采用路径IRP的Windows恶意进程检测方法

针对程序在同一操作系统的不同环境下运行产生的IRP(I/O request packets)序列不完全相同,对检测结果有一定影响的问题,提出了采用路径IRP的Windows恶意进程检测方法.单独提取每一个操作路径的IRP请求序列,应用朴素贝叶斯、贝叶斯网络、支持向量机、C4.5决策树及改进的人工免疫算法(IAIS)进行检测,并比较了各种算法在不同特征选择方法下的检测效果.实验结果表明,本文所提出的采用路径IRP的Windows恶意进程检测方法是有效可行的,在所有方法中,采用Fisher Score进行特征选择的朴素贝叶斯方法得到了最高的检测率99.2%,优于基于IRP序列的恶意进程检测方法.     

基于朴素贝叶斯模型的邮件过滤技术

针对朴素贝叶斯算法应用于反垃圾邮件过滤时,其有效性十分依赖于对邮件内容的有效建模,而邮件内容建模方面研究尚不成熟限制了贝叶斯方法在垃圾邮件过滤中的性能.采用了三种概率分布对邮件内容进行建模,据此提出了3种概率分布下的朴素贝叶斯算法.为了提高训练效率,算法采用了一种增量式的垃圾邮件过滤方法.在trec05p-1、trec06p两个公开数据集上对这3种贝叶斯算法进行了实验对比,分析出三种贝叶斯分布的适用范围.从不同分布的邮件内容建模角度出发,为过滤垃圾邮件的方法选择提供了有效依据.     

基于动作轮廓特征的人体动作识别

提出了一种人工挑选关键帧的人体动作识别方法.先从标准视频中提取出能代表姿势的关键动作,然后对待测视频中每一帧图像中人体动作和关键动作比较分类来确定动作时间的相关度和相似度.实验结果表明人工挑选关键帧具有数量少和动作代表性强的特性,基于动作轮廓特征的人体动作识别方法在识别速度上比传统的方法快,识别率也较高.     

基于多参数时间序列及粒子群优化算法的油藏产量动态建模预测方法

在油田开发过程中,油藏产量预测方法的研究对开发方案的动态调整具有重要意义。针对利用机器学习算法进行油藏产量预测过程中,因缺乏考虑时间序列模型的参数调整优化技术,以及新数据叠加进行预测模型动态更新技术,导致产量预测的准确率不高且时效性不强,难以满足实际生产应用需求等问题,研究了基于长短期记忆神经网络模型的多参数时间序列预测方法及粒子群参数优化算法,构建了随时间动态更新的油藏产量预测模型,从而进一步提升油藏产量预测的准确率与实用性,并在长庆油田多个油藏的生产过程中进行了应用。应用结果表明,模型预测结果的准确率较高,且模型具有实时训练和自动更新的特点,在实际生产中展现出了较高的应用价值。     

人工智能在压裂技术中的应用现状及前景展望

随着人工智能理论和计算机技术的快速发展,智能化和数字化已成为推动储层压裂技术发展的重要力量。针对压裂技术智能化发展,阐述了人工智能技术在地质参数预测、压裂参数优化设计、压裂施工实时诊断与调控、压裂工具及材料研发等方面的研究进展与应用情况,分析了当前智能压裂技术发展存在的主要问题与今后的重点发展方向,认识到智能压裂技术仍处于探索试验阶段,国外在“甜点”智能识别、压裂参数优化、现场施工智能化控制等方面的研究已走在前列,并在北美地区多个区块的压裂服务中成功应用,国内仅在压裂大数据机器学习、智能化压裂材料等方面进行了早期探索,在智能压裂装备、工具、实时监测诊断和现场智能化调控等方面的研究与应用较少,与国外存在较大差距。分析认为,数据样本可靠性差、一体化智能压裂方法与装备欠缺和多领域交叉人才缺乏等是影响智能压裂技术快速发展的关键问题,并预测随着万物互联技术的发展,将形成智能化完井压裂系统,不需要人工干预即可完成储层评估、“甜点”识别、压裂参数优化设计、现场调控和压后评估等工作,真正实现一体化智能储层改造。      

采用深度迁移学习定位含直驱风机次同步振荡源机组的方法

随着新能源电力电子器件的广泛接入,电力系统次同步振荡问题的诱发机理越来越复杂.为了能够及时定位到诱发次同步振荡的机组并采取措施,基于深度迁移学习提出了一种次同步振荡源定位的方法.该方法首先依据开环模式谐振理论构建仿真系统,并在仿真系统中获取训练数据样本;其次,运用卷积神经网络(CNN)进行振荡源特征提取并建立训练定位模型;最后,通过迁移学习将训练模型迁移到实际系统,以实现定位模型的应用.为验证所提方法的有效性,设计了含直驱风机并网的电力系统的仿真系统测试算例.结果表明,该方法相比于传统的特征值分析方法,具有定位准确率高、在线应用方便等优势.该方法能够在较短时间内给出判别结果,为实现振荡源的在线识别奠定了基础.     

基于改进的图像局部区域相似度学习架构的图像特征匹配技术研究

该文在AdaBoost算法的基础上提出了一种图像局部区域相似度的学习架构,利用该架构训练图像局部特征来获得低维数、独特的特征描述子,以实现对图像局部区域高精度地匹配.所提学习架构通过学习图像局部区域相似性得到一组非线性弱学习器对图像局部特征进行描述;同时,在响应函数组合形式和弱学习器权重优化配置方面,针对浮点描述子和二值描述子分别提出了新的补丁相似性度量函数作为目标函数的核函数,提高了图像特征相似性匹配效果.该学习架构不会受限于任何预定义的图像特征信息采集模式,能产生基于灰度信息或方向梯度信息的特征描述子.实验结果表明采用这种学习架构获得的特征描述子,在所有对比描述子中图像局部匹配查准率是最好的.所提学习框架能有效地配置优化描述子弱学习器,能提高图像特征描述子对图像尺度和视角变化的鲁棒性.     

二次回归学习及其在软件开发工作量预测上的应用

回归学习是用于对具有实值标记样本进行学习建模的监督学习技术。为获得良好的预测性能,通常需要大量的训练样本,然而,在实际应用中可收集到的训练样本数量极少。针对该问题,提出一种基于二次学习框架的新型二次回归学习方法———基于神经网络集成的回归树算法( NERT)。该方法借助虚拟样本生成技术,通过串行执行的两个学习阶段对其进行有效利用,有效缓解训练样本不足的困难,从而提升学习性能。同时,通过为两个阶段分别选择泛化能力强和理解性好的学习方法,可得到预测性能好且可理解性高的模型。实验结果表明在训练样本极少的软件开发工作量预测问题上,NERT方法能够从小样本数据得到比现有方法更好的预测性能,同时其模型内在可理解性能够揭示工作量预测的关键因素。     

偏标记学习研究综述

在弱监督信息条件下进行学习已成为机器学习领域的热点研究课题。偏标记学习作为一类重要的弱监督机器学习框架,适于多种实际应用问题的学习建模。在该框架下,每个对象在输入空间由单个示例(属性向量)进行刻画,而在输出空间与一组候选标记相关联,其中仅有一个为其真实标记。本文将对偏标记学习的研究现状进行综述,首先给出该学习框架的定义以及与相关学习框架的区别与联系,然后重点介绍几种典型的偏标记学习算法以及作者在该方面的初步工作,最后对偏标记学习进一步的研究方向进行简要讨论。     

面向频谱大数据处理的机器学习方法

随着移动互联网与物联网的迅猛发展,个人无线设备的数 量呈现指数级增长,随之产生的海量频谱数据与日俱增,频谱大数据的存在已成事实。同时 ,频谱赤字也日益严峻。为提高频谱利用率,有效的频谱大数据处理显得十分重要。本文从 无线通信的角度,首先给出了频谱大数据的定义并分析了它的基本特征;然后总结了一些 对于频谱大数据分析与利用颇具前景的机器学习方法,如分布式和并行式学习、极速学习、 核学习、深度学习、强化学习、博弈学习和迁移学习;最后给出了几个开放性话题和研究 趋势。