基于宽度学习系统的fMRI数据分类方法

提出基于宽度学习系统的功能性磁共振成像（fMRI）数据分类方法,通过简单结构提取fMRI数据的深层特征,加快分类速度. 使用fMRI中感兴趣区域体素均值的时间序列构造输入数据,分别提取fMRI数据的浅层和深层特征,映射为宽度学习的特征节点和增强节点并构建模型框架,利用岭回归逆计算分类模型的连接权值,实现对fMRI数据的分类. 使用ABIDE Ⅰ、ABIDE Ⅱ和ADHD-200数据集,将所提方法与6种分类方法进行对比实验,结果表明,所提方法可以在保持良好的分类准确率的同时,大幅度降低训练时间.     

一种基于最优集成随机森林的小样本数据特征提取方法

高维小样本数据作为数据挖掘的难点,用传统的随机森林算法进行特征选择时极易出现分类结果过拟合而导致的特征重要度排序稳定性差、精度低等问题。针对随机森林在小样本数据降维过程中出现的难点,提出了一种基于小样本数据特征提取算法OTE-GWRFFS。基于生成对抗网络GAN进行样本扩充,避免传统随机森林在小样本分类过程中的过拟合现象;在数据扩充的基础上采用基于权重的最优树集合算法,减小生成数据分布误差对特征提取精度的影响,提升决策树集合的整体稳定性;采用单棵决策树的权重与特征重要性度量值加权平均得到特征重要性排序,从而解决了小样本数据特征选择过程中精度低稳定性差的问题。通过UCI数据集将所提算法与传统随机森林以及基于权重的随机森林算法进行实验对比,OTE-GWRFFS算法在处理高维小样本数据时具有更高的稳定性和精度。     

基于注意力机制的危房等级预测方法研究

危房等级评估是城市既有建筑管理的重要手段,等级评估的准确性直接影响管理部门的防护措施。错误的等级评估有可能造成生命与财产的重大损失。现有的预测方法大都采用循环神经网络（Recurrent Neural Network,RNN）和支持向量机（Support Vector Machines, SVM）等模型。由于建筑沉降与局部结构位移的诱因复杂,大大增加了危房评估的难度,致使现有的预测方法精度不高。针对这种出现的问题,提出一种结合梯度下降算法（Adagrad, AD）和注意力机制的长短期记忆神经网络（Adagrad and Attention Based Long Short-Term Memory, AD-AB-LSTM）的危房评估方法研究,通过对危房沉降与水平位移进行了有效预测并对之进行等级预测（直接与间接）,此方法对危房沉降位移进行建模并有效预测。依托工程实例数据,无锡东北塘社区危房的水平与垂直位移监测数据进行模型训练与评估,对数据进行了量化分析与研究,并将此方法与长短期记忆神经网络（Long Short Term Memory, LSTM）、循环神经网络实验结果进行比较。实验结果表...     

基于实例灰色模糊聚类的造价快速估算

针对可行性研究阶段往往难以可靠、及时地进行造价估算的问题,提出了基于造价实例灰色模糊聚类的造价快速估算模型.模型将灰色关联分析和模糊聚类相结合,通过计算待估算实例和参考实例设计指标参数间的综合相似贴近性灰色关联度,以考察二者的相似性;以综合相似度集为初始数据构造各实例的相似矩阵,采用模糊传递闭包法计算等价矩阵,然后取不同的阀值以实现实例动态聚类,最终筛选出与待估算实例最相关的实例集合,实例集造价区间即为估算造价最可能区间,采用k折交叉法验证模型的可靠性.最后以办公楼造价估算16个实例,验证估价模型的有效性和可靠性.结果表明,该模型能够快速有效地估算工程造价,为造价估算提供了一种新方法.     

基于AdaBoost算法的混凝土抗压强度预测

论文采集1 030组混凝土抗压强度试验数据,通过训练AdaBoost算法,得到可用于预测混凝土抗压强度值的模型。结果表明：AdaBoost算法模型可以在给定输入变量的情况下准确有效地预测混凝土抗压强度;10折交叉验证决定系数R2的平均值达到0.952,平均绝对百分比误差（MAPE）达到11.39%,说明十折交叉验证具有较高准确率;AdaBoost算法与人工神经网络和支持向量机独立学习算法比较,表现出集成学习算法的优越性;讨论了AdaBoost算法模型中训练数据集数量、弱学习器类型和输入变量的数量相关因素,发现使用1 030数据集的80%可以获得良好的预测结果。     

一种新的非精确线性搜索下DY共轭梯度法的全局收敛性

给出了一种新的非精确线性搜索,说明了在新的线性搜索下每次迭代产生下降方向．证明了一种共轭梯度算法的全局收敛性．     

基于机器学习的动态负载均衡模型研究

现阶段,负载均衡服务器运行参数是根据经验设定的,这不利于自动运维。针对该现状,笔者提出一种基于机器学习的动态负载均衡模型。该模型在传统的负载均衡模型基础上增加了负载权重预测模块,并为策略转发模块补充动态调整功能。权重预测模块采用机器学习的经典算法线性回归来预测各个负载权重值,算法采用非定时触发机制,在预测权重值的同时也动态调整算法模型参数和触发周期,具备自我调优能力。策略转发模块在经典转发算法上增加了动态调整权重值功能,能够平滑地对权重参数进行调整而不影响后端负载能力。权重预测模块与策略转发模块采用多线程设计,互不干扰,仅通过消息缓冲区进行通信,保证了模块独立性和稳定性。压力测试表明,改进的负载均衡模型能够动态调整负载参数,结果符合预期。     

基于核相似性删减策略的支持向量回归算法

在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就会计算它和其它支持向量间的相似性。如果相似性大于一个设定的阈值,那么就会删减这个支持向量。基于UCI数据集, LIBSVM数据集和风速数据集的试验结果表明,与其它流行算法相比,这个策略可以十分高效地解决大型支持向量回归问题。     

基于核相似性删减策略的支持向量回归算法

在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就会计算它和其它支持向量间的相似性。如果相似性大于一个设定的阈值,那么就会删减这个支持向量。基于UCI数据集, LIBSVM数据集和风速数据集的试验结果表明,与其它流行算法相比,这个策略可以十分高效地解决大型支持向量回归问题。     

一种适于高维小样本数据的线性判别分析方法

针对高维小样本数据的类（模式）内离散度矩阵常为奇异,提出了一种改进的线性判别分析方法ModLDA。它通过嵌入偏最小二乘算法,完成投影方向矢量的稳健估计,进而提取出若干个特征变量。而后基于特征变量张成的低维空间,构造样本类别的线性判别函数。在实证中,将ModLDA应用于药物光谱数据的化学模式识别,结果显示ModLDA方法判别能力明显优于其他方法。     

公交IC卡数据客流预测模型研究

为解决我国大城市工作上下班高峰期公交线路客流不均衡的问题,提出以公交路线一卡通数据为研究对象,综合考虑天气类型、温度和风力多个因素对客流的影响,利用多元线性回归模型建立公交工作日高峰期各时间段客流模型. 最后通过一卡通大数据对模型进行了验证,证明多元线性回归模型能够准确且快速地预测高峰时间段的客流量,实现了通过公交线路客流预测缓解城市工作日高峰期出行拥堵的问题.     

基于样本均衡与特征交互的通信网络故障预测方法

通信网络故障预测数据集样本不均衡,影响故障预测的准确性,对此,提出了基于样本均衡与特征交互的通信网络故障预测方法. 首先,将基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN-GP)用于生成新的少数类样本,解决了告警数据集中存在的样本不均衡问题,并提出了嵌入记忆向量的特征生成卷积神经网络(M-FGCNN)模型. 利用多层感知器和卷积神经网络加强特征间的交互,将告警领域专家经验与因子分解机模型结合生成新的告警特征;在模型的嵌入矩阵中加入记忆向量并改进了模型的损失函数,增强了模型的记忆性. 在样本不均衡的公开数据集上进行实验的结果表明,引入WGAN-GP模型的方法比已有的样本均衡方法能生成质量更好的新数据. M-FGCNN模型比其他深度学习模型具有更好的通信网络故障预测性能.     

基于深度学习的不均衡网络数据分类技术研究

在现实网络环境中,数据分布不均衡是普遍现象,也是研究的热点问题.利用传统机器学习算法解决该问题的研究成果较多,综述性研究也较丰富.但当前从深度学习的角度探讨数据不均衡问题已成为新趋势.对此,综述了基于深度学习方法的研究成果.通过对数据不均衡问题进行深入分析,从数据预处理、分类器设计及改进两大方面梳理相关技术路线,包括传...     

基于差分隐私的敏感数据挖掘技术研究

基于加密的数据挖掘技术往往计算复杂度太高,而差分隐私作为一种数据扰动技术,既能有效降低计算复杂度,又能让使用者分析数据的整体价值。简要分析了差分隐私在具有敏感信息的智能数据挖掘系统中的相关技术。首先,介绍了差分隐私的基本概念;其次,针对频繁项挖掘、回归与分类以及深度学习,分别介绍了差分隐私在敏感数据挖掘中的应用;最后,对比了最新研究方法的性能和优缺点,为进一步研究隐私保护数据挖掘技术提供相关参考。     

基于Bootstrap-SVR-SOC的小子样结构机构可靠性分析方法

针对实际工程中小子样结构机构可靠性分析的问题,提出了Bootstrap-支持向量回归（SVR）-二阶累计量（SOC）方法框架和多阶矩虚拟样本容量扩充方法,增强了扩充后样本的客观性;将Bootstrap与SVR方法结合,构建出结构机构可靠性极限状态函数,并利用SOC方法计算可靠度指标.最后,应用摆动导杆机构的仿真算例验证了新方法的有效性.     

基于机器学习的交通流参数异常数据处理模型研究

交通流数据作为交通系统重要的输入变量,交通流数据采集器所采集的交通流数据质量直接影响着交通系统运行的稳定性;针对交通流数据中所出现的采样数据异常情况,提出一种基于随机森林的缺失值填补及孤立森林算法的交通流异常数据筛选方法,在此基础上通过线性回归模型对数据中缺失值及异常值进行填补构建整体交通流数据有效性处理框架;结果表明...     

基于多元线性回归的PBGA可靠性灵敏度分析

基于全局灵敏度分析方法,研究了塑封球栅阵列(PBGA)的热机械疲劳可靠性,得出对PBGA热机械疲勇寿命影响较大的设计参数.利用正交试验法,建立BT基板弹性模量、PCB弹性模量和焊球半径不同水平组合下的PBAG有限元模型,并对其进行热应力分析,利用修正后的Coffin-Manson方程对其进行寿命预测.基于多元线性回归法,建立PBGA寿命与关键设计参数的函数关系,并对该方程的预测效果进行验证.结果表明预测结果可信.     

基于双重残差网络的地震数据随机噪声压制

地震信号的随机噪声压制是地震信号处理中的重要问题.卷积神经网络(Convolutional Neural Network,CNN)近两年在地震信号去噪领域展现其巨大的潜力.该方法可以突破先验约束,从大量的数据中学习噪声模式,可以高效智能地实现地震数据去噪.为了进一步提高去噪效果,本文提出基于双重残差结构的CNN网络地震...