数控装备中的智能自动技术与人工干预措施研究

数控装备的智能自动发展,是当前数控技术发展的大趋势。但现阶段依然存在不少需要人工干预的场合,以提升数控装备运行的可靠性。为了进一步发展数控装备,文章对数控装备的发展趋势进行全面梳理,并在此基础上对数控装备中的智能自动技术和人工干预措施进行系统化的分析,在提升数控装备产品品质的同时,有效控制数控装备的成本,为数控设备的进一步发展提供可靠的参考意见。     

基于钻录测数据驱动的储层可压性无监督聚类模型及其压裂布缝优化

储层可压性评价是提高非常规油气压裂均衡改造效果的先决条件之一。目前储层可压性评价主要依赖测井数据理论解释岩石力学参数,应用效果不均衡。本文利用钻头破岩数据直接反映岩石力学参数的特点,以钻录井和测井数据驱动聚类储层可压性,建立了基于SOM无监督聚类算法的储层可压性聚类模型,手肘法确定最优聚类数,形成了压裂布缝位置参数优化方法。针对塔里木盆地巨厚储层典型直井,开展了三簇射孔布缝位置优选设计。结果表明,钻井钻时、dc指数、钻压、扭矩和测井地层电阻率、声波时差和中子等参数与储层可压性显著相关,可作为特征参数;所建立的模型可有效区分储层可压性沿井筒轴向的差异性,优选同类别储层可压性井段布置裂缝,有望提高均衡压裂改造效果。     

基于集成学习的白流量检测过滤系统

目前主流的恶意流量检测方法是对所有流量都进行安全检测,耗时长,资源浪费大。为节省资源并提高流量检测效率,文章基于机器学习的白流量过滤算法开发了一套能快速辨别并过滤全流量中白流量的过滤系统。系统包括文件检测模块、算法模块和可视化模块三部分。实验证明,相较于传统算法,文章提出的算法能在保证安全性的前提下大大提高流量过滤的效率,节省大量资源。     

基于随机森林算法的煤层预测方法研究

煤层的识别对于煤层气的开发至关重要,使用密度测井是煤层识别的主要工具,但它增加了运行的成本。采用随机森林机器学习方法从钻井数据中识别煤,能够大大降低勘探成本。通过与实测密度测井验证,所有井的煤层识别率均超过90%,这表明机器学习方法是识别煤层并减少测井成本的有效方法。     

基于深度学习与特征融合的恶意网页识别方法研究

互联网环境的高度开放性和无序性导致了网络安全问题的普遍性和不可预知性, 网络安全问题已成为当前国际社会关注的热点问题。基于机器学习的恶意网页识别方法虽然卓有成就, 但随着对恶意网页识别需求的不断提高, 在识别效率上仍然表现出较大的局限性。本文提出一种基于深度学习与特征融合的识别方法, 将图卷积神经网络(Generalized connection network,GCN)与一维卷积神经网络(Convolution neural network, CNN)、支持向量机(Support vector machine, SVM)相结合。首先, 考虑到传统神经网络只适用于处理结构化数据以及无法很好的捕获单词间非连续和长距离依赖关系, 从而影响网页识别准确率的缺点,通过 GCN 丰富的关系结构有效捕获并保持网页文本的全局信息; 其次, CNN 可以弥补 GCN 在局部特征信息提取方面的不足,通过一维 CNN 对网页 URL(Uniform resource locator, URL)进行局部信息提取, 并进一步将捕获到的 URL 局部特征与网页文本全局特征进行融合, 从而选择出兼顾 CNN 模型和 GCN 模型特点的更具代表性的网页特征; 最终, 将融合后的特征输入到 SVM分类器中进行网页判别。本文首次将 GCN 应用于恶意网页识别领域, 通过组合模型有效兼顾了深度学习与机器学习的优点, 将深度学习网络模型作为特征提取器, 而将机器学习分类算法作为分类器, 通过实验证明, 测试准确率达到 92.5%, 高于已有的浅层的机器学习检测方法以及单一的神经网络模型。本文提出的方法具有更高的稳定性, 以及在精确率、召回率、 F1 值等多项检测指标上展现出更加优越的性能。     

基于随机森林和XGBoost的森林火灾毁坏面积预测

预防自然灾害并采取有效的措施进行防护,能有效保障人类生命安全并减少经济损失。在应对森林火灾时,如果能准确预测火灾的毁坏面积,政府和消防人员就能够采取有效的救灾措施控制住灾情。基于此,选取加州大学尔湾分校（University of California Irvine,UCI）网站的森林火灾统计数据,采用随机森林和XGBoost两种集成算法对森林火灾毁坏面积进行预测,并比较两种算法的优势和预测效果。经比较发现,随机森林算法不需要对样本特征进行预筛选,而是通过检测各特征值之间的相关性,平衡误差并进行不断优化,寻找出对火灾面积影响较大的因素。因此,随机森林算法更适用于处理特征值较多的森林火灾数据集。     

基于自然梯度提升的静态电压稳定裕度预测及其影响因素分析

为提升电压稳定裕度预测的精准度和增强预测模型的可解释性,将自然梯度提升算法与沙普利值加性解释理论应用于电压稳定裕度预测中。以离线样本为基础,采用自然梯度提升算法探索运行状态变量与电压稳定裕度间的非线性映射关系,构建自然梯度提升驱动的电压稳定裕度预测模型。然后,引入沙普利值加性解释理论对自然梯度提升模型进行解释,构建基于沙普利值加性解释理论的电压稳定裕度预测影响因素分析架构,并通过全局分析和个体分析两个角度,给出各特征量对于电压稳定裕度预测的具体影响过程,挖掘出导致系统电压稳定裕度降低的关键因素。在新英格兰39节点系统上的算例分析结果表明,与其他算法相比,自然梯度提升不仅具有最佳的预测精度,还拥有良好的鲁棒性与泛化能力,并且基于沙普利值加性解释理论的影响因素分析架构为电压稳定裕度预测提供了依据和支撑。     

基于机器学习的网络安全漏洞监测系统设计

目前,对于网络安全漏洞监测主要是利用已有的漏洞样本,通过提取、匹配特征得到监测结果,无法根据网络状态变化进行自适应调整,导致监测系统的稳定性和准确程度较差。为提高监测漏洞准确率,有效提升网络安全防护工作效果,设计了基于机器学习的网络安全漏洞监测系统。先搭建3层监测系统架构,利用聚合层次聚类算法扫描漏洞,再通过分析漏洞属性,使用自适应模型监测网络安全漏洞。结果表明,机器学习监测漏洞的误检率平均为0.61%,压力测试表现良好,具有较佳的稳定性。     

一种面向复杂场景的无线通信节点智能适变架构

针对可能存在对抗的未知通信环境,本文探讨了一种能进行智能适变的通信节点体系架构.该架构包括通信环境理解、通信波形适配和智能节点学习进化3个核心功能,以及支持这些功能的通信计算融合硬件平台.所提出的智能适变架构支持通信环境知识库、通信波形库,以及波形与环境适配知识图谱的不断累积和进化,通过波形在线重构,通信节点既能匹配典...     

服务机器学习的遥感图像样本采集技术与工具开发

为了提高机器学习中遥感图像样本的规范水平与采集效率,方便样本动态检索与动态采集,文章根据机器学习样本采样的规范性要求,构建了尺度可变、跨越平台的遥感图像样本采集方案,然后采用C#与数据库相结合的方式实现了样本图像分类、动态采集、结果可视、同时录入样本信息的样本采集模式,并完成了原型工具开发。研究结果表明:采集尺度程序化控制、与平台无关的截图方案可以根据学习要求任意改变图像截取标准高效地完成样本采集。样本信息分类化采集、管理、可视化浏览可以快速地实现机器学习样本库动态管理与问题排查,且为进一步划分训练集、测试集和验证集提供较好技术支撑。