接触电阻建模新方法

根据接触电阻的特点与以往接触电阻计算方法存在的不足,运用结合模糊逻辑的智能计算方法对接触电阻进行计算.根据接触电阻与影响因素之间的关系进行试验,得到大量试验数据,将试验数据分成训练数据与测试数据两部分,训练数据用于训练模糊系统,测试数据用来测试模糊系统,检验其可靠性.通过训练数据运用梯度下降结合模拟退火算法训练模糊系统,建立接触电阻模型,运用回归分析对接触电阻进行计算.通过测试数据测试两种模型,基于模糊系统的模型优于回归分析,说明用梯度下降结合模拟退火算法训练模糊系统建立的接触电阻模型精确可靠.     

基于模糊系统的接触电阻预测算法研究

运用模糊系统对接触电阻进行预测,通过试验得到试验数据,将试验数据分成训练数据与测试数据,训练数据用于训练模糊系统,测试数据用于测试模糊系统。将梯度下降算法与禁忌搜索算法混合得到改进禁忌搜索算法,训练模糊系统,所用算法依次为梯度下降算法、禁忌搜索算法、所得改进算法,并建立相应的接触电阻回归模型。对所得模型进行测试,结果表明,由改进算法训练模糊系统所得接触电阻模型的测试结果优于其他模型,并且该方法预测接触电阻精确可靠。     

最小二乘优化模糊系统的接触电阻计算方法

根据接触电阻的特点,运用模糊系统对其进行计算。设计试验得到训练数据与测试数据,通过训练数据训练模糊系统,建立相应模型,训练算法为递推最小二乘结合禁忌搜索算法。通过回归分析建立相应模型。通过测试数据测试所建立的两种模型,并比较,接触电阻的模糊系统模型的测试结果优于回归分析,比较结果表明模糊系统适用于接触电阻的计算。     

基于AlexNet深度学习模型的中草药植物图像分类研究与实现

本文研究了卷积神经网络中AlexNet模型在5种中草药图像分类过程中的应用。通过Python爬虫算法爬取百度图片中5类中草药3 000张图片,并通过数据增扩算法将数据集扩增到12 000张,以满足模型训练的需求。为了提高训练的效率将数据集转换成LMDB格式,并采用减均值的方式加快模型收敛,以最大限度平衡用CPU训练带来的训练周期过长的影响。合理调整模型参数,经过300次迭代得到87.5%的分类准确率。     

入侵检测与聚类分析

传统的入侵检测方法在面对网络结构升级和未知攻击时 ,缺乏必要的扩展性和自适应能力 ,而基于机器学习的检测算法首先需要训练数据集进行训练 ,然后建立检测模型并通过测试数据集中入侵行为的检测结果来验证 ,此类方法由于获取类标识数据的困难性及其信息表达的局限性 ,降低了对未知攻击的检则能力。本文提出利用遗传聚类进行入侵检测算法IDUGC(IntrusionDetectionUsingGeneticClustering)。实验结果表明 ,此算法在未知入侵检测方面是可行的、有效的 ,并具有良好的可扩展性     

一种基于人工标签数据的行为识别模型迁移方法

针对通用模型对新用户行为识别准确率的问题,给出一种基于人工标签数据的模型迁移方法。对新用户采集少量带标签数据,经过带通滤波、特征提取和归一化预处理,将其加入到通用模型训练集中。对更新后的训练集进行重新训练,以所得模型与通用模型对新用户数据识别准确率的差值作为迁移必要性度量阈值,利用K-均值算法以及由底至顶的决策树子节点属性平均值替代法,对模型进行迁移。实验结果显示,与原通用模型相比,由所给方法迁移学习得到的个性化模型的识别准确率有明显提高。     

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。     

基于ABC、XGBoost与迁移学习的入侵检测方法

传统的入侵检测机器学习算法,面对有差异的新旧数据尤其是未知的攻击行为,会出现检测准确率较低、漏检率较高的问题.为此,提出了一种将人工蜂群(ABC)算法、XGBoost模型与迁移学习相结合的ABC-XGBTrl算法.首先通过使用少量有标签的新数据训练初始分类模型,然后将有标签的旧数据中分类正确的部分与少量有标签的新数据合并,用于训练新的迁移分类模型,最终用来检测未使用的新数据.迁移分类模型中的分类算法使用XGBoost,并利用人工蜂群算法优化XG-Boost的参数.采用NSL-KDD数据集进行了测试,结果表明,这种方法比现有的一些经典集成学习算法具有更高的检测准确率.     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.     

基于关联规则的网络入侵检测方法

介绍了基于关系代数理论的ORAR关联规则算法,分析了在KDD CUP99中选择训练数据集和选择特征的基本方法,并在此基础上利用ORAR算法进行了频繁3、4、5、6项集入侵模式的挖掘,将挖掘结果应用于测试数据集的入侵检测,从检测的准确率和误检率两个方面较为系统地对不同的频繁项集检测的结果进行了比较,得到了检测效果最好的频繁项集,仿真结果对于入侵检测方法的进一步研究具有积极的借鉴意义.     

基于对抗训练的中文电子病历命名实体识别

为提高传统命名实体识别模型在中文电子病历上的准确性,提出一种在基线模型B E RT-BiLSTM-CRF中加入对抗训练的方法,该方法在词嵌入层添加扰动因子从而生成对抗样本,并利用对抗样本进行迭代训练,从而优化模型参数.CCKS2021评测数据集实验结果表明,加入FGM和PGD两个对抗训练模型后,其精准率、召回率以及F1...     

Novel Representations of Word Embedding Based on the Zolu Function

Two learning models, Zolu-continuous bags of words (ZL-CBOW) and Zolu-skip-grams (ZL-SG), based on the Zolu function are proposed. The slope of Relu in word2vec has been changed by the Zolu function. The proposed models can process extremely large data sets as well as word2vec without increasing the complexity. Also, the models outperform several word embedding methods both in word similarity and syntactic accuracy. The method of ZL-CBOW outperforms CBOW in accuracy by 8.43% on the training set of capital-world, and by 1.24% on the training set of plural-verbs. Moreover, experimental simulations on word similarity and syntactic accuracy show that ZL-CBOW and ZL-SG are superior to LL-CBOW and LL-SG, respectively.     

基于AR IMA与LOESS的安全生产事故时序预测研究

我国每年安全生产事故都造成大量的人员伤亡和经济损失,因此预防和减少安全生产事故的发生非常重要,利用ARIMA模型和LOESS回归模型组合预测能提高安全生产事故次数预测的精准度.首先建立ARIMA预测模型,用训练集中的预测偏差建立LOESS回归模型,综合两者的预测值,得到最终预测结果.采用2007年9月至2016年7月全国安全生产事故次数数据的实验结果表明:综合2种模型得到的组合预测方法的预测结果精度高于单种模型.     

RS-SVM forecasting model and power supply-demand forecast

A support vector machine (SVM) forecasting model based on rough set (RS) data preprocess was proposed by combining the rough set attribute reduction and the support vector machine regression algorithm, because there are strong complementarities between two models. Firstly, the rough set was used to reduce the condition attributes, then to eliminate the attributes that were redundant for the forecast, Secondly, it adopted the minimum condition attributes obtained by reduction and the corresponding original data to re-form a new training sample, which only kept the important attributes affecting the forecast accuracy. Finally, it studied and trained the SVM with the training samples after reduction, inputted the test samples re-formed by the minimum condition attributes and the corresponding original data, and then got the mapping relationship model between condition attributes and forecast variables after testing it. This model was used to forecast the power supply and demand. The results show that the average absolute error rate of power consumption of the whole society and yearly maximum load are 14.21% and 13.23%, respectively, which indicates that the RS-SVM forecast model has a higher degree of accuracy.     

基于Att-iBi-LSTM的新闻主题词提取方法研究

针对LSTM网络进行主题词提取时因没有考虑中心词的下文对主题词的影响而导致提取准确率低的问题,提出了一种双向LSTM引入Attention机制模型（Att-iBi-LSTM）的主题词提取方法。首先利用LSTM模型将中心词的上文和下文信息在两个方向上建模;然后在双向LSTM模型中引入注意力机制,为影响力更高的特征分配更高的权重;最后利用softmax层将文档中的词分为主题词或非主题词。并且还提出了一种两阶段模型训练方法,即在自动标注的训练集上进行预训练之后,再利用人工标注数据集训练模型。实验在体育、娱乐和科技3种新闻文本上进行主题词提取任务,实验结果表明本文提出的Att-iBi-LSTM模型与SVM、TextRank和LSTM相比F1值分别提高了13.78%、24.31%和3.32%,使用两阶段训练方法的Att-iBi-LSTM比一阶段训练的F1值提高了1.56%。     

Fast network intrusion detection system using adaptive binning feature selection

Aiming at the problems of the low detection rate of traditional intrusion detection systems and the long training and detection time of intrusion detection systems based on deep learning,an adaptive binning feature selection algorithm using the information gain is proposed,which is combined with LightGBM to design a fast network intrusion detection system.First,the original data set is preprocessed to standardize the data;then the redundant features and noise in the original data are removed through the adaptive binning feature selection algorithm,and the original high-dimensional data are reduced to the low-dimensional data,thereby improving the accuracy of the system and reducing the training and detection time;finally,LightGBM is used for model training on the training set selected by the characteristics to train an intrusion detection system that can detect attack traffic.Through verification on the NSL-KDD data set,the proposed feature selection algorithm only takes 27.35 seconds in feature selection,which is 96.68% lower than that by the traditional algorithm.The designed intrusion detection system has an accuracy rate of 93.32% on the test set,and its training time is low.Compared with the existing network intrusion detection system,the accuracy rate of the proposed system is higher,and its model training speed is faster.     

基于LSTM网络预测的水轮机机组运行状态检测

利用长短期记忆(long short-term memory, LSTM)网络对水轮机机组的运行状态进行预测。对水轮机机组的流式监测数据进行标准化处理,并利用滑动窗口技术将数据转换为LSTM网络训练所需的训练数据集与测试数据集;给出LSTM预测模型结构,并通过调节网络层数、隐层神经元数目等参数对模型进行优化,建立水轮机机组的时间序列数据预测模型。经试验分析验证,与其它模型相比,基于多测点的多元长短期记忆网络预测模型具备更高的预测精度,并基于改进的雷达图分析法计算健康偏离度,成功地检测出某水电厂5号水轮机机组5月末的数据出现异常,验证了模型的有效性。     

基于注意力机制的光线昏暗条件下口罩佩戴检测

自新冠肺炎疫情爆发以来,口罩佩戴检测成为疫情防控的必备操作.该文针对在光线昏暗条件下口罩佩戴检测准确率较低的问题,提出了将注意力机制引入YOLOv5网络进行口罩佩戴检测的方法.首先对训练集图片使用图像增强算法进行预处理,然后将图片送入到引入了注意力机制的YOLOv5网络中进行迭代训练,完成训练后,将最优权重模型保存并在...     

基于迁移学习的天气图像识别

为提高天气图像识别的准确率,达到良好的天气图像分类效果,提出一种基于迁移学习的天气图像识别算法。该算法使用Xception图像分类算法实现网络架构,再基于迁移学习理论将模型和参数应用到天气图像识别中,并在同一数据集上与其他模型进行性能对比。实验结果表明,基于迁移学习的改进Xception模型有效解决了训练样本不足、准确率低的问题,在提高天气图像识别方面取得了较好的效果,实现了对阴天、雾天、雨天、沙尘天、雪天、晴天6类天气的识别,总识别准确率达到94.39%。     

基于集成学习的城市空间停车难度预测

停车位预测技术是解决城市停车难问题的一种可行方案。针对神经网络等预测模型难以应对诸如路边占道停车等复杂情况,提出了一个基于支持向量机和决策树集成的模型训练方法,不再着重预测停车位的个数,而是预测某一位置的停车难度。在每轮训练过程中拟合一个支持向量机模型,同时收集预测出错的样本,最后在误分类样本集合上训练决策树模型来提高整个模型的预测准确性。采用该方法训练了一个城市空间停车难度预测模型,并利用该模型预测了近一周时间的停车难度。实验结果显示,该方法的预测效果优于单独使用支持向量机、决策树和全连接神经网络模型,可以较好地捕捉到停车难度随时间变化的基本情况。