测模型进行融合,或者建立一个集更多优点于一体的混合模型,才能更好地满足工业要求。     

数据挖掘中的统计方法概述

统计方法有成熟的数学基础，可以很好的对数据进行解释，在数据挖掘中有着大量的运用。文章回顾了数据挖掘中常用的统计方法，包括传统的统计方法(回归分析、主成分分析、判别分析和聚类分析)和其他一些非机器学习的方法(模糊集、粗糙集和统计学习理论)，分析了各种统计方法的优缺点。     

基于概念格的数据驱动不确定知识获取

在没有领域先验知识的条件下,不确定知识获取是机器学习研究中的一个难题.本文利用决策表和决策规则的不确定性,通过分析决策表、决策规则及概念格的知识表示形式,发现这3种知识表示形式中知识不确定性之间的关系,进而提出基于概念格的数据驱动不确定知识获取算法.仿真实验结果表明,该算法在不确定性知识获取中是有效的.     

基于机器学习的智能路由算法综述

互联网的飞速发展催生了很多新型网络应用,其中包括实时多媒体流服务、远程云服务等.现有尽力而为的路由转发算法难以满足这些应用所带来的多样化的网络服务质量需求.随着近些年将机器学习方法应用于游戏、计算机视觉、自然语言处理获得了巨大的成功,很多人尝试基于机器学习方法去设计智能路由算法.相比于传统数学模型驱动的分布式路由算法而言,基于机器学习的路由算法通常是数据驱动的,这使得其能够适应动态变化的网络环境以及多样的性能评价指标优化需求.基于机器学习的数据驱动智能路由算法目前已经展示出了巨大的潜力,未来很有希望成为下一代互联网的重要组成部分.然而现有对于智能路由的研究仍然处于初步阶段.首先介绍了现有数据驱动智能路由算法的相关研究,展现了这些方法的核心思想和应用场景并分析了这些工作的优势与不足.分析表明,现有基于机器学习的智能路由算法研究主要针对算法原理,这些路由算法距离真实环境下部署仍然很遥远.因此接下来分析了不同的真实场景智能路由算法训练和部署方案并提出了2种合理的训练部署框架以使得智能路由算法能够低成本、高可靠性地在真实场景被部署.最后分析了基于机器学习的智能路由算法未来发展中所面临的机遇与挑战并给出了未来的研究方向.     

学习式数据库系统:挑战与机遇

通用的数据库系统为不同的应用需求与数据类型提供统一的处理方式,在取得了巨大成功的同时,也暴露了一定的局限性:由于没有结合具体应用的数据分布与工作负载,系统往往难以保证性能的最优.为了解决这一问题,"学习式数据库系统"成为了目前数据库领域的研究热点,它利用机器学习技术有效捕获负载与数据的特性,从而对数据库系统进行优化.围绕这一方向,近些年工业界与学术界涌现出了大量的研究工作.首先提出了细粒度的分类体系,从数据库架构出发,将现有工作进行了梳理;其次,系统地介绍了学习式数据库各组件的研究动机、基本思路与关键技术;最后,对学习式数据库系统未来的研究方向进行了展望.     

学习索引:现状与研究展望

索引是数据库系统中用于提升数据存取性能的主要技术之一.在大数据时代,随着数据量的不断增长,传统索引（如B+树）的问题日益突出：（1）空间代价过高.例如,B+树索引需要借助O（n）规模的额外空间来索引原始的数据,这对于大数据环境而言是难以容忍的.（2）每次查询需要多次的间接搜索.例如,B+树中的每次查询都需要访问从树根到叶节点路径上的所有节点,这使得B+树的查找性能受限于数据规模.自2018年来,人工智能与数据库领域的结合催生了“学习索引”这一新的研究方向.学习索引利用机器学习技术学习数据分布和查询负载特征,并用基于数据分布拟合函数的直接式查找代替传统的间接式索引查找,从而降低索引的空间代价并提升查询性能.首先对学习索引技术的现有工作进行了系统梳理和分类;然后,介绍了各种学习索引技术的研究动机与关键技术,对比分析了各种索引结构的优劣;最后,对学习索引的未来研究方向进行了展望.     

基于大数据的控制系统故障诊断方法综述

大数据技术的发展使得控制系统故障诊断方法进一步丰富和完善,为此在总结大量参考文献的基础上,从控制系统故障诊断方法分类变化角度,简述了其发展历程。通过新的故障诊断方法分类,归纳总结了控制系统故障诊断方法的现状,对比分析了基于解析模型、经验知识和数据驱动方法的优缺点,最后进行了总结展望。     

基于Venn-Abers预测器的系统日志异常检测方法

为了更好地解决系统日志异常检测问题,引入一种对预测结果进行可靠性评估的统计学习算法Venn-Abers预测器。与传统的基于静态阈值的系统日志异常检测模型仅输出正常或异常的预测结果不同,Venn-Abers预测器会对预测结果进行概率评估。根据逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)这三种基础算法,分别开发三种Venn-Abers预测器,其中基于SVM的Venn-Abers预测器将召回率从81%提高到94%,同时对Venn-Abers预测器的概率值计算过程进行了改进,使其运行效率显著提高。实验结果表明,三种Venn-Abers预测器与其基础算法相比,可以通过动态调整阈值,取得更加准确的异常检测结果。     

基于数据驱动与机理模型融合的热网水力平衡分析方法

随着环保要求的不断提高,城市集中供暖小锅炉被逐步关停,并被接入城市主干网,热网不断扩张。与此同时,热量的生产也运用地热、太阳能、工业余热、电热等多种热源,使得集中供热系统变得更加复杂。靠传统手工运算方式、或者理想机理建模方式较难对热网的结构设计及运行进行科学优化,需要通过计算机仿真建模的手段,并结合实际热网运行的数据对热网进行阻力特性辨识,才能真正起到有效的作用。本文研究了基于数据驱动与机理模型融合的集中供热网水力平衡分析模型,并利用来自热网SCADA运行数据通过多种机器学习算法对先验知识模型的参数进行学习优化,最终建立与真实热网相匹配的水力分析模型,此种方法可为热力企业的热网结构优化改造、经济运行提供技术参考。     

基于可视化的固态电解质材料机器学习筛选与预测

[目的]随着"碳达峰"和"碳中和"目标的提出,能源消费领域电气化进程将进一步加快,其中在储能技术领域,锂电池是当前最具发展潜力的技术之一,已被广泛地应用在国民生活的方方面面.传统的锂电池所采用的液态电解质存在漏液、易燃和爆炸等多方面的潜在安全隐患,能量密度和安全性更高的固态电解质被认为是代替液态电解质的理想解决方案.当...     

基于Rough集方法的数据约简与机器学习

用一种新的增加属性值的方法进行数据约简，并把这种方法用于机器学习和机器研究，提出了完全分明，分明度等新概念，使数据约简和机器学习完全统一。