機(jī)器學(xué)習(xí)
- 高校學(xué)生評(píng)教信息中文本語(yǔ)義因素的挖掘與運(yùn)用研究
本語(yǔ)義因素；機(jī)器學(xué)習(xí)中圖分類號(hào)：G4?????文獻(xiàn)標(biāo)識(shí)碼：A??????doi：10.19311/j.cnki.16723198.2024.03.0790?引言目前，基于人才培養(yǎng)在高校中的重要作用，各高校越來(lái)越重視教師課堂教學(xué)質(zhì)量，并且有越來(lái)越多的高校使用學(xué)生對(duì)教師課堂教學(xué)的評(píng)價(jià)來(lái)作為評(píng)判教師課堂教學(xué)質(zhì)量的關(guān)鍵依據(jù)。多數(shù)高校學(xué)生評(píng)教系統(tǒng)中同時(shí)包括數(shù)值信息的學(xué)生評(píng)分和非數(shù)值信息的學(xué)生評(píng)價(jià)文本，但出于信息收集與計(jì)算的方便，多數(shù)高校僅使用評(píng)分?jǐn)?shù)值計(jì)算評(píng)教結(jié)果，這
現(xiàn)代商貿(mào)工業(yè) 2024年3期2024-01-27
- 侵權(quán)訴訟背景下標(biāo)準(zhǔn)必要專利價(jià)值分類識(shí)別體系構(gòu)建
/意義]基于機(jī)器學(xué)習(xí)算法，對(duì)行業(yè)標(biāo)準(zhǔn)專利構(gòu)建多模態(tài)特征融合的自動(dòng)分類篩選模型，探究侵權(quán)訴訟背景下標(biāo)準(zhǔn)必要專利價(jià)值分類指標(biāo)體系。[方法/過(guò)程]首先利用美國(guó)專利商標(biāo)局的發(fā)生侵權(quán)訴訟后的標(biāo)準(zhǔn)必要專利作為標(biāo)記數(shù)據(jù)，將文本數(shù)據(jù)和指標(biāo)數(shù)據(jù)進(jìn)行降維融合后，建立基于機(jī)器學(xué)習(xí)中監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)模型專利分類篩選模型，最后對(duì)數(shù)字創(chuàng)意產(chǎn)業(yè)的標(biāo)準(zhǔn)專利進(jìn)行分類篩選。[結(jié)果/結(jié)論]基于機(jī)器學(xué)習(xí)中監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)模型算法構(gòu)建一套較為完整的多特征融合專利價(jià)值自動(dòng)分類篩選模型。構(gòu)建的
知識(shí)管理論壇 2023年6期2024-01-20
- 基于LSTM神經(jīng)網(wǎng)絡(luò)模型的鐵礦石期貨市場(chǎng)實(shí)證研究
近幾年掀起了機(jī)器學(xué)習(xí)研究的熱潮，基于機(jī)器學(xué)習(xí)的投資量化分析也越來(lái)越受到關(guān)注。文章基于LSTM神經(jīng)網(wǎng)絡(luò)模型，選取了2021年9月至12月底的鐵礦石主力合約高頻數(shù)據(jù)建立了趨勢(shì)預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，該模型擬合良好，能夠較好地預(yù)測(cè)鐵礦石期貨短期內(nèi)的趨勢(shì)。 關(guān)鍵詞：機(jī)器學(xué)習(xí)；LSTM神經(jīng)網(wǎng)絡(luò)模型；鐵礦石期貨；量化投資 一、引言 隨著社會(huì)經(jīng)濟(jì)的不斷增長(zhǎng)，科學(xué)技術(shù)的不斷提高，機(jī)器學(xué)習(xí)在對(duì)數(shù)據(jù)分析方面展現(xiàn)其絕對(duì)優(yōu)勢(shì)。在信息時(shí)代的今天，合理應(yīng)用機(jī)器學(xué)習(xí)技術(shù)具有十分重
中國(guó)集體經(jīng)濟(jì) 2024年2期2024-01-12
- 基于機(jī)器學(xué)習(xí)的高強(qiáng)鋼焊接等截面箱型柱整體穩(wěn)定性預(yù)測(cè)方法
方法，而基于機(jī)器學(xué)習(xí)的預(yù)測(cè)方法能夠顯著提升預(yù)測(cè)的準(zhǔn)確性和便捷性。為了準(zhǔn)確預(yù)測(cè)高強(qiáng)鋼焊接等截面箱型柱的整體穩(wěn)定性，提出使用纖維模型構(gòu)建數(shù)據(jù)庫(kù)并利用機(jī)器學(xué)習(xí)建立預(yù)測(cè)模型的方法。首先確定模型的輸入輸出參數(shù)，并通過(guò)纖維模型方法建立數(shù)據(jù)庫(kù)；接著，選用常見(jiàn)的3種不同類型的機(jī)器學(xué)習(xí)模型和現(xiàn)有規(guī)范中的經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行預(yù)測(cè)，并依據(jù)評(píng)價(jià)指標(biāo)進(jìn)行性能對(duì)比；最后，根據(jù)可解釋算法分析機(jī)器學(xué)習(xí)模型的合理性。結(jié)果表明：大部分機(jī)器學(xué)習(xí)模型預(yù)測(cè)結(jié)果與試驗(yàn)結(jié)果吻合度略高于現(xiàn)有規(guī)范中的經(jīng)驗(yàn)?zāi)Ｐ?，?/div>
土木建筑與環(huán)境工程 2024年1期2024-01-03
- 寒冷地區(qū)模塊化鋼框架結(jié)構(gòu)多目標(biāo)優(yōu)化設(shè)計(jì)方法
上，采用多種機(jī)器學(xué)習(xí)算法進(jìn)行建筑能耗預(yù)測(cè)，建立一種高效精確的建筑能耗預(yù)測(cè)模型；聯(lián)立建筑能耗預(yù)測(cè)模型和建筑成本計(jì)算公式，在滿足結(jié)構(gòu)承載力的約束條件下，基于NSGA-Ⅱ算法進(jìn)行模塊化鋼框架結(jié)構(gòu)能耗和成本的多目標(biāo)優(yōu)化設(shè)計(jì)，生成帕累托最優(yōu)解集。多目標(biāo)優(yōu)化設(shè)計(jì)方法解決了模塊化鋼框架結(jié)構(gòu)“能耗+成本”的多目標(biāo)一體化設(shè)計(jì)難題，推動(dòng)了模塊化鋼框架結(jié)構(gòu)的智能化升級(jí)，實(shí)現(xiàn)了模塊化鋼框架結(jié)構(gòu)設(shè)計(jì)的快速高效化。關(guān)鍵詞：鋼框架結(jié)構(gòu)；參數(shù)化建模；建筑能耗預(yù)測(cè)；機(jī)器學(xué)習(xí)；多目標(biāo)優(yōu)化設(shè)計(jì)土木建筑與環(huán)境工程 2024年1期2024-01-03
- 機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用研究現(xiàn)狀與展望
互作用關(guān)系。機(jī)器學(xué)習(xí)因其數(shù)據(jù)分析能力強(qiáng)，無(wú)需先驗(yàn)的理論公式和專家知識(shí)，相較于傳統(tǒng)的建模統(tǒng)計(jì)分析方法具有更大的應(yīng)用空間。通過(guò)機(jī)器學(xué)習(xí)方法對(duì)收集的信息與數(shù)據(jù)進(jìn)行深度挖掘并分析其內(nèi)在聯(lián)系，有助于提升盾構(gòu)隧道工程建設(shè)的效率和安全保障水平。簡(jiǎn)述機(jī)器學(xué)習(xí)方法的基本原理，總結(jié)和分析機(jī)器學(xué)習(xí)方法在盾構(gòu)工程中的應(yīng)用研究狀況，綜述基于機(jī)器學(xué)習(xí)的盾構(gòu)設(shè)備狀態(tài)分析、盾構(gòu)設(shè)備性能預(yù)測(cè)、圍巖參數(shù)反演、地表變形預(yù)測(cè)和隧道病害診斷等5個(gè)方面的進(jìn)展，并分析當(dāng)前研究的不足。最后，分析盾構(gòu)隧道土木建筑與環(huán)境工程 2024年1期2024-01-03
- 民族院校“機(jī)器學(xué)習(xí)”課程教學(xué)與實(shí)踐改革研究
30074）機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及理論基礎(chǔ)，包括高等數(shù)學(xué)、線性代數(shù)、概率論與統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫(kù)、最優(yōu)化理論、復(fù)雜度理論等多門學(xué)科，它是人工智能的重要技術(shù)基礎(chǔ)，也是智能科學(xué)的核心。目前人工智能的4次浪潮都與機(jī)器學(xué)習(xí)的方法有關(guān)。因此，“機(jī)器學(xué)習(xí)”課程是人工智能專業(yè)和智能科學(xué)與技術(shù)專業(yè)學(xué)生必修的一門基礎(chǔ)課［1］。一、民族院?！?span id="j5i0abt0b" class="hl">機(jī)器學(xué)習(xí)”教學(xué)與實(shí)踐課程現(xiàn)狀及思考民族院校在教育領(lǐng)域有著獨(dú)特的地位和特點(diǎn)，如何在民族院校中進(jìn)行機(jī)器學(xué)習(xí)課程的教學(xué)與實(shí)踐改革，培養(yǎng)新教育教學(xué)論壇 2023年51期2024-01-02
- 中國(guó)城市碳達(dá)峰路徑及其驅(qū)動(dòng)因素的結(jié)構(gòu)分解
、梯度提升等機(jī)器學(xué)習(xí)算法，科學(xué)預(yù)測(cè)各個(gè)城市的碳達(dá)峰路徑；最后，運(yùn)用拓展的廣義迪氏指數(shù)方法對(duì)2000—2030年地級(jí)及以上城市碳排放演變的驅(qū)動(dòng)因素進(jìn)行分解，結(jié)果顯示：①中國(guó)二氧化碳排放總量呈持續(xù)增長(zhǎng)態(tài)勢(shì)，各城市增速不同且差異較大，形成“發(fā)達(dá)城市高排量，欠發(fā)達(dá)城市低排量”的態(tài)勢(shì)。②267個(gè)樣本城市中，僅有蘇州市、貴陽(yáng)市等6個(gè)城市可以提前達(dá)峰或按期達(dá)峰，比重僅占2%；上海市、廣州市、杭州市等252個(gè)城市將在2031—2034年達(dá)峰；北京市、珠海市等9個(gè)城市將長(zhǎng)時(shí)中國(guó)人口·資源與環(huán)境 2023年9期2023-12-13
- 年報(bào)文本情緒與上市公司違規(guī)行為識(shí)別
為樣本，通過(guò)機(jī)器學(xué)習(xí)的文本分析方法對(duì)11?040份上市公司年度財(cái)務(wù)報(bào)告中的“管理層討論與分析”（MD&A）的文本情緒進(jìn)行測(cè)度，研究文本情緒與公司違規(guī)行為的關(guān)系。研究發(fā)現(xiàn)：整體而言，MD&A文本情緒與公司的違規(guī)行為負(fù)相關(guān)。對(duì)MD&A細(xì)分后發(fā)現(xiàn)，“展望”部分文本情緒與上市公司違規(guī)行為的負(fù)相關(guān)性弱于“經(jīng)營(yíng)情況概述”部分。進(jìn)一步研究發(fā)現(xiàn)，較高的信息透明度增強(qiáng)了文本情緒與上市公司違規(guī)的負(fù)相關(guān)關(guān)系。在控制內(nèi)生性和調(diào)整了MD&A文本情緒值之后，主要結(jié)論仍然穩(wěn)健。此外，研當(dāng)代經(jīng)濟(jì)科學(xué) 2023年6期2023-12-11
- BP神經(jīng)網(wǎng)絡(luò)滑動(dòng)窗口算法在活躍火時(shí)空預(yù)測(cè)模型研究與實(shí)現(xiàn)
活躍火； 機(jī)器學(xué)習(xí)； 中南半島中圖分類號(hào)：TP399.4? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2023）09-124-05Research and implementation of BP neural network sliding window algorithmin active fire spatiotemporal prediction modelXie Feifan， Zhang Shitao， Huang計(jì)算機(jī)時(shí)代 2023年9期2023-09-25
- 人體異常坐姿識(shí)別方法研究進(jìn)展
;特征提取;機(jī)器學(xué)習(xí);分類算法中圖分類號(hào)：TP18文獻(xiàn)標(biāo)志碼：A坐姿是最常見(jiàn)的人體姿態(tài)，在久坐的過(guò)程中，人體極易出現(xiàn)異常坐姿，導(dǎo)致患上骨骼與肌肉疾?。?-2］的風(fēng)險(xiǎn)增加，全球每年大約有200萬(wàn)人因長(zhǎng)期坐姿不標(biāo)準(zhǔn)而引發(fā)相關(guān)的肌肉骨骼疾?。?］。實(shí)現(xiàn)異常坐姿的分類識(shí)別對(duì)人們的健康生活具有重要意義。目前，根據(jù)人體異常坐姿信息的采集方式可將坐姿識(shí)別方法分為3類：基于接觸式傳感器的識(shí)別方法、基于射頻信號(hào)的識(shí)別方法以及基于機(jī)器視覺(jué)的識(shí)別方法?；诮佑|式傳感器的人體異常- 基于創(chuàng)新應(yīng)用驅(qū)動(dòng)的“機(jī)器學(xué)習(xí)”課程教學(xué)改革研究
721016機(jī)器學(xué)習(xí)是人工智能的重要組成部分，專門分析和解釋數(shù)據(jù)的模式及結(jié)構(gòu)，以達(dá)到無(wú)須人工交互即可完成學(xué)習(xí)、推理和決策等行為的目的[1]。目前機(jī)器學(xué)習(xí)已成為數(shù)據(jù)挖掘、模式識(shí)別、知識(shí)發(fā)現(xiàn)和智能計(jì)算等領(lǐng)域的核心技術(shù)和研究熱點(diǎn)，在許多方面發(fā)揮越來(lái)越大的作用。但是我國(guó)高校在計(jì)算機(jī)專業(yè)課程教學(xué)方面仍以理論講授為主，不能滿足不同專業(yè)背景大學(xué)生的實(shí)際應(yīng)用需求。因此，如何轉(zhuǎn)變傳統(tǒng)“機(jī)器學(xué)習(xí)”課程教學(xué)模式，以及滿足現(xiàn)代科技革命與產(chǎn)業(yè)變革對(duì)于人才創(chuàng)新能力發(fā)展的需求，成為亟待海峽科技與產(chǎn)業(yè) 2023年3期2023-09-06
- 機(jī)器學(xué)習(xí)應(yīng)用于在線科學(xué)探究中的綜述研究
茖摘 ?要：機(jī)器學(xué)習(xí)近幾年來(lái)逐漸被應(yīng)用于在線科學(xué)探究活動(dòng)的自動(dòng)評(píng)價(jià)、過(guò)程分析等方面，在輔助教師教學(xué)、提升學(xué)生科學(xué)學(xué)習(xí)效果上發(fā)揮了重要作用。機(jī)器學(xué)習(xí)融入并支持在線探究學(xué)習(xí)活動(dòng)是未來(lái)科學(xué)探究走向大規(guī)模多場(chǎng)景實(shí)踐應(yīng)用的重要技術(shù)支撐。為向國(guó)內(nèi)研究者和一線教師提供開(kāi)展相關(guān)研究和教學(xué)實(shí)踐的參考，在三個(gè)英文數(shù)據(jù)庫(kù)中篩選出了近10年發(fā)表的24篇英文文獻(xiàn)，總結(jié)分析了目前機(jī)器學(xué)習(xí)在在線科學(xué)探究中發(fā)揮的作用及具體應(yīng)用，并提出了未來(lái)展望。關(guān)鍵詞：在線科學(xué)探究；虛擬探究；機(jī)器學(xué)習(xí)；現(xiàn)代信息科技 2023年14期2023-09-06
- 面向計(jì)算機(jī)軟件工程的機(jī)器學(xué)習(xí)技術(shù)研析
子玥關(guān)鍵詞：機(jī)器學(xué)習(xí)；計(jì)算機(jī)軟件工程；技術(shù)；研究中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）21-0055-030 引言計(jì)算機(jī)軟件工程是一門快速發(fā)展的學(xué)科，隨著人工智能、云計(jì)算、大數(shù)據(jù)等技術(shù)的快速發(fā)展，軟件工程也將不斷地向著智能化、自動(dòng)化和高效化的方向發(fā)展。可以說(shuō)現(xiàn)代化技術(shù)的應(yīng)用，為計(jì)算機(jī)軟件工程的發(fā)展注入了新的動(dòng)力，也為軟件工程帶來(lái)了更多的機(jī)遇和挑戰(zhàn)。1 面向計(jì)算機(jī)軟件工程的機(jī)器學(xué)習(xí)技術(shù)概述1.1 機(jī)器學(xué)習(xí)概念基于人工智電腦知識(shí)與技術(shù) 2023年21期2023-08-26
- 基于機(jī)器學(xué)習(xí)的智能推薦算法在電商平臺(tái)中的應(yīng)用研究
力創(chuàng)造收益。機(jī)器學(xué)習(xí)是推薦系統(tǒng)中應(yīng)用最廣泛的技術(shù)之一，它能夠根據(jù)消費(fèi)者的歷史數(shù)據(jù)學(xué)習(xí)其偏好，從而更加精準(zhǔn)地為消費(fèi)者推薦商品?；诖?，文章展開(kāi)了深入研究?！娟P(guān)鍵詞】 機(jī)器學(xué)習(xí);智能推薦算法;電商平臺(tái)一、基于機(jī)器學(xué)習(xí)的智能推薦算法概述智能推薦技術(shù)是指運(yùn)用用戶的歷史行為數(shù)據(jù)、商品信息和其他相關(guān)信息，對(duì)用戶進(jìn)行個(gè)性化推薦的技術(shù)。在電商平臺(tái)中，推薦系統(tǒng)能夠協(xié)助用戶快速地找到自己感興趣的商品，提高其購(gòu)物效率和滿意度，可以幫助商家增加銷量和提高用戶黏性。推薦算法能夠基于電腦迷 2023年4期2023-08-26
- 基于機(jī)器學(xué)習(xí)的出租車軌跡大數(shù)據(jù)分析研究
出租車軌跡；機(jī)器學(xué)習(xí)；聚類算法；數(shù)據(jù)分析中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）21-0063-041 研究背景和意義在大數(shù)據(jù)時(shí)代，數(shù)據(jù)的影響不再局限于企業(yè)領(lǐng)域。除了可以創(chuàng)造商業(yè)價(jià)值，數(shù)據(jù)還能夠?yàn)樯鐣?huì)創(chuàng)造極大價(jià)值。隨著通信技術(shù)的發(fā)展，交通數(shù)據(jù)的貧乏狀況得到改善，變得更加豐富。然而，由于這些數(shù)據(jù)的種類繁多、數(shù)量龐大，如何從中提取有用的信息以促進(jìn)決策，尤其重要。同時(shí)對(duì)于交通數(shù)據(jù)的處理和分析，在技術(shù)上也面臨著巨大的挑戰(zhàn)，數(shù)據(jù)采電腦知識(shí)與技術(shù) 2023年21期2023-08-26
- 高中信息技術(shù)大概念單元教學(xué)
性。本文以“機(jī)器學(xué)習(xí)”單元為例，圍繞觀念大概念“數(shù)據(jù)和算法是影響機(jī)器學(xué)習(xí)性能的關(guān)鍵因素”，選擇機(jī)器學(xué)習(xí)真實(shí)案例，通過(guò)演示案例、探究案例和體驗(yàn)案例的綜合運(yùn)用，幫助學(xué)生在多樣化深度體驗(yàn)中學(xué)習(xí)大概念?！娟P(guān)鍵詞】大概念；單元設(shè)計(jì)；體驗(yàn)；機(jī)器學(xué)習(xí)【中圖分類號(hào)】G434? ?【文獻(xiàn)標(biāo)識(shí)碼】B【論文編號(hào)】1671-7384（2023）08-035-032022年底，大型語(yǔ)言模型ChatGPT的出色性能引起社會(huì)的普遍關(guān)注。有人認(rèn)為這是人工智能領(lǐng)域的又一個(gè)標(biāo)志性突破，對(duì)人類中小學(xué)信息技術(shù)教育 2023年8期2023-08-26
- 基于檢驗(yàn)大數(shù)據(jù)的多尺度肺惡性腫瘤預(yù)測(cè)模型研究
驗(yàn)；大數(shù)據(jù)；機(jī)器學(xué)習(xí)中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）20-0040-030 引言肺惡性腫瘤常稱為肺癌（Lung Cancer，LCA） ，LCA 在我國(guó)是最常見(jiàn)的高發(fā)惡性腫瘤， 發(fā)病率和死亡率均位列惡性腫瘤首位，全球近40%的LCA患者來(lái)自我國(guó)[1]。LCA在發(fā)病早期無(wú)典型或特殊臨床表現(xiàn)，容易被忽視，多數(shù)LCA患者就診時(shí)已進(jìn)入中、晚期，治療效果不佳。因此，LCA的早期診斷對(duì)于患者能否及時(shí)接受治療顯得十分重要。隨電腦知識(shí)與技術(shù) 2023年20期2023-08-26
- 機(jī)器學(xué)習(xí)基礎(chǔ)課程思政教學(xué)改革與實(shí)踐
梅摘? 要：機(jī)器學(xué)習(xí)基礎(chǔ)是交通運(yùn)輸專業(yè)的核心基礎(chǔ)課程，結(jié)合課程知識(shí)要點(diǎn)，深入挖掘機(jī)器學(xué)習(xí)內(nèi)含的思政要素，并通過(guò)多種教學(xué)手段融入到課內(nèi)外一體化教學(xué)中。探究神經(jīng)網(wǎng)絡(luò)發(fā)展史的重要啟示，教學(xué)過(guò)程中滲透機(jī)器學(xué)習(xí)蘊(yùn)含的實(shí)事求是、化繁就簡(jiǎn)、抓主要矛盾和權(quán)衡折衷等重要哲理思維，不僅可以使單調(diào)的專業(yè)課教學(xué)變得更加生動(dòng)，加深學(xué)生對(duì)專業(yè)課程的理解，同時(shí)還可形成專業(yè)課程的協(xié)同育人機(jī)制，實(shí)現(xiàn)專業(yè)知識(shí)教授、能力培養(yǎng)與思想政治引領(lǐng)的有機(jī)統(tǒng)一。關(guān)鍵詞：機(jī)器學(xué)習(xí);課程思政;教學(xué)改革;哲理思高教學(xué)刊 2023年23期2023-08-25
- 基于機(jī)器學(xué)習(xí)的大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)分析
種常見(jiàn)的基于機(jī)器學(xué)習(xí)的故障檢測(cè)算法，最后對(duì)不同故障檢測(cè)算法的實(shí)驗(yàn)結(jié)果進(jìn)行詳細(xì)分析，旨在提升大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)效率，助力相關(guān)領(lǐng)域的發(fā)展。關(guān)鍵詞：機(jī)器學(xué)習(xí);并行計(jì)算機(jī)系統(tǒng)：硬件故障：故障檢測(cè)中圖法分類號(hào)：TP181文獻(xiàn)標(biāo)識(shí)碼：A１ 引言大規(guī)模并行計(jì)算機(jī)系統(tǒng)（ Ｍａｓｓｉｖｅｌｙ ＰａｒａｌｌｅｌＣｏｍｐｕｔｅｒ，ＭＰＣ）是一種以數(shù)百、萬(wàn)個(gè)處理單位構(gòu)成的并行處理系統(tǒng)，可以有效提高計(jì)算機(jī)運(yùn)行速度，處理大規(guī)模數(shù)據(jù)信息，以及縮短數(shù)據(jù)處理的響應(yīng)時(shí)間，對(duì)于提計(jì)算機(jī)應(yīng)用文摘 2023年15期2023-08-09
- 面向機(jī)器學(xué)習(xí)的知識(shí)圖譜與問(wèn)答系統(tǒng)設(shè)計(jì)
應(yīng)用，然而在機(jī)器學(xué)習(xí)這一專有領(lǐng)域仍存在空缺。文章描述了如何構(gòu)建一個(gè)面向機(jī)器學(xué)習(xí)領(lǐng)域的知識(shí)圖譜，并基于該圖譜設(shè)計(jì)了一個(gè)問(wèn)答系統(tǒng)。在圖譜的構(gòu)建過(guò)程中，主要使用了爬蟲(chóng)技術(shù)以及部分 NL.P 方法對(duì)數(shù)據(jù)進(jìn)行采集和處理，最終得到1個(gè)包含2442 個(gè)實(shí)體的知識(shí)圖譜，并將其存儲(chǔ)在 Neo4i 圖數(shù)據(jù)庫(kù)中。針對(duì)間答系統(tǒng)設(shè)計(jì)部分結(jié)合基于規(guī)則正則匹配以及基于詞向量相似度匹配的方法，構(gòu)建了問(wèn)答模塊。該領(lǐng)域圖譜的構(gòu)建和問(wèn)答系統(tǒng)的設(shè)計(jì)，將使研究人員和愛(ài)好者更輕松地獲取高質(zhì)量的機(jī)器學(xué)計(jì)算機(jī)應(yīng)用文摘 2023年15期2023-08-09
- 基于機(jī)器學(xué)習(xí)的大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)分析
種常見(jiàn)的基于機(jī)器學(xué)習(xí)的故障檢測(cè)算法，最后對(duì)不同故障檢測(cè)算法的實(shí)驗(yàn)結(jié)果進(jìn)行詳細(xì)分析，旨在提升大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)效率，助力相關(guān)領(lǐng)域的發(fā)展。關(guān)鍵詞：機(jī)器學(xué)習(xí);并行計(jì)算機(jī)系統(tǒng)：硬件故障：故障檢測(cè)中圖法分類號(hào)：TP181文獻(xiàn)標(biāo)識(shí)碼：A１ 引言大規(guī)模并行計(jì)算機(jī)系統(tǒng)（ Ｍａｓｓｉｖｅｌｙ ＰａｒａｌｌｅｌＣｏｍｐｕｔｅｒ，ＭＰＣ）是一種以數(shù)百、萬(wàn)個(gè)處理單位構(gòu)成的并行處理系統(tǒng)，可以有效提高計(jì)算機(jī)運(yùn)行速度，處理大規(guī)模數(shù)據(jù)信息，以及縮短數(shù)據(jù)處理的響應(yīng)時(shí)間，對(duì)于提計(jì)算機(jī)應(yīng)用文摘·觸控 2023年15期2023-08-09
- 面向機(jī)器學(xué)習(xí)的知識(shí)圖譜與問(wèn)答系統(tǒng)設(shè)計(jì)
應(yīng)用，然而在機(jī)器學(xué)習(xí)這一專有領(lǐng)域仍存在空缺。文章描述了如何構(gòu)建一個(gè)面向機(jī)器學(xué)習(xí)領(lǐng)域的知識(shí)圖譜，并基于該圖譜設(shè)計(jì)了一個(gè)問(wèn)答系統(tǒng)。在圖譜的構(gòu)建過(guò)程中，主要使用了爬蟲(chóng)技術(shù)以及部分 NL.P 方法對(duì)數(shù)據(jù)進(jìn)行采集和處理，最終得到1個(gè)包含2442 個(gè)實(shí)體的知識(shí)圖譜，并將其存儲(chǔ)在 Neo4i 圖數(shù)據(jù)庫(kù)中。針對(duì)間答系統(tǒng)設(shè)計(jì)部分結(jié)合基于規(guī)則正則匹配以及基于詞向量相似度匹配的方法，構(gòu)建了問(wèn)答模塊。該領(lǐng)域圖譜的構(gòu)建和問(wèn)答系統(tǒng)的設(shè)計(jì)，將使研究人員和愛(ài)好者更輕松地獲取高質(zhì)量的機(jī)器學(xué)計(jì)算機(jī)應(yīng)用文摘·觸控 2023年15期2023-08-09
- 基于機(jī)器學(xué)習(xí)對(duì)不同施肥量處理的番茄識(shí)別與估產(chǎn)
肥下，對(duì)基于機(jī)器學(xué)習(xí)的番茄果實(shí)識(shí)別和產(chǎn)量估算進(jìn)行了深入研究和綜合評(píng)價(jià)。通過(guò)重復(fù)訓(xùn)練、驗(yàn)證、分析，得出基于Faster R-CNN網(wǎng)絡(luò)模型在番茄果實(shí)識(shí)別模型的準(zhǔn)確率為90.89%，準(zhǔn)確率較高；結(jié)合運(yùn)用圖像識(shí)別測(cè)算得的產(chǎn)量與番茄不同施肥量處理實(shí)際測(cè)產(chǎn)誤差較大，實(shí)際運(yùn)用效果相對(duì)較差；4種不同施肥量設(shè)置對(duì)番茄的結(jié)果數(shù)、識(shí)別數(shù)和產(chǎn)量的影響都高于對(duì)照處理，實(shí)際生產(chǎn)施用有機(jī)肥4 500 kg/hm2效果最好?；贔aster R-CNN網(wǎng)絡(luò)模型的番茄數(shù)據(jù)集的測(cè)試結(jié)果效果安徽農(nóng)學(xué)通報(bào) 2023年10期2023-07-29
- 機(jī)器學(xué)習(xí)教學(xué)改革與人工智能人才培養(yǎng)
杜博摘 要：機(jī)器學(xué)習(xí)是人工智能的關(guān)鍵核心技術(shù)。本文結(jié)合武漢大學(xué)計(jì)算機(jī)學(xué)院近年來(lái)開(kāi)設(shè)機(jī)器學(xué)習(xí)本科生課程的教學(xué)經(jīng)驗(yàn)，對(duì)機(jī)器學(xué)習(xí)本科生課程教學(xué)改革與人工智能專業(yè)創(chuàng)新人才培養(yǎng)進(jìn)行了系統(tǒng)的探索與實(shí)踐。該課程以一批青年國(guó)家級(jí)人才為骨干師資，依托國(guó)家級(jí)、省級(jí)和校級(jí)科研平臺(tái)，將機(jī)器學(xué)習(xí)課程的教學(xué)過(guò)程深化擴(kuò)展為理論與實(shí)踐相結(jié)合的人工智能專業(yè)創(chuàng)新人才培養(yǎng)模式，具體包括機(jī)器學(xué)習(xí)理論課程教學(xué)改革、機(jī)器學(xué)習(xí)英文課程教學(xué)探索、人工智能綜合創(chuàng)新實(shí)訓(xùn)建設(shè)、人工智能A類會(huì)議學(xué)術(shù)創(chuàng)新和互聯(lián)網(wǎng)中國(guó)大學(xué)教學(xué) 2023年5期2023-07-23
- 人工智能專業(yè)課程思政建設(shè)方案探索
此 文章以 機(jī)器學(xué)習(xí)應(yīng)用技術(shù) 課程為例提出了一種可行的方案關(guān)鍵詞 人工智能 課程思政 機(jī)器學(xué)習(xí)中圖法分類號(hào)TP181? ?文獻(xiàn)標(biāo)識(shí)碼A１ 人工智能專業(yè)課程思政建設(shè)面臨的問(wèn)題自１９６５ 年達(dá)特茅斯會(huì)議提出“人工智能”的概念后，人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ＡＩ） 的發(fā)展經(jīng)歷了多次的低谷期和繁榮期。早期的人工智能主要研究傳統(tǒng)的機(jī)器學(xué)習(xí)算法及其應(yīng)用，并未受到太多的關(guān)注，直至杰弗里·辛頓先生和他的學(xué)生開(kāi)始研究深度學(xué)習(xí)。以多層神經(jīng)網(wǎng)絡(luò)為計(jì)算機(jī)應(yīng)用文摘·觸控 2023年14期2023-07-21
- 人工智能專業(yè)課程思政建設(shè)方案探索
此 文章以 機(jī)器學(xué)習(xí)應(yīng)用技術(shù) 課程為例提出了一種可行的方案關(guān)鍵詞 人工智能 課程思政 機(jī)器學(xué)習(xí)中圖法分類號(hào)TP181? ?文獻(xiàn)標(biāo)識(shí)碼A１ 人工智能專業(yè)課程思政建設(shè)面臨的問(wèn)題自１９６５ 年達(dá)特茅斯會(huì)議提出“人工智能”的概念后，人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ＡＩ） 的發(fā)展經(jīng)歷了多次的低谷期和繁榮期。早期的人工智能主要研究傳統(tǒng)的機(jī)器學(xué)習(xí)算法及其應(yīng)用，并未受到太多的關(guān)注，直至杰弗里·辛頓先生和他的學(xué)生開(kāi)始研究深度學(xué)習(xí)。以多層神經(jīng)網(wǎng)絡(luò)為計(jì)算機(jī)應(yīng)用文摘 2023年14期2023-07-21
- 基于機(jī)器學(xué)習(xí)的無(wú)人機(jī)輔助邊緣網(wǎng)絡(luò)優(yōu)化方法
通過(guò)闡述基于機(jī)器學(xué)習(xí)的無(wú)人機(jī)輔助邊緣網(wǎng)絡(luò)優(yōu)化方法的關(guān)鍵步驟和發(fā)展?jié)摿?旨在進(jìn)一步研究和完善這一方法 以實(shí)現(xiàn)更高效 可靠的邊緣網(wǎng)絡(luò)優(yōu)化關(guān)鍵詞 機(jī)器學(xué)習(xí) 無(wú)人機(jī) 邊緣網(wǎng)絡(luò)優(yōu)化方法中圖法分類號(hào)tp311 文獻(xiàn)標(biāo)識(shí)碼a１ 引言基于機(jī)器學(xué)習(xí)的無(wú)人機(jī)輔助邊緣網(wǎng)絡(luò)優(yōu)化方法是如今備受矚目的前沿技術(shù)。隨著物聯(lián)網(wǎng)和邊緣計(jì)算的快速發(fā)展，網(wǎng)絡(luò)性能優(yōu)化成為一大挑戰(zhàn)［１］ 。而無(wú)人機(jī)的出現(xiàn)使得我們可以應(yīng)用先進(jìn)的機(jī)器學(xué)習(xí)算法來(lái)實(shí)現(xiàn)智能邊緣網(wǎng)絡(luò)優(yōu)化。這種創(chuàng)新方法利用無(wú)人機(jī)的高度靈活性和機(jī)計(jì)算機(jī)應(yīng)用文摘 2023年14期2023-07-21
- 基于機(jī)器學(xué)習(xí)的無(wú)人機(jī)輔助邊緣網(wǎng)絡(luò)優(yōu)化方法
通過(guò)闡述基于機(jī)器學(xué)習(xí)的無(wú)人機(jī)輔助邊緣網(wǎng)絡(luò)優(yōu)化方法的關(guān)鍵步驟和發(fā)展?jié)摿?旨在進(jìn)一步研究和完善這一方法 以實(shí)現(xiàn)更高效 可靠的邊緣網(wǎng)絡(luò)優(yōu)化關(guān)鍵詞 機(jī)器學(xué)習(xí) 無(wú)人機(jī) 邊緣網(wǎng)絡(luò)優(yōu)化方法中圖法分類號(hào)tp311 文獻(xiàn)標(biāo)識(shí)碼a１ 引言基于機(jī)器學(xué)習(xí)的無(wú)人機(jī)輔助邊緣網(wǎng)絡(luò)優(yōu)化方法是如今備受矚目的前沿技術(shù)。隨著物聯(lián)網(wǎng)和邊緣計(jì)算的快速發(fā)展，網(wǎng)絡(luò)性能優(yōu)化成為一大挑戰(zhàn)［１］ 。而無(wú)人機(jī)的出現(xiàn)使得我們可以應(yīng)用先進(jìn)的機(jī)器學(xué)習(xí)算法來(lái)實(shí)現(xiàn)智能邊緣網(wǎng)絡(luò)優(yōu)化。這種創(chuàng)新方法利用無(wú)人機(jī)的高度靈活性和機(jī)計(jì)算機(jī)應(yīng)用文摘·觸控 2023年14期2023-07-21
- 基于智能技術(shù)的電子信息工程自動(dòng)化設(shè)計(jì)及應(yīng)用
括人工智能 機(jī)器學(xué)習(xí) 深度學(xué)習(xí)和自然語(yǔ)言處理等 電子信息工程自動(dòng)化設(shè)計(jì)是指利用智能技術(shù)對(duì)電子信息工程的設(shè)計(jì) 仿真 驗(yàn)證和優(yōu)化進(jìn)行自動(dòng)化處理 文章介紹了電子信息工程自動(dòng)化設(shè)計(jì)的背景和意義 智能技術(shù)在電子信息工程自動(dòng)化設(shè)計(jì)中的應(yīng)用 以及電子信息工程自動(dòng)化設(shè)計(jì)的實(shí)踐案例 旨在探討智能技術(shù)在電子信息工程自動(dòng)化設(shè)計(jì)中的應(yīng)用 從而提高電子信息工程自動(dòng)化設(shè)計(jì)的效率和質(zhì)量關(guān)鍵詞 電子信息工程 自動(dòng)化設(shè)計(jì) 智能技術(shù) 人工智能 機(jī)器學(xué)習(xí) 深度學(xué)習(xí) 自然語(yǔ)言處理中圖法分類號(hào)tn計(jì)算機(jī)應(yīng)用文摘·觸控 2023年14期2023-07-21
- 基于智能技術(shù)的電子信息工程自動(dòng)化設(shè)計(jì)及應(yīng)用
括人工智能 機(jī)器學(xué)習(xí) 深度學(xué)習(xí)和自然語(yǔ)言處理等 電子信息工程自動(dòng)化設(shè)計(jì)是指利用智能技術(shù)對(duì)電子信息工程的設(shè)計(jì) 仿真 驗(yàn)證和優(yōu)化進(jìn)行自動(dòng)化處理 文章介紹了電子信息工程自動(dòng)化設(shè)計(jì)的背景和意義 智能技術(shù)在電子信息工程自動(dòng)化設(shè)計(jì)中的應(yīng)用 以及電子信息工程自動(dòng)化設(shè)計(jì)的實(shí)踐案例 旨在探討智能技術(shù)在電子信息工程自動(dòng)化設(shè)計(jì)中的應(yīng)用 從而提高電子信息工程自動(dòng)化設(shè)計(jì)的效率和質(zhì)量關(guān)鍵詞 電子信息工程 自動(dòng)化設(shè)計(jì) 智能技術(shù) 人工智能 機(jī)器學(xué)習(xí) 深度學(xué)習(xí) 自然語(yǔ)言處理中圖法分類號(hào)tn計(jì)算機(jī)應(yīng)用文摘 2023年14期2023-07-21
- 概率密度函數(shù)信息融合概述
超貝葉斯； 機(jī)器學(xué)習(xí)； 目標(biāo)跟蹤中圖分類號(hào)：? TJ760文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)： 1673-5048（2023）03-0001-10DOI： 10.12132/ISSN.1673-5048.2022.02050引言目前， 針對(duì)狀態(tài)信息的信息融合表達(dá)較多是以變量（標(biāo)量、 向量、 矩陣）及隨機(jī)變量的形式表示。 通過(guò)對(duì)變量的加權(quán)平均求融合中心或者通過(guò)對(duì)隨機(jī)變量的均值和方差進(jìn)行加權(quán)平均， 從而實(shí)現(xiàn)對(duì)多狀態(tài)信息的融合。 然而， 均值和方差僅僅代表隨機(jī)變量的一階和二航空兵器 2023年3期2023-07-20
- 基于機(jī)器學(xué)習(xí)和生長(zhǎng)預(yù)測(cè)的森林固碳分析和多目標(biāo)規(guī)劃管理策略
要。本文利用機(jī)器學(xué)習(xí)算法對(duì)森林固碳進(jìn)行分析，擬合森林生長(zhǎng)方程，并開(kāi)發(fā)了一個(gè)森林管理決策模型，該模型可以評(píng)估森林及其產(chǎn)品的固碳能力，權(quán)衡森林價(jià)值的各個(gè)方面，并為森林管理者提供戰(zhàn)略，使他們能夠決定是砍伐樹(shù)木還是保留樹(shù)木。關(guān)鍵詞：機(jī)器學(xué)習(xí)；SVM；神經(jīng)網(wǎng)絡(luò)；決策樹(shù)；生長(zhǎng)預(yù)測(cè)；二次回歸；多目標(biāo)規(guī)劃1?概述本文建立了一個(gè)基于機(jī)器學(xué)習(xí)和生長(zhǎng)預(yù)測(cè)的森林固碳分析模型，并選取了福建省三明市將樂(lè)國(guó)有林場(chǎng)相關(guān)杉木資源數(shù)據(jù)，以預(yù)測(cè)誤差作為指標(biāo)，利用三種機(jī)器學(xué)習(xí)算法：SVM支持向量科技風(fēng) 2023年19期2023-07-17
- 密文惡意流量智能分類研究綜述
對(duì)現(xiàn)有的基于機(jī)器學(xué)習(xí)的密文惡意流量分類方法進(jìn)行了梳理，討論了這些方法的分類效果和優(yōu)缺點(diǎn)，總結(jié)了現(xiàn)有方法的不足．為密文惡意流量智能分類技術(shù)的發(fā)展提供了一定的借鑒。關(guān)鍵詞：密文惡意流量分類；機(jī)器學(xué)習(xí)；加密偽裝中圖法分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A１ 引言近年來(lái)，學(xué)術(shù)界和工業(yè)界常用的惡意流量分類技術(shù)主要分為以下幾種。一是使用端口號(hào)進(jìn)行流量檢測(cè)，這種方法比較簡(jiǎn)單，但是隨著新的應(yīng)用程序不斷涌現(xiàn)，使用者可使用熟知端口號(hào)掩蓋或使用非注冊(cè)端口號(hào)，從而導(dǎo)致該方法檢測(cè)性能顯計(jì)算機(jī)應(yīng)用文摘·觸控 2023年13期2023-07-17
- 密文惡意流量智能分類研究綜述
對(duì)現(xiàn)有的基于機(jī)器學(xué)習(xí)的密文惡意流量分類方法進(jìn)行了梳理，討論了這些方法的分類效果和優(yōu)缺點(diǎn)，總結(jié)了現(xiàn)有方法的不足．為密文惡意流量智能分類技術(shù)的發(fā)展提供了一定的借鑒。關(guān)鍵詞：密文惡意流量分類；機(jī)器學(xué)習(xí)；加密偽裝中圖法分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A１ 引言近年來(lái)，學(xué)術(shù)界和工業(yè)界常用的惡意流量分類技術(shù)主要分為以下幾種。一是使用端口號(hào)進(jìn)行流量檢測(cè)，這種方法比較簡(jiǎn)單，但是隨著新的應(yīng)用程序不斷涌現(xiàn)，使用者可使用熟知端口號(hào)掩蓋或使用非注冊(cè)端口號(hào)，從而導(dǎo)致該方法檢測(cè)性能顯計(jì)算機(jī)應(yīng)用文摘 2023年13期2023-07-17
- 機(jī)器學(xué)習(xí)方法在fMRI數(shù)據(jù)中的應(yīng)用研究
要：文章通過(guò)機(jī)器學(xué)習(xí)方法對(duì)功能性核磁共振成像（fMRI）數(shù)據(jù)進(jìn)行分類研究．旨在探討精神分裂患者的差異性腦網(wǎng)絡(luò)結(jié)構(gòu)。在特征選擇上，采用了復(fù)雜網(wǎng)絡(luò)分析來(lái)度量腦網(wǎng)絡(luò)的拓?fù)鋵傩?，并且以年齡為協(xié)變量通過(guò)雙樣本￡檢驗(yàn)構(gòu)建顯著差異性特征集；在分類算法上，采用粒子群優(yōu)化支持向量機(jī)分類算法，在10折交叉驗(yàn)證下進(jìn)行建模分析。結(jié)果表明精神分裂患者（SCH）組和正常被試（NC）組在全局屬性和節(jié)點(diǎn)屬性上存在顯著差異，在分類模型下能夠得到最佳準(zhǔn)確率93％。關(guān)鍵詞：機(jī)器學(xué)習(xí)；功能性核磁計(jì)算機(jī)應(yīng)用文摘 2023年12期2023-07-14
- 機(jī)器學(xué)習(xí)方法在fMRI數(shù)據(jù)中的應(yīng)用研究
要：文章通過(guò)機(jī)器學(xué)習(xí)方法對(duì)功能性核磁共振成像（fMRI）數(shù)據(jù)進(jìn)行分類研究．旨在探討精神分裂患者的差異性腦網(wǎng)絡(luò)結(jié)構(gòu)。在特征選擇上，采用了復(fù)雜網(wǎng)絡(luò)分析來(lái)度量腦網(wǎng)絡(luò)的拓?fù)鋵傩?，并且以年齡為協(xié)變量通過(guò)雙樣本￡檢驗(yàn)構(gòu)建顯著差異性特征集；在分類算法上，采用粒子群優(yōu)化支持向量機(jī)分類算法，在10折交叉驗(yàn)證下進(jìn)行建模分析。結(jié)果表明精神分裂患者（SCH）組和正常被試（NC）組在全局屬性和節(jié)點(diǎn)屬性上存在顯著差異，在分類模型下能夠得到最佳準(zhǔn)確率93％。關(guān)鍵詞：機(jī)器學(xué)習(xí)；功能性核磁計(jì)算機(jī)應(yīng)用文摘·觸控 2023年12期2023-07-14
- 基于機(jī)器學(xué)習(xí)的專業(yè)技術(shù)與技能質(zhì)量測(cè)評(píng)模型優(yōu)化分析
鍵，構(gòu)建基于機(jī)器學(xué)習(xí)的企業(yè)技能質(zhì)量評(píng)價(jià)體系模型，提升企業(yè)技能質(zhì)量評(píng)價(jià)準(zhǔn)確性。以機(jī)器學(xué)習(xí)常用算法支持向量機(jī)（SVM）來(lái)設(shè)計(jì)企業(yè)技能質(zhì)量評(píng)價(jià)體系模型，并采用改進(jìn)天牛須搜索算法（BAS）對(duì)SVM參數(shù)優(yōu)化，提出改進(jìn)的BAS-SVM企業(yè)技能質(zhì)量評(píng)價(jià)體系模型。對(duì)比該模型和SVM模型、BAS-SVM模型、層次分析法模型，結(jié)果表明，改進(jìn)BAS-SVM企業(yè)技能質(zhì)量評(píng)價(jià)體系模型的評(píng)價(jià)準(zhǔn)確率高達(dá)94.8%，且具有良好的魯棒性。關(guān)鍵詞：天牛須搜索算法；機(jī)器學(xué)習(xí)；技能質(zhì)量評(píng)價(jià)體系；粘接 2023年6期2023-07-12
- 基于SVM-VIKOR的自營(yíng)電商供應(yīng)商選擇研究
素。文章引入機(jī)器學(xué)習(xí)方法，構(gòu)建了基于SVM-VIKOR的自營(yíng)電商供應(yīng)商選擇模型。首先，分析了自營(yíng)電商經(jīng)營(yíng)特性和SVM-VIKOR算法對(duì)自營(yíng)電商供應(yīng)商選擇的適用性；其次，基于供應(yīng)商QCDS原則，通過(guò)采集供應(yīng)商的供貨能力、經(jīng)營(yíng)情況、成本控制等方面數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗、轉(zhuǎn)換和歸一化處理，基于評(píng)估指標(biāo)提取特征，拆解成多個(gè)變量特征；然后，利用SVM-VIKOR算法進(jìn)行模型測(cè)試和結(jié)果分析，對(duì)供應(yīng)商進(jìn)行分類與排序，從而選出最佳供應(yīng)商；最后，通過(guò)自營(yíng)電商S企業(yè)案例驗(yàn)證了模型會(huì)計(jì)之友 2023年13期2023-07-06
- 空氣污染、投資者關(guān)注與股票收益率
究對(duì)象，使用機(jī)器學(xué)習(xí)的因果森林模型驗(yàn)證空氣污染嚴(yán)重對(duì)股票收益率的影響。研究發(fā)現(xiàn)，空氣污染嚴(yán)重對(duì)股票收益率有顯著的負(fù)向影響；在分樣本討論后發(fā)現(xiàn)，空氣污染嚴(yán)重對(duì)不同行業(yè)股票收益率的影響程度存在異質(zhì)性，受空氣污染嚴(yán)重影響最大的是租賃和商務(wù)服務(wù)業(yè)，其次為農(nóng)林牧漁業(yè)、批發(fā)和零售業(yè)、制造業(yè)、電力熱力燃?xì)饧八a(chǎn)和供應(yīng)業(yè)，其中，空氣污染嚴(yán)重對(duì)租賃和商務(wù)服務(wù)業(yè)達(dá)到了約12倍的影響力，對(duì)其余行業(yè)也達(dá)到了約4～7倍的影響力；機(jī)制分析表明，空氣污染嚴(yán)重通過(guò)影響投資者的關(guān)注度來(lái)影金融發(fā)展研究 2023年5期2023-06-28
- 惡意代碼檢測(cè)技術(shù)研究綜述
；傳統(tǒng)方法；機(jī)器學(xué)習(xí)；深度學(xué)習(xí)中圖分類號(hào)：TP311.12? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）13-0079-03開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）0 引言互聯(lián)網(wǎng)的快速發(fā)展豐富了人們的生活，給人們帶來(lái)了便利，但也存在著不可避免的安全風(fēng)險(xiǎn)。由于計(jì)算機(jī)技術(shù)的發(fā)展，因黑客攻擊而導(dǎo)致財(cái)產(chǎn)損失的案例越來(lái)越多，而惡意代碼是最常見(jiàn)的攻擊手段之一。惡意代碼與正常代碼的區(qū)別在于，惡意代碼是為特定的惡意目的而編寫的計(jì)算機(jī)程序，通常是將其與電腦知識(shí)與技術(shù) 2023年13期2023-06-25
- 潛在科研合作機(jī)會(huì)識(shí)別方法研究進(jìn)展
，網(wǎng)絡(luò)學(xué)習(xí)和機(jī)器學(xué)習(xí)是潛在科研合作機(jī)會(huì)識(shí)別的新方向和新思路。在以上分析基礎(chǔ)上，總結(jié)了不同方法的不足以及存在的普適性問(wèn)題，并對(duì)未來(lái)研究重點(diǎn)進(jìn)行展望。關(guān)鍵詞：潛在合作機(jī)會(huì)；外部屬性特征；研究?jī)?nèi)容；鏈路預(yù)測(cè)；網(wǎng)絡(luò)表示學(xué)習(xí)；機(jī)器學(xué)習(xí)中圖分類號(hào)：G304? ?文獻(xiàn)標(biāo)識(shí)碼：Ａ? ?DOI：10.11968/tsyqb.1003-6938.2023022Abstract This Paper sorting out the relevant achievements i圖書與情報(bào) 2023年2期2023-06-23
- 基于機(jī)器學(xué)習(xí)技術(shù)的黃鶴樓品牌零售戶價(jià)值分析研究
K近鄰算法；機(jī)器學(xué)習(xí)中圖分類號(hào)：TP391；G203? ? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）05-0132-04Retail Merchants Value Analysis of Yellow Crane Tower Brand Based on Machine LearningWANG Qin， MA Lin， CHEN Li（Wuhan Wendao Information Technology Co.， Ltd.，? Wu現(xiàn)代信息科技 2023年5期2023-06-22
- 基于深度學(xué)習(xí)的電商平臺(tái)產(chǎn)品評(píng)論情感分析
預(yù)處理，采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法構(gòu)建模型并進(jìn)行分析，找出分析效果最好的模型，并分析產(chǎn)品的不足，給出相應(yīng)的指導(dǎo)意見(jiàn)。關(guān)鍵詞：用戶評(píng)論；文本分析；情感分析；機(jī)器學(xué)習(xí)；深度學(xué)習(xí)中圖分類號(hào)：TP391.1；F724.6? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）05-0030-04Emotion Analysis of E-commerce Platform Product Reviews Based on Deep LearningZHAO現(xiàn)代信息科技 2023年5期2023-06-22
- 基于集成學(xué)習(xí)的白流量檢測(cè)過(guò)濾系統(tǒng)
率，文章基于機(jī)器學(xué)習(xí)的白流量過(guò)濾算法開(kāi)發(fā)了一套能快速辨別并過(guò)濾全流量中白流量的過(guò)濾系統(tǒng)。系統(tǒng)包括文件檢測(cè)模塊、算法模塊和可視化模塊三部分。實(shí)驗(yàn)證明，相較于傳統(tǒng)算法，文章提出的算法能在保證安全性的前提下大大提高流量過(guò)濾的效率，節(jié)省大量資源。關(guān)鍵詞：機(jī)器學(xué)習(xí)；白流量過(guò)濾；惡意流量檢測(cè)中圖分類號(hào)：TP311? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）03-0086-04White Traffic Detection and Filtering現(xiàn)代信息科技 2023年3期2023-06-22
- 保溫管道數(shù)值模擬及機(jī)器學(xué)習(xí)預(yù)測(cè)模型
規(guī)律，并使用機(jī)器學(xué)習(xí)對(duì)模擬所得數(shù)據(jù)進(jìn)行訓(xùn)練，從而得到不同因素對(duì)保溫性能的影響比重。結(jié)果表明，各參數(shù)特征中，管道外徑占比3g%、熱導(dǎo)率占比37%、厚度占比13%，密度及比熱容兩者共占比11%，故在影響管道保溫性能的各因素中，管道外徑、熱導(dǎo)率、厚度占主要地位。各參數(shù)對(duì)保溫性能的影響規(guī)律不同，多因素共同作用下，難以找到一個(gè)統(tǒng)一的函數(shù)模型來(lái)表達(dá)各參數(shù)對(duì)保溫性能的影響規(guī)律。基于仿真模擬大量數(shù)據(jù)，利用機(jī)器學(xué)習(xí)建立預(yù)測(cè)模型，輸入對(duì)應(yīng)的參數(shù)即可預(yù)測(cè)相應(yīng)的結(jié)果，該模型準(zhǔn)確率有色金屬材料與工程 2023年1期2023-06-20
- 基于機(jī)器學(xué)習(xí)的風(fēng)速信號(hào)預(yù)測(cè)模型概述
針對(duì)基于基于機(jī)器學(xué)習(xí)的風(fēng)速信號(hào)預(yù)測(cè)模型概述進(jìn)行討論，進(jìn)一步彌補(bǔ)現(xiàn)有研究中存在的不足，提高了預(yù)測(cè)精度。關(guān)鍵詞：機(jī)器學(xué)習(xí)；風(fēng)速；預(yù)測(cè)模型一、引言機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，它一般通過(guò)在大量的數(shù)據(jù)上進(jìn)行訓(xùn)練來(lái)實(shí)現(xiàn)一些特定的任務(wù)，比如圖片分類問(wèn)題，預(yù)測(cè)問(wèn)題，實(shí)時(shí)翻譯問(wèn)題等等。風(fēng)能作為一種主要的可再生綠色能源，因其技術(shù)可行性高，低污染，存在巨大的潛力，國(guó)內(nèi)外很多研究人員對(duì)其進(jìn)行了研究。在過(guò)去的幾十年中，隨著人工智能和計(jì)算機(jī)技術(shù)的發(fā)展，人工智能模型也被許多學(xué)者研究并客聯(lián) 2023年2期2023-06-18
- 基于百度Paddle的人類活動(dòng)識(shí)別研究
述了一個(gè)基于機(jī)器學(xué)習(xí)的人類活動(dòng)識(shí)別方法。該方法對(duì)人類活動(dòng)數(shù)據(jù)進(jìn)行探索和預(yù)處理，提出了一個(gè)對(duì)人類活動(dòng)進(jìn)行識(shí)別的LSTM模型。本文中的問(wèn)題是一個(gè)典型的分類問(wèn)題，目標(biāo)變量是6種不同種類的人類活動(dòng)，選擇準(zhǔn)確率作為模型的評(píng)測(cè)指標(biāo)。具體方法是，通過(guò)讀取訓(xùn)練階段保存到本地的模型，以相同的數(shù)據(jù)構(gòu)造方式對(duì)測(cè)試集進(jìn)行預(yù)測(cè)評(píng)估，不斷地調(diào)整學(xué)習(xí)率參數(shù)。研究表明，本文提出的LSTM模型在迭代10次、隱層數(shù)為50、學(xué)習(xí)率為0.01時(shí)達(dá)到了比較好的準(zhǔn)確率，在測(cè)試集上有比較好的表現(xiàn)。關(guān)鍵無(wú)線互聯(lián)科技 2023年2期2023-06-15
- 民眾自由觀的概念建構(gòu)及其測(cè)量
由；自由觀；機(jī)器學(xué)習(xí)；概念建構(gòu)；量表開(kāi)發(fā)中圖分類號(hào)：D034.5 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1007-9092（2023）03-0051-022自由作為推動(dòng)人類政治文明發(fā)展的重要價(jià)值，歷來(lái)是政治學(xué)研究的中心議題。在當(dāng)代西方學(xué)界，最先發(fā)展的自由主義受到熱烈追捧，并迅速向全世界傳播。但先存的并不意味著就是普遍的，不同時(shí)空下的威脅對(duì)象與壓迫內(nèi)容往往不同，導(dǎo)致自由被賦予的內(nèi)涵以及公眾關(guān)注的側(cè)重點(diǎn)自然有所差異。①近些年來(lái)，自由在我國(guó)受到黨和國(guó)家的高度重視，社會(huì)主義自治理研究 2023年3期2023-06-10
- 基于隨機(jī)森林的帽兒山珍貴硬闊葉樹(shù)種適宜性分布
重要性排序；機(jī)器學(xué)習(xí)中圖分類號(hào)：S718 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8023（2023）03-0064-09Abstract：The geographic distribution data of the three precious hardwood broad-leaved tree species， Fraxinus mandshurica， Juglans mandshurica and Phellodendron amurense in森林工程 2023年3期2023-06-10
- 基于機(jī)器學(xué)習(xí)的直播電商客戶流失風(fēng)險(xiǎn)預(yù)測(cè)
oost三種機(jī)器學(xué)習(xí)算法，從客戶畫像特征、行為特征、情感特征和價(jià)值特征四個(gè)方面選取指標(biāo)構(gòu)建模型并評(píng)價(jià)，以對(duì)比不同模型在同一個(gè)數(shù)據(jù)集上的預(yù)測(cè)結(jié)果。結(jié)果表明，集成算法XGBoost模型表現(xiàn)最佳，客戶情感價(jià)值特征對(duì)流失客戶預(yù)測(cè)的貢獻(xiàn)度最大，并由此提出相應(yīng)的客戶挽留對(duì)策。關(guān)鍵詞：機(jī)器學(xué)習(xí)；直播電商；客戶流失；預(yù)測(cè)模型引言隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，直播電商平臺(tái)如雨后春筍般涌現(xiàn)，如淘寶、抖音、快手、小紅書等?？蛻艨蛇x擇的直播平臺(tái)和直播內(nèi)容越來(lái)越多。流量大小對(duì)客戶訂單數(shù)量有互聯(lián)網(wǎng)周刊 2023年10期2023-06-06
- 大數(shù)據(jù)環(huán)境下機(jī)器學(xué)習(xí)課程的教學(xué)實(shí)踐探索
之發(fā)生變化。機(jī)器學(xué)習(xí)課程作為數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)專業(yè)的專業(yè)核心課，依托于現(xiàn)階段計(jì)算機(jī)技術(shù)的更新迭代，涉及多學(xué)科的交叉學(xué)科課程，兼顧理論與實(shí)踐應(yīng)用。正因?yàn)閷W(xué)科的復(fù)雜性和時(shí)效性，本科生學(xué)習(xí)該課程面臨較大難度和挑戰(zhàn)，基于這一現(xiàn)狀，教師更應(yīng)從理論出發(fā)，不斷探索大數(shù)據(jù)環(huán)境下機(jī)器學(xué)習(xí)課程教學(xué)的新模式。關(guān)鍵詞：機(jī)器學(xué)習(xí)；大數(shù)據(jù)；教學(xué)研究引言大數(shù)據(jù)時(shí)代的到來(lái)依托于信息技術(shù)的不斷革新和發(fā)展，但是僅靠信息技術(shù)的發(fā)展，還是不能完全促使大數(shù)據(jù)時(shí)代的最終來(lái)臨。大數(shù)據(jù)時(shí)代的來(lái)臨必須依互聯(lián)網(wǎng)周刊 2023年10期2023-06-06
- 基于近紅外光譜的陳化大米定性鑒別和摻假分析方法
近紅外光譜與機(jī)器學(xué)習(xí)方法相結(jié)合，提供了一種陳化大米以及不同程度的混摻大米的定性定量檢測(cè)方法。研究中將原始近紅外光譜數(shù)據(jù)采用標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理后，建立核極限學(xué)習(xí)機(jī)分別用于陳化大米的定性判別和摻假大米的定量分析，其準(zhǔn)確度和R2分別達(dá)到90%和0.889 2。引入北方蒼鷹優(yōu)化算法用于模型的兩個(gè)重要參數(shù)尋優(yōu)，結(jié)果表明北方蒼鷹優(yōu)化算法能有效提高核極限學(xué)習(xí)機(jī)的性能，測(cè)試集預(yù)測(cè)準(zhǔn)確度和R2分別提高約5%和0.054 1，為陳化大米的定性定量鑒別提供了新方法。關(guān)鍵詞：食品安全導(dǎo)刊 2023年5期2023-05-30
- 基于多種機(jī)器學(xué)習(xí)模型的西北地區(qū)蒸散發(fā)模擬與趨勢(shì)分析
摘要 ?基于機(jī)器學(xué)習(xí)方法和多源數(shù)據(jù)構(gòu)建高精度蒸散發(fā)（Evapotranspiration，ET）產(chǎn)品對(duì)研究氣候變化背景下干旱、半干旱地區(qū)陸地水循環(huán)變化具有重要意義。本文利用西北地區(qū)12個(gè)草地通量站點(diǎn)與衛(wèi)星遙感產(chǎn)品，基于隨機(jī)森林、極端梯度提升、支持向量回歸和人工神經(jīng)網(wǎng)絡(luò)4種機(jī)器學(xué)習(xí)方法構(gòu)建ET估算模型，制作5 km分辨率ET產(chǎn)品，并分析ET的長(zhǎng)期變化趨勢(shì)。交叉驗(yàn)證結(jié)果表明，4種模型的均方根誤差都低于0 57 ?mm·d ??-1 ， R ?2高達(dá)0 73～0大氣科學(xué)學(xué)報(bào) 2023年1期2023-05-30
- 基于Stacking模型融合的ESG評(píng)級(jí)預(yù)測(cè)研究
SYN算法；機(jī)器學(xué)習(xí)1引言ESG理念由環(huán)境（Environment）．社會(huì)（Social）、公司治理（ Governance）3方面組成，于2004年在聯(lián)合國(guó)正式發(fā)布的報(bào)告中被首次提及，如今逐漸成為國(guó)際廣泛認(rèn)可的主流投資理念[1]。2022年5月27日，國(guó)資委發(fā)布《提高央企控股上市公司質(zhì)量工作方案》，明確提出要構(gòu)建具有中國(guó)特色的ESG信息披露規(guī)則、ESG績(jī)效評(píng)級(jí)和ESG投資指引，并實(shí)現(xiàn)2023年相關(guān)專項(xiàng)報(bào)告披露“全覆蓋”。這足以看出當(dāng)下ESG的重要性。而研計(jì)算機(jī)應(yīng)用文摘 2023年8期2023-05-30
- 甲狀腺疾病輔助診斷機(jī)器學(xué)習(xí)模型研究
甲亢；甲減；機(jī)器學(xué)習(xí)；邏輯回歸；醫(yī)學(xué)檢驗(yàn)中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）02-0007-041概述甲狀腺是人體內(nèi)分泌系統(tǒng)的重要組成部分，通過(guò)穩(wěn)定甲狀腺激素，維持人體的新陳代謝。甲狀腺功能減退癥（甲減）和甲狀腺功能亢進(jìn)癥（甲亢）是兩種最常見(jiàn)的甲狀腺疾病[1]。甲亢的特征是甲狀腺激素合成和甲狀腺分泌增加，造成機(jī)體代謝亢進(jìn)和交感神經(jīng)興奮，引起心悸、出汗、進(jìn)食和便次增多及體重減少的病癥。部分患者同時(shí)有突眼、眼瞼水腫、視電腦知識(shí)與技術(shù) 2023年2期2023-05-30
- 深度學(xué)習(xí)模型應(yīng)用：面向?qū)徲?jì)業(yè)務(wù)全流程的整合性框架
】深度學(xué)習(xí)；機(jī)器學(xué)習(xí)；審計(jì)業(yè)務(wù)全流程；數(shù)據(jù)倉(cāng)庫(kù)【中圖分類號(hào)】 C93；F239? ? ?【文獻(xiàn)標(biāo)識(shí)碼】A? ? ? 【文章編號(hào)】1004-0994（2023）01-0108-9一、 引言科技強(qiáng)審是21世紀(jì)以來(lái)審計(jì)發(fā)展最顯著的特征之一。大數(shù)據(jù)時(shí)代， 傳統(tǒng)審計(jì)取證模式、 審計(jì)流程和審計(jì)技術(shù)方法需要做出適應(yīng)性變革。深度學(xué)習(xí)作為人工智能領(lǐng)域的前沿性技術(shù)， 通過(guò)建立分層的人工神經(jīng)網(wǎng)絡(luò)（又稱為深度神經(jīng)網(wǎng)絡(luò)）， 試圖模擬人腦中的生物神經(jīng)元網(wǎng)絡(luò)， 利用高效的學(xué)習(xí)模型自動(dòng)從財(cái)會(huì)月刊·上半月 2023年1期2023-05-30
- 異質(zhì)性創(chuàng)新補(bǔ)貼對(duì)企業(yè)創(chuàng)新的機(jī)制分析
貝葉斯網(wǎng)絡(luò)；機(jī)器學(xué)習(xí)；門檻效應(yīng)作者簡(jiǎn)介：李海林，華僑大學(xué)工商管理學(xué)院教授，博士生導(dǎo)師，工學(xué)博士，主要研究方向：數(shù)據(jù)科學(xué)與創(chuàng)新管理（E-mail： hailin@hqu.edu.cn ；福建 泉州 362021）。湯弘欽，華僑大學(xué)工商管理學(xué)院碩士研究生，主要研究方向：數(shù)據(jù)科學(xué)與創(chuàng)新管理。林春培，華僑大學(xué)工商管理學(xué)院副院長(zhǎng)，教授，博士生導(dǎo)師，管理學(xué)博士，主要研究方向：破壞性創(chuàng)新?；痦?xiàng)目：國(guó)家社會(huì)科學(xué)基金資助重大項(xiàng)目（18ZDA062）；國(guó)家自然科學(xué)基金資助面華僑大學(xué)學(xué)報(bào)·哲學(xué)社會(huì)科學(xué)版 2023年2期2023-05-30
- 混合教學(xué)模式在機(jī)器學(xué)習(xí)相關(guān)課程中的實(shí)踐與應(yīng)用
混合式教學(xué)；機(jī)器學(xué)習(xí)；MOOC學(xué)習(xí)平臺(tái)；互聯(lián)網(wǎng)+中圖分類號(hào)：G642 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）03-0149-031 引言近年來(lái)，傳統(tǒng)的線下課堂教學(xué)，由于其對(duì)時(shí)間和空間等條件的限制，已經(jīng)不能滿足廣大教師的教學(xué)需求[1]。在此背景下，混合教學(xué)模式應(yīng)運(yùn)而生，同時(shí)將線上教學(xué)平臺(tái)與線下老師授課有機(jī)結(jié)合，有效發(fā)揮了上述兩種教學(xué)方式各自的優(yōu)勢(shì)[2]。本文運(yùn)用了基于MOOC學(xué)習(xí)平臺(tái)的“線上”+“線下”混合教學(xué)模式，將其應(yīng)用于高校本科計(jì)算機(jī)大電腦知識(shí)與技術(shù) 2023年3期2023-05-30
- 基于機(jī)器學(xué)習(xí)算法的信用風(fēng)險(xiǎn)量化模型研究
數(shù)據(jù)，并借助機(jī)器學(xué)習(xí)強(qiáng)大的算力和學(xué)習(xí)迭代優(yōu)勢(shì)量化信用風(fēng)險(xiǎn)。實(shí)證結(jié)果表明，該模型算法可提高預(yù)測(cè)結(jié)果的擬合度和準(zhǔn)確性。關(guān)鍵詞：債券市場(chǎng)；機(jī)器學(xué)習(xí)；信用風(fēng)險(xiǎn)計(jì)量中圖分類號(hào)：F832.5? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? 文章編號(hào)：1007-0753（2023）04-0075-09一、引言信用風(fēng)險(xiǎn)作為金融市場(chǎng)風(fēng)險(xiǎn)的重要組成之一，其被衡量的方式始終被市場(chǎng)參與方所重視。投資者、金融機(jī)構(gòu)、監(jiān)管部門出于風(fēng)控需求，對(duì)信用風(fēng)險(xiǎn)衡量的要求也趨于更加精準(zhǔn)和動(dòng)態(tài)。信用風(fēng)險(xiǎn)金融經(jīng)濟(jì) 2023年4期2023-05-21
- 寒冷地區(qū)模塊化鋼框架結(jié)構(gòu)多目標(biāo)優(yōu)化設(shè)計(jì)方法