故障诊断系统的综合收益评价模型

基于不同智能技术开发的故障诊断系统在不同的应用环境中表现迥异,如何根据应用评估并选择合适的算法是故障诊断系统设计的关键问题.提出了故障诊断系统中正负收益和综合收益的概念,分析了影响故障诊断系统实施效用的主要因素,设计了综合收益评价模型.该模型在汽车发动机、航空发动机两种典型设备的故障诊断系统设计过程中的应用结果显示综合收益评价模型有较高的评估选择能力.     

高层建筑梁柱节点施工中的问题及对策

梁柱节点是高层建筑框架中比较特殊的部位，其受力状态较复杂。作为柱的一部分它既起到向下传递内力的作用，同时又是梁的支座，接受本层梁传递过来的弯矩和剪力，有时还有扭矩。在实际施工中，常会遇到以下3个问题：(1)框架结构顶层端节点的钢筋采用何种形式搭接，特别是当伸人梁内的柱外侧纵向钢筋截面面积大于柱外侧全部纵向钢筋截面面积的65％时，梁柱钢筋如何搭接；(2)梁柱混凝土强度相差大于一个等级时，节点区混凝土的施工问题；(3)梁柱节点处的防裂问题。梁柱节点处的施工是高层建筑框架施工中的一个重点，本文结合施工现场实际，叙述施工中应注意的问题。     

LSTM模型集成方法在客户流失预测中的应用

目前客户流失预测任务中常用的模型集成方法采用传统机器学习模型作为基学习器。而传统机器学习模型相比于深度学习模型,存在无法对时序数据进行有效建模、特征工程对模型效果影响较大等缺点。针对这些问题,提出基于LSTM的模型集成方法。采用LSTM作为基学习器进行时序数据建模;改进snapshot模型集成方法,增加样本权重调整方法,在训练单个LSTM模型的过程中得到多个具有不同权值的模型;利用得到的多个模型构造新数据集,在新数据集上训练逻辑回归模型。实验结果表明,该方法相比于单模型LSTM,可以在仅花费其1.8倍训练时间的前提下,将查准率和PR-AUC分别提升4.67%和3.74%,显著提高了客户流失预测效果。     

基于随机森林模型的电信运营商外呼推荐系统

在电信运营商领域,外呼推荐是一种重要的推荐产品和服务的途径。实现了一种基于运营商大数据的自动外呼推荐系统,该系统能够挖掘用户的行为特征并且使用机器学习的方法预测用户对于被推荐产品的接受可能性。传统推荐系统使用的模型算法为矩阵分解、大规模稀疏特征分类、神经网络等。采用随机森林算法的主要原因是随机森林具有并行化程度高、训练速度快、生成的决策树可解释等诸多优点,适合于基于电信业数据的推荐系统。该外呼推荐系统基于Hadoop、Impala和Spark等大数据处理平台及工具,使用随机森林分类器作为核心算法,将用户最近的行为特征回归为接受外呼推荐产品的可能性。在线测试表明使用该系统与当前部署的人工随机外呼相比,能够提升约41%的用户接受率;同时,根据模型算法输出特征的重要性,进一步给出了两类用户的特征分析。     

基于区块链技术的分布式可信网络接入认证

针对网络接人终端自身安全性较差,易被攻击等问题,提出基于区块链技术的分布式可信网络接入认证方法.根据区块链技术,采用数据层、网络层、共识层以及合约层架构分布式网络框架,整合全部树结构特征的树形数据结构、P2P拓扑结构、有向无环图共识结构以及设定自动执行脚本的智能合约,构建物联网分布式网络框架;将网络运营商设定分布式网络...     

一种基于动态词汇表的在线LDA算法

目前的在线潜在狄利克雷分布模型(LDA)算法大多是基于固定的词汇表,在实际应用中经常会出现词汇表和处理的语料不匹配的情况,影响了模型的实用性。针对这个现象,在置信传播算法(BP)的框架下,使主题单词分布服从狄利克雷过程,重新推导公式,使得词汇表在模型运行之前为空,并且在处理时不断向词汇表中增加发现的新词。实验证明,这种新的基于动态词汇表的算法不仅使得词汇表与语料的贴合度更高,而且使其在混淆度以及互信息指数这两个指标上能够比基于固定词汇表的LDA模型表现得更加优越。     

基于LDA主题模型的用户电信轨迹恢复算法

随着移动通信技术的发展和移动设备的普及,关于人们日常移动行为的轨迹数据记录愈发的丰富起来。海量的轨迹数据背后隐藏着关于人及人类社会的有价值的知识模式。为了使基于轨迹数据产生的知识模式更精准有效服务用户,能够准确、可靠地恢复缺失电信轨迹显得尤为重要。目前大多数方法主要针对GPS轨迹等连续轨迹进行建模,而缺乏对移动通信场景中产生的电信轨迹恢复的研究。因此,针对电信轨迹缺失恢复问题,将电信轨迹恢复问题转化为矩阵补全问题,提出了一种基于LDA主题模型的恢复算法。实验中,与传统矩阵补全算法进行综合比较,并观察了不同参数对轨迹恢复效果的影响。实验结果表明,与传统矩阵补全算法相比,运用LDA主题模型能够显著提高缺失电信轨迹的恢复精度。     

大数据驱动的投诉预测模型

随着电信行业市场竞争的不断加剧,用户对服务质量要求逐步提高,导致用户投诉率不断攀升。在此情况下,通过准确预测用户投诉行为来降低用户投诉率成为运营商关注的重点。目前传统的投诉预测模型仅从分类算法和人工调研特征来讨论,而没有充分利用运营商的大数据。因此,提出了在Hadoop/Spark大数据平台上使用并行随机森林来构建用户预测投诉模型,它不仅用到了业务支持系统数据,而且还用到了运营支持系统数据和客服工单数据,并在此基础上进一步增加了反映用户相互关系的图特征和二阶特征。基于上海市某运营商数据的实验结果表明,利用多来源、高维度的特征来训练用户投诉预测模型的精度会明显高于传统方法,在此基础上有针对性地对目标用户采取安抚措施,可以降低用户投诉率,获得较高的商业价值。     

利用逆向模型生成法建立DSS模型链初探

模型库是决策支持系统的核心部分。本文介绍了决策支持系统中资源库的概念,提出模型链逆向生成的方法,这种方法能够有效地自动生成模型链,并给出了评估多个模型链优劣程度的一般模型。     

国际工程中的工程建设标准问题研究

对国际工程中工程建设标准问题的形成原因,从推动我国的工程建设标准走出去和提高对国外先进工程建设标准的应用能力两个方面进行分析研究,并从加强我国对外承包企业自身建设,提高标准的应用能力的角度就解决国际工程中工程建设标准问题提出相应的对策。