机器学习

摘要： 理解并预测多尺度、高维度和非线性的地震学现象是一个极具挑战性的科学任务.与日俱增的海量观测数据降低了信息收集和信息解读之间的耦合程度,增加了信息解读的抽象性和不确定性.然而,伴随大数据一同来临的还有人工智能计算机技术——机器学习.机器学习突出的隐式关系提取和复杂任务处理能力推动着研究学者们不断将机器学习的应用推向更广阔的领域.本文介绍了地震学中常用的机器学习算法及其应用范围,讨论了人工智能与地震数据相结合的发展方向.

摘要： 传统冲击地压预警预测送常利用地球物理方法监测冲击地压的一些前兆信号,采用人为定义和提取参数的综合指数法对冲击地压发生的可能性进行评估.目前,研究人员尝试采用数据驱动方法,利用机器学习技术,克服传统冲击地压长期预测所带来的问题,送过分析国内外相关文献,对长期预测和短期预警方法及存在的问题、机器学习方法、冲击地压短期预警及长期预测的应用进展进行概述,同时分析了传统的经验驱动和机理驱动与机器学习的数据驱动在冲击地压预测预警方面的联系与差异,最后,总结机器学习在该领域存在的问题及挑战,并对未来冲击地压预测预防的技术进行展望.

摘要： 传统冲击地压预警预测通常利用地球物理方法监测冲击地压的一些前兆信号,采用人为定义和提取参数的综合指数法对冲击地压发生的可能性进行评估。目前,研究人员尝试采用数据驱动方法,利用机器学习技术,克服传统冲击地压长期预测所带来的问题,通过分析国内外相关文献,对长期预测和短期预警方法及存在的问题、机器学习方法、冲击地压短期预警及长期预测的应用进展进行概述,同时分析了传统的经验驱动和机理驱动与机器学习的数据驱动在冲击地压预测预警方面的联系与差异,最后,总结机器学习在该领域存在的问题及挑战,并对未来冲击地压预测预防的技术进行展望。

摘要： 理解并预测多尺度、高维度和非线性的地震学现象是一个极具挑战性的科学任务.与日俱增的海量观测数据降低了信息收集和信息解读之间的耦合程度,增加了信息解读的抽象性和不确定性.然而,伴随大数据一同来临的还有人工智能计算机技术——机器学习.机器学习突出的隐式关系提取和复杂任务处理能力推动着研究学者们不断将机器学习的应用推向更广阔的领域.本文介绍了地震学中常用的机器学习算法及其应用范围,讨论了人工智能与地震数据相结合的发展方向.

摘要： 为了验证机器学习在储层裂缝预测中的有效性,阐述了多元逻辑回归(MLR)、支持向量机(SVM)、决策树(DT)、深度神经网络(DNN)、XGBoost算法,并使用这些机器学习算法在南襄盆地泌阳凹陷安棚油田安1井和安2井7种测井资料的34个样本进行裂缝预测.结果显示,输入测井参数与裂缝预测结果存在非线性关系,除多元逻辑回归、决策树、XGBoost外,支持向量机、深度神经网络、随机森林均达到了100％的准确率.其中多元逻辑回归、决策树、XGBoost、随机森林能够表达样本特征的重要程度,为特征筛选和特征降维提供参考.

摘要： 超声图像在临床上使用广泛,具有对比度低的特点,同时存在散斑、伪影等干扰因素,增加了医生对感兴趣区域定位识别的难度.感兴趣区域的定位识别规律往往较复杂,需要从大量的数据中才能总结.图像识别算法可以在临床上辅助医生定位识别感兴趣区域,而机器学习是一种能够总结数据规律并能用于预测数据的技术.如此,学者可以免于低效重复劳动,医生可以受益于医疗智能化.

摘要： 针对深水绕射辐射问题的脉动点源格林函数,提出机器学习建模与预报方法.论文推导并给出无因次化的脉动点源格林函数表达,采用自适应积分计算获得格林函数库,通过机器学习训练形成了多层感知网络模型,研究表明网络模型预报的格林函数数值准确、计算效率高,是提高水动力问题求解效率的新手段,为解决传统计算难题带来了新思路.

摘要： 水电是清洁能源,日益受到重视.水电水情主要受到天气影响,水库水位短期预测可以借助天气预报预测,但中长期预测仍然是个问题,预测准确度无法达到预期.一种常用的水库水位预测方法是根据水库水位监测的历史数据做统计分析,虽然水库水位本身已经隐含了天气等因素,但仅依据水位自身数据预测还是无法满足预测准确度的需要,从目前已有的预测效果来看,最上游水库水位预测相对稳定,但对下游水库来说,由于水库水流之间相互影响,水库水位预测比较复杂,预测稳定度不好.提出一种对水库水位预测的方法,该方法的特点是能够客观考虑各水库的上下游关联及影响,并利用大数据、机器学习技术,包括关联分析及基于神经网络的多特征及记忆能力预测分析技术,更加准确地预测水库水位,为中长期发电计划提供有效辅助.

摘要： 医疗保险基金在社会稳定与人民健康生活水平提高中所承担的作用日益重要.基金审计所面对的是医疗机构几何级增长的"知识密集型"各类医学数据,传统的骗保行为甄别统计分析方法无法适用此类多样性与非结构化数据应用场景,必然导致探索以机器学习理论为基础的大数据分析方法的研究应用.围绕电子病历文本关联规则挖掘问题,探索利用Spark机器学习技术对关联规则挖掘算法在电子病历文本表达数据中的应用进行深入研究,在此基础上构建医疗保险欺诈行为审计系统的核心逻辑,用以深层次分析医疗机构和患者双维度挖掘效果.

摘要： 本文提出一种基于密度的含噪声应用空间聚类(Density-based spatial clustering analysis with noise,DBSCAN)聚类的机器学习方法,对初至进行自动拾取.自动拾取需要在经过线性动校正的炮集中进行,并对初至波形进行预处理以满足聚类分析.通过合成数据和实际数据分别进行处理分析,结果表明该方法具有较高鲁棒性和数值稳定性,计算效率较高,在地震资料处理中应用能够节省大量人力,提高处理工作效率节约成本.

摘要： 近年来,机器学习尤其是深度学习的发展使人工智能热潮再度涌现.随着人工智能与不同行业的融合,各种新产品新服务乃至新产业不断出现.在建筑设计领域,关于人工智能的研究和应用还处在起步阶段.本文以建筑形态生成作为切入点,探讨了利用机器学习方法实现建筑方案多样化的思路和方法.以柏林自由大学为研究案例,通过解析柏林自由大学的构成规律实现建筑形态的数据化与可视化建模,以人工数据增广的方法构建了一个具有柏林自由大学建筑形态特点的数据集.利用该数据集,结合MATLAB以及GH等工具,本文训练了一个浅层神经网络模型,探索多样化建筑形态自动生成的潜力.通过对生成结果的可视化与分析,本文发现充分利用建筑形态数据的先验信息,针对任务特点构建紧凑形态表征能使神经网络获得更好的建筑形态生成效果.

摘要： 为增强工程结构模态参数识别方法的环境适应能力与抗干扰能力,基于机器学习中的随机森林方法,进行结构模态参数自动识别技术研究,以解决单一识别方法在不同环境场合识别结果差异较大的问题.根据预先采集的不同振动环境下的加速度数据形成训练样本,然后通过随机森林的随机抽样技术与子决策树投票法,克服原始决策树的易过拟合、分类准确性不高等问题,达到准确分类、自动决策的目的.此方法简单有效,环境适应性较强,可在大型工程结构模态参数识别中应用.

摘要： 将我国自主北斗卫星导航系统用于安全监测意义重大,其具有精度高、全天候等优点,相关技术及应用近年来快速发展,已经在桥梁、地灾、大坝、楼宇等的安全监测领域得到了广泛的应用.但是,目前基于北斗的安全监测应用还存在手段单一、未达到平台化及体系化的要求、灾害预警的可靠性不足等问题,制约了北斗在安全监测领域的进一步应用.为克服上述问题,亟待开展基于北斗的安全监测创新应用研究.本文通过对基于北斗的安全监测创新应用技术研究,建立了区域级综合安全监测应用技术体系,实现了安全监测的平台化和体系化；研究区域级的监测传感器网络体系架构,解算传统监测系统区域及行业共享程度低的问题；研究安全监测多源数据融合处理技术,提升现有监测预警模型可靠性.该创新应用体系克服了当前安全监测系统的不足,在地灾、桥梁、大坝等领域具有广阔的应用前景.

摘要： 将我国自主北斗卫星导航系统用于安全监测意义重大,其具有精度高、全天候等优点,相关技术及应用近年来快速发展,已经在桥梁、地灾、大坝、楼宇等的安全监测领域得到了广泛的应用.但是,目前基于北斗的安全监测应用还存在手段单一、未达到平台化及体系化的要求、灾害预警的可靠性不足等问题,制约了北斗在安全监测领域的进一步应用.为克服上述问题,亟待开展基于北斗的安全监测创新应用研究.本文通过对基于北斗的安全监测创新应用技术研究,建立了区域级综合安全监测应用技术体系,实现了安全监测的平台化和体系化；研究区域级的监测传感器网络体系架构,解算传统监测系统区域及行业共享程度低的问题；研究安全监测多源数据融合处理技术,提升现有监测预警模型可靠性.该创新应用体系克服了当前安全监测系统的不足,在地灾、桥梁、大坝等领域具有广阔的应用前景.

摘要： 全尺寸的学习图像被图像缩小部(11)缩小后输入到FCN(全卷积神经网络)运算部(13)，FCN运算部(13)进行所设定的滤波器系数下的运算并输出缩小标签图像。缩小标签图像被图像放大部(14)放大到全尺寸，误差计算部(15)基于损失函数，来计算该放大后的标签图像与全尺寸的正确图像之间的误差，参数更新部(16)根据该误差来更新滤波器系数。通过学习控制部(17)的控制来重复学习，由此能够制作包含图像放大时产生的误差地执行最佳的分割那样的学习模型。另外，通过在学习模型中包括图像放大处理，能够输出全尺寸的标签图像，也能够高精度地进行模型的精度评价。

摘要： 本发明涉及进行与激光有关的机器学习的机器学习装置、机器学习系统以及机器学习方法，在考虑了与激光的观测有关的条件的基础上，针对激光的强度分布进行良好与否判定。机器学习装置(10)具备：状态观测单元(11)，其获取表示激光的强度分布的数据以及表示与为了生成表示所述强度分布的数据而进行的所述激光的观测有关的条件的数据来作为输入数据；标记获取单元(12)，其获取与所述激光的良好与否的判定有关的评价值作为标记；以及学习单元(13)，其通过将所述状态观测单元(11)获取到的输入数据与所述标记获取单元(12)获取到的标记的组合作为训练数据并进行监督学习，来构筑用于进行所述激光的良好与否的判定的学习模型。

摘要： 本发明公开了一种机器学习工具中间件及机器学习训练方法，机器学习工具包括至少一个训练单元，每个训练单元都设置有与机器学习工具结合的中间件，中间件包括底层通信模块，以及数据分发模块、模型参数更新模块、训练参数调整模块和训练停止判断模块中的至少一块。训练单元通过所述中间件从数据存储设备中分发需要的数据到各个训练单元能够访问的存储单元，以便各个训练单元从所述存储单元中读取数据进行训练；并通过中间件之间对应模块的通信完成训练单元模型参数的更新、各训练单元训练参数的调整；以及基于所有训练单元的训练信息来进行是否停止训练的判断。本发明的中间件负责进行大规模并行训练所需要的处理，对各种机器学习工具方便扩展。

摘要： 本发明涉及机器学习装置、机器学习方法以及记录介质。本发明生成用于适当地输送输送物的驱动源的控制信息。在学习沿着输送路径连续地输送至少2个输送物的输送装置中的驱动源的行动的机器学习装置中，基于设置于输送路径的检测部的检测结果，获取至少2个输送物在输送路径上的位置信息，并基于获取到的位置信息，根据预先决定出的规则来计算报酬，并基于获取到的位置信息和计算出的报酬计算强化学习的行动价值，来学习行动，并生成用于使驱动源进行基于学习结果确定出的行动的控制信息并输出。

摘要： 本发明提供能够客观且准确地对估计对象具有的疼痛进行判别的疼痛估计方法及装置。详细而言，提供基于估计对象的脑波对所述估计对象具有的疼痛进行监视的疼痛监视方法、实施该方法的装置、系统、以及生成用于判别对象的疼痛的模型的方法、以及实施该方法的装置、系统。另外还提供机器学习的改良方法、以及实施该方法的装置、系统。本发明以高效地提供高精度的疼痛判别为课题，因此还提供使用包括脑波特征量相互关系以及复杂性指标等脑波特征量中的至少一个的脑波特征量对疼痛进行判定的方法、用于实施该方法的系统、装置。

摘要： 本发明涉及一种基于机器学习的车辆定标方法及其系统。该方法包括：采集步骤，采集被控系统的观测量；强化学习计算步骤，对于所述采集步骤采集到的观测量采用强化学习算法进行计算，输出对于所述观测量的更改标定量以及要求所述被控系统进行动作的命令；以及输出步骤，将所述更改标定量以及要求所述被控系统进行动作的命令输出到所述被控系统。根据本发明，通过强化学习算法代替标定工程师的分析和判断，能够大大提高标定效率和标定质量。

摘要： 本发明提供机器学习装置、控制装置、以及机器学习的搜索范围的设定方法。机器学习装置对控制伺服电动机的伺服控制装置进行伺服控制装置的构成要素的第1参数的搜索，机器学习装置具有：搜索解检测部，其在机器学习中或者机器学习后，取得机器学习所使用的评价函数值的集合，在第1参数或者第2参数的搜索范围内描绘评价函数值的集合，在搜索范围的端部或者在距该端部规定范围内，检测是否存在搜索解，其中，第2参数用于第1参数的搜索；评价函数式推定部，其在搜索范围的端部或者规定范围内存在搜索解时，根据评价函数值的集合来推定评价函数式；搜索范围变更部，其根据推定出的所述评价函数式，变更成第1参数或者第2参数的新搜索范围。

摘要： 本发明公开了一种机器学习系统、一种机器学习参数服务器及其实现方法。所述方法包括：接收工作节点发送的数据查询请求；在第一层存储中查询与所述数据查询请求对应的数据；若查询成功，则将查询出的数据返回给所述工作节点；若查询失败，则在第二层存储中查询与所述数据查询请求对应的数据，将查询出的数据保存在所述第一层存储中，以及将查询出的数据返回给所述工作节点。该技术方案通过两层存储的设置，提高了容错性，并且加快了查询速度，在保证稳定性的前提上也确保了训练效率，并且各部分可以在各类开源程序的基础上实现，充分应用了现有技术，并实现了创新。

摘要： 一种设施，提供用于发掘要在机器学习技术中使用的新颖特征的系统和方法。该设施针对多个对象接收一组或多组数据，这些数据表示一段时间内对象的某些输出或状况或捕获对象的某些物理方面。然后，该设施从数据中提取或计算值，并将一个或多个特征生成器应用于提取的值。基于特征生成器的输出，该设施识别用于至少一个机器学习过程的新颖特征生成器，并进一步对新颖特征生成器进行突变，然后可以将新颖特征生成器应用于接收到的数据以识别其他新颖特征生成器。

摘要： 本公开提供了一种设备上的机器学习平台，其使得在计算设备上的应用之间能够共享机器学习模型。例如，具有用于特定任务的机器学习模型的第一应用可以通过系统级应用编程接口(API)向其他应用暴露该模型，以供其他应用使用。使用该API的通信可以由设备上的机器学习平台处理。在一些实施方式中，可以提供一些资源(例如，计算资源)的交换，使得第一应用因共享机器学习模型(例如，基于每次模型调用)而得到补偿。