马田系统与SVM相集成的模式识别技术研究

为了解决现有马田系统阈值确定方法的不足,基于超球面支持向量机算法,构建了单类及二类超椭球面支持向量机算法,并理论上证明了此算法可转换为二次规划模型。推导了基于超椭球面支持向量机的马田系统阈值确定公式。将所提出的方法应用于故障诊断,得到了较高的判别正确率。     

基于施密特正交马田系统和φs转换的灰模糊积分关联度决策模型

针对传统灰关联度不能有效处理属性间存在的交互作用问题,定义了灰模糊积分关联度的概念,并给出了利用Фs函数将属性权重与属性间的交互度转换为λ模糊测度的方法;对于属性权重的计算,提出一种利用施密特正交马田系统计算属性权重的方法,该方法不但考虑了决策者的主观偏好,而且可以消除属性间的重叠信息,从而使权重的计算更加合理;构建了灰模糊积分关联度决策模型,并给出了详细的决策步骤.最后,通过实例验证了所提出的决策模型的可行性,并分析了不同交互度对决策结果的敏感性.     

基于融合马田系统的不平衡财务数据分类器研究

现有的财务数据分类算法大多没有考虑实际类分布的不平衡性,导致财务数据分析无法发挥真正的作用.因而提出基于融合马田系统的不平衡财务数据分类器,这是将马田系统与AdaBoost算法相结合而设计的一种多类别识别集成算法,基于相邻前一个基分类器的预测结果自动调节选中当前分类器样本的概率以更正不同类财务数据的平衡度.实际应用结果...     

基于马田系统的设备健康监测技术研究

提出了一种基于马田系统的设备健康检测与故障分类方法,利用设备运行的振动信号作为信号源进行了验证;首先介绍了马田系统的实施步骤,提出了基于马田系统的设备故障诊断与分类方案;其次,分别利用信号小波变换模极大值估计得到的Lipschitz指数和Hilbert-Huang变换进行特征提取;最后利用凯斯西储大学电气工程实验室的轴承振动数据对方法进行了验证,采用滚动轴承的5种状态振动信号:正常,滚动体故障(轻微、严重),内圈故障(轻微、严重),基于信号奇异性特征的故障检测率为100%,故障分类率为81.8%,基于信号能量特征的故障检测率和故障分类率均为100%;结果表明了方法的正确性,利用Hilbert-Huang变换提取特征进行诊断和分类的正确率更高。     

基于马田系统的化合物生物降解性QSBR的研究(英文)

生物降解性是影响化合物毒性和最终命运的重要参数,定量结构与生物降解性关系的研究尝试使用回归和分类的方法对其可降解性进行定量预测。马田系统是一种新的分类和模式识别技术,该方法使用正交表和信噪比筛选关键变量,将马氏距离作为度量尺度以判定其类别归属。为验证马田系统在QSBR研究中的效果并与其他方法相比较,共搜集743个化合物试验数据进行实例研究,结果表明基于马田系统的QSBR研究:分类的准确率更高;系统的约简了分子变量并保持分类的稳健性,马田系统将变量数从34个逐步约简到7个,错误率波动较小。     

基于马田系统的区间Choquet 模糊积分多属性决策方法

为了扩展马田系统在模糊积分多属性决策领域中的应用, 引入区间样本描述统计量, 将传统的实数型马田系统改进为区间型马田系统, 并在此基础上提出一种基于区间数据的模糊测度计算方法. 为了便于集成区间属性值,定义区间Choquet 模糊积分算子. 实例分析表明, 所提方法能够解决属性值为区间数据的模糊积分多属性决策问题, 验证了该方法的可行性.

     

结合马田系统-SVM的滚动轴承故障模式分类研究

为了有效地确定滚动轴承的故障类型和受损程度,提出了结合马田系统和SVM的滚动轴承故障模式分类方法。利用EEMD方法对原始振动信号进行分解,得到一系列IMF。经过故障敏感IMF选取方法筛选IMF后计算其时域和频域特征参数以及原始信号的能量熵参数,构造初始的多维特征空间。运用马田系统中的正交表和信噪比进行特征降维,得到精简特征空间。接下来使用偏二叉树方法构建支持向量机多分类模型。通过实验数据进行模型验证,结果表明该方法可以实现滚动轴承故障模式分类。     

基于有效载荷的多级实时入侵检测系统框架

网络入侵检测系统使用大量特征集来识别入侵,需要处理庞大的网络流量,目前大多数现有的系统缺乏实时异常检测能力。提出了一种基于有效载荷的多级实时入侵检测系统,它首先采用n-gram分析网络数据包有效载荷来构建特征模型,进行数据准备;其次采用3级迭代特征选择引擎进行特征子集选择,其中主成分分析用于数据的预处理,并结合累积能量、平行分析和碎石检验进行主成分选择;最后采用马氏距离图发现特征间及数据包间隐藏的相关性。马氏距离的差异性准则用来区分正常或攻击数据包。通过DARPA 99和GATECH数据集验证了该系统的有效性,用Web应用程序流量验证了其模型,用F值评估了其检测性能。与目前同类主流的两款入侵检测系统进行了对比试验,结果表明:该系统提高了检测精度,降低了误报率和计算复杂度。与中型企业网的真实场景相比,它具有1.3倍的高吞吐量。     

基于度量的决策树

决策树是一种采用分治策略的聚类分析方法，构建决策树的关键是选择合适的属性。传统的决策树通常从最大化信息熵的角度来构造，不能对属性的分类能力进行足够好的区分。对传统的决策树生成算法的不足，本文提出了一种基于马氏距离的决策树生成算法。算法使用马氏距离来区分不同特征属性子集的分类能力。试验结果表明，基于度量的决策树的性能优于传统的决策树。     

正交静态实验设计的应用研究

研究了静态实验设计方法在小球旋转物理实验中的应用。利用正交表设计典型试验方案,再通过对可控参数进行统计分析,包括对可控因素对小球旋转时间的贡献率分析、可控参数间的干扰分析、信噪比与可控因素之间的关系的分析,找出了达到实验目的的最显著可控因素并对其进行控制。     

共情对话研究进展

人工智能驱动的对话是当前研究热点,有着广泛的应用前景。但目前这类对话系统普遍缺乏情感交互能力,限制了其在心理关爱、抑郁症等精神障碍疾病方面的应用。如何让对话系统充分理解用户情绪并生成带有共情的回复是目前对话系统面临的主要挑战之一。首先介绍了共情对话研究中情感感知和共情对话生成两大挑战,并分别调研归纳了相关研究方法。情感感知任务大致可分为基于规则、基于机器学习和基于深度学习三类方法,共情对话生成大致可分为基于检索和基于动态生成两类方法。接着介绍了共情对话的最新发展动向,并总结了共情对话数据集、通用对话数据集和多模态数据集的特点和链接,归纳了当前共情对话研究中不同的评估方法便于后续研究。最后对共情对话的研究工作进行了总结和展望。     

节水减排的水系统集成优化研究进展

水系统集成是节水减排的最有效方法.在过去的二十多年里,水系统集成优化的理论和实践取得了长足的发展.水系统集成的方法分为图示法和数学规划法.本文简单回顾了近年来国内外在这两种方法的研究进展.主要针对废水再生循环和再生回用系统,介绍了采用图示法确定系统目标的方法,以及数学规划法超结构和数学模型的建立.并通过一个实例,说明了方法的应用并比较了废水直接回用/废水再生循环和废水再生回用系统的优化结果.     

多轮任务型对话系统研究进展

对话系统旨在实现机器与人类进行信息交流并向其提供个性化服务,具有一定的研究价值。为了及时跟进相关领域的研究,对其目前研究进展进行综述。首先针对对话系统的发展和分类情况进行介绍;其次综述了任务型对话系统的架构,重点梳理基于模块和基于端到端两种框架,并进一步总结归纳所使用模型的优缺点;接下来介绍任务型对话系统的评估方法以及应用领域,包括电商领域、教育领域和医学领域等方面;最后对多轮任务型对话系统面临的问题与挑战进行分析并作出总结。     

肿瘤热疗计划系统的研究进展

通过大量文献资料的调研和分析,针对目前国内外热疗计划系统的重要研究进展进行分类回顾,包括通用系统设计、发展过程与现状等,基于调查结果对热疗计划系统目前存在的关键技术问题进行总结,最后探讨和提出了热疗计划系统进一步研究和发展的可能性。     

Research and progress of Beidou satellite navigation system

The paper gives a brief review of the development course and strategic planning of Beidou satellite navigation system,and introduces its construction progress,with emphasis on the research progress of some key technologies of Beidou,including navigation constellation design,navigation signal structure and performance,compatibility and interoperability,precise orbit determination,navigation and precise positioning.The main problems and challenges of Beidou are described.     

Applying the Mahalanobis-Taguchi strategy for software defect diagnosis

The Mahalanobis-Taguchi (MT) strategy combines mathematical and statistical concepts like Mahalanobis distance, Gram-Schmidt orthogonalization and experimental designs to support diagnosis and decision-making based on multivariate data. The primary purpose is to develop a scale to measure the degree of abnormality of cases, compared to “normal” or “healthy” cases, i.e. a continuous scale from a set of binary classified cases. An optimal subset of variables for measuring abnormality is then selected and rules for future diagnosis are defined based on them and the measurement scale. This maps well to problems in software defect prediction based on a multivariate set of software metrics and attributes. In this paper, the MT strategy combined with a cluster analysis technique for determining the most appropriate training set, is described and applied to well-known datasets in order to evaluate the fault-proneness of software modules. The measurement scale resulting from the MT strategy is evaluated using ROC curves and shows that it is a promising technique for software defect diagnosis. It compares favorably to previously evaluated methods on a number of publically available data sets. The special characteristic of the MT strategy that it quantifies the level of abnormality can also stimulate and inform discussions with engineers and managers in different defect prediction situations.