基于机器学习的筒仓动态侧压力预测模型及概率分布研究

筒仓卸料时的动态侧压力是导致筒仓结构被破坏的重要原因,但影响筒仓动态侧压力的因素众多,且相互之间存在着复杂的非线性关系.因此,建立一种考虑多因素影响、高效、准确的动态侧压力的预测方法尤为重要.基于机器学习方法,将支持向量机、BP神经网络和随机森林等3种机器学习方法应用到筒仓动态侧压力的预测中.选取影响筒仓动态侧压力的相...     

基于机器学习的电网工程量计价预测模型

针对电网工程量清单计价方法中,综合单价计价基础不合理、确定流程繁琐、调整不科学等问题,提出了一种基于机器学习算法的综合单价预测模型.通过研究电网工程量清单的计价规则以及综合单价的组成成分,分析了综合单价的影响因素,建立了基于决策树的随机森林模型,并在市场价格波动的情况下对综合单价实现预测.选取100个电网工程项目进行模型训练及测试.结果表明,评价指标MAPE为1.55%,MAE为9.67.验证了该预测模型的正确性及可行性,为合理确定电网工程价格提供了新的思路.     

基于体检数据机器学习分析的糖尿病风险预测模型

针对糖尿病风险预测中数据单一导致预测误差较大的问题,本研究基于体检电子病历数据分析搭建空腹血糖预测模型,探究适合进行空腹血糖预测建模的方法,预测血糖指标及糖尿病的患病风险.基于数据挖掘基本流程,进行数据预处理,采用序列后向算法进行特征选择,使用决策树、随机森林、SVM、逻辑回归及朴素贝叶斯分类5种机器学习算法进行建模预...     

基于机器学习的服装时尚分析研究

服装是目前全球最具商业利益的产业之一,基于机器学习的服装时尚分析技术是利用海量的服装时尚数据学习挖掘服务于时尚产业的商务智能信息,该技术日益受到工业界和学术界的共同关注。本文结合服装时尚数据的特点提出了基于机器学习的服装时尚分析基本框架,并在此基础上从文本数据分析和图像数据分析两个方面对近几年国内外的相关研究工作进行总结分析,指明了该领域面临的挑战和未来的研究工作。     

基于机器学习的视频指纹识别

把视频应用于指纹识别,定义指纹视频的内部相似性(inside similarity,S^I)和一对待匹配指纹视频的外部相似性(outside similarity,S^O),计算两个视频的匹配分数来表示它们的相似性,大大提高了自动指纹识别系统的识别率。为寻求更好的识别效果,提出把一次匹配结果作为一个样本,将S^I和S^O作为一个样本的两个特征的新思路,把判断一次匹配是同源匹配还是异源匹配问题转化为对具有二维特征(S^I,S^O)的样本进行分类的问题。在样本集上应用常见的机器学习算法,对每次的匹配结果进行分类。在两组样本集上的实验结果为:应用机器学习算法得到的最低错误率分别为0.1704％和0.1106％,而使用阈值得到的最低错误率分别为0.2229％和0.1700％。结果表明,相比使用阈值来区分指纹同、异源的方法,应用机器学习算法不仅提高了识别率,而且省去了计算两个视频的匹配分数时对参数和阈值的复杂选取过程。     

基于机器学习的网络拥塞控制研究

拥塞控制是网络研究的经典课题,可以避免网络因拥塞而性能下降。其在互联网的发展中扮演着重要的角色。近年来,随着机器学习、深度学习和强化学习的兴起,给拥塞控制提供了新的思路。对网络拥塞控制的机制进行了详细分析,阐述了国内外对于该领域的研究现状及进展,将有代表性的解决方案分为基于规则的解决方案、基于路由反馈的解决方案和智能解决方案3类,并详细分析了各方案的原理及优缺点。     

基于机器学习的高铁站评价模型

高铁站的选址一直处于矛盾之中,政府既要减少高铁站对民众生活的影响,又要考虑拆迁成本,如何让高铁站的选址更加科学成为一个需要深思熟虑的问题.为此,运用线性回归分析法、灰色预测法建立了经济贡献率模型,得到高铁站对该市的经济贡献率;以辽宁省已建成的高铁相关数据为基础,从建设投入、施工耗时、换乘方便度、经济贡献等角度进行考虑,...     

Agent普适机器学习模型设计研究

从上世纪90年代MarkWeiser提出普适计算的透明化和不可见性两个特点开始,到2003年国际普适计算会议提出使用自身的信息来提高系统性能以后,普适计算开始向机器学习的方向发展。通过Agent的移动性和普适计算的随时随地性来实现机器学习为各行各业服务的普适功能,从而形成Agent普适机器学习基本内容。借助普适计算的基本性质,结合机器学习的特点,给出Agent普适机器学习设计方法。     

基于机器学习的小鼠基因位点预测方法研究

DNA N6甲基腺嘌呤(6mA)是DNA中一种重要的甲基化修饰,参与生物学许多调控过程,在生物过程中起着重要的作用.文章用了公开的小鼠数据集进行研究,首先对小鼠的基因序列(A、T、C、G)通过数学表示符进行信息编码,然后采用卡方检验的方法对编码信息进行特征筛选,筛选出6mA位点相关的特征进行下一步的研究,最后用了7种机器学习算法构建分类模型,并采用五折交叉验证(5-Fold Cross-Validation)对预测结果进行验证,结果显示在使用滑动窗口编码方式下选取前20个最优特征作为训练集样本特征,其随机森林模型对于小鼠6mA位点预测准确率可达到1.     

基于机器学习的高强度螺栓疲劳寿命预测

受多变量和接触非线性的影响,如何延长高强度螺栓疲劳寿命依然是亟待解决的难题。为准确预测螺栓的疲劳寿命,文章将经典参数分析方法与机器学习技术相结合,首先根据数值分析结果对螺栓疲劳寿命参数的影响因素进行降维处理,然后使用多项式回归（PR）和多层感知（MLP）回归的机器学习模型建立螺栓应力幅与影响因素间的映射关系,最后将机器学习模型与图形化编程语言LabVIEW相结合,设计一套能够准确分析高强度螺栓连接系统应力幅值并预测其疲劳寿命的窗口化分析工具。实验结果表明,PR模型得到的预测值与数值模拟计算值的误差低于2%,MLP回归模型得到的预测值与数值模拟计算值的误差低于4%。     

基于机器学习的纳滤膜预测筛选模型构建与评估

纳滤净水技术是应对水资源危机和水质安全保障的核心技术之一。然而,纳滤膜性能长期受渗透性与选择性制约,亟需开发高性能纳滤膜。纳滤膜制备过程涉及水相单体质量分数、水相添加剂质量分数、油相单体质量分数、聚合时间等因素,传统的试误实验法需消耗大量的人力、物力与财力。依据纳滤膜制备参数,构建基于机器学习的纳滤膜预测筛选模型。结果表明,XGBoost机器学习模型可有效预测纳滤膜纯水通量与截留性能,对纯水通量和截留性能的R²评价指标分别为0.84和0.90。采用SHAP值法对XGBoost机器学习模型中的输入参数进行量化分析,发现水相单体质量分数与基膜类型对纯水通量有最高的绝对平均SHAP值,分别为2.77与2.59,而面向纳滤膜截留性能的关键参数绝对平均SHAP值相对接近。单体子结构特征分析结果显示,亲水性子结构特征与支链型子结构特征有助于提升纳滤膜纯水通量,胺基则促进纳滤膜的截留性能。构建的纳滤膜预测筛选模型有助于关键参数的识别与优化,为纳滤膜的开发提供理论与技术指导。     

采用核极限学习机的短期需水量预测模型

为满足给水系统日常管理对短期需水量预测时效的需求,建立了所需训练时间短的核极限学习机模型(kernel-based extreme learning machine,KELM);从提升预测精度的角度考虑,构造了以傅里叶级数为理论依据的残差修正模块(Fourier se-ries,FS),利用该模块对需水量初始预测值与观...     

基于半监督机器学习的滑坡易发性预测建模

为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点,以江西省南康区为例,拟用半监督卡方自交互侦测决策树(SSCHAID)和半监督反向传播神经网络(SSBPNN)进行滑坡易发性预测(LSP), 在已知滑坡样本和随机选取的非滑坡样本基础上,用全监督机器学习将初始LSP划分成不同级别;将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加,筛选一定数量的潜在滑坡栅格单元扩充滑坡样本;从极低易发区选取非滑坡栅格单元组合成新的输出变量;将新的输出变量导入全监督机器学习,获得最终LSP并评价其精度. 结果表明：半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.     

Time series online prediction algorithm based on least squares support vector machine

Deficiencies of applying the traditional least squares support vector machine （LS-SVM） to time series online prediction were specified. According to the kernel function matrix＇s property and using the recursive calculation of block matrix, a new time series online prediction algorithm based on improved LS-SVM was proposed. The historical training results were fully utilized and the computing speed of LS-SVM was enhanced. Then, the improved algorithm was applied to timc series online prediction. Based on the operational data provided by the Northwest Power Grid of China, the method was used in the transient stability prediction of electric power system. The results show that, compared with the calculation time of the traditional LS-SVM（75 1 600 ms）, that of the proposed method in different time windows is 40-60 ms, proposed method is above 0.8. So the improved method is online prediction. and the prediction accuracy（normalized root mean squared error） of the better than the traditional LS-SVM and more suitable for time series online prediction.     

Parallel solving model for quantified boolean formula based on machine learning

A new parallel architecture for quantified boolean formula （QBF） solving was proposed, and the prediction model based on machine learning technology was proposed for how sharing knowledge affects the solving performance in QBF parallel solving system, and the experimental evaluation scheme was also designed. It shows that the characterization factor of clause and cube influence the solving performance markedly in our experiment. At the same time, the heuristic machine learning algorithm was applied, support vector machine was chosen to predict the performance of QBF parallel solving system based on clause sharing and cube sharing. The relative error of accuracy for prediction can be controlled in a reasonable range of 20%-30%. The results show the important and complex role that knowledge sharing plays in any modern parallel solver, it shows that the parallel solver with machine learning reduces the quantity of knowledge sharing about 30% and saving computational resource but does not reduce the performance of solving system.     

基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks, DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。     

基于蚁群和支持向量机的microRNA预测方法

由于microRNA在生物体系统中起着重要的调控功能,对microRNA进行快速有效的预测很有必要.本文通过使用蚁群算法和支持向量机相结合的思想,结合microRNA的前体pre-miRNA序列特征和结构特征,构造了一种microRNA的预测方法.通过采集Sanger和UCSE数据库中的人类阳性和部分阴性数据集进行学习和测试,同时使用J48和BP神经网络两种机器学习方法进行对比,实验结果显示,使用蚁群算法和支持向量机的方法预测pre-miRNA的识别率达97.471％,与另外两种方法相对比,识别率分别提高了8.736％和10.575％,预测的准确性有显著提高.     

基于支持向量机的增量式算法

为了扩展支持向量机在大规模数据集和成批出现数据领域的应用,提出了一种基于支持向量机的增量式学习算法.利用标准的支持向量机算法训练得到初始的目标概念,通过增量式步骤不断更新初始的目标概念.更新模型是求解一个与标准支持向量机具有类似的数学形式的凸二次规划问题.证明了在可分情况下,如果新增加的样本不是位于边界区,那么增量式过程既不会改变分类平面也不会改变分类平面的表达.与现有的增量式支持向量机算法相比,该算法无需额外计算就可实现增量式的逆过程并且训练时间与增量式步骤数成反比.实验结果表明,该算法满足稳定性、能够不断改进性能以及性能回复三个准则.     

基于BP神经网络的两阶段疾病预测模型

为了理论解决BP神经网络在进行多目标预测中出现的识别率和可信度不高的问题,提出了一种基于DS证据理论优化的BP神经网络预测模型用于疾病预测,实验中,对心脏病数据进行处理,结果表明,在预测准确度和算法鲁棒性方面,都具有较好的效果。     

工程项目工期风险的支持向量机预测模型

影响建筑施工项目的各种不确定因素错综复杂，为了在工程项目实施前确定工程的最终工期，在介绍支持向量机回归理论的基础上，本文提出了基于支持向量机的工程项目工期风险预测模型。根据以往同类工程的风险数据作为学习样本，训练并构建支持向量机来预测待建项目的工期风险水平。最后的实证研究表明了该预测体系的可行性及可靠性。