- 博客(286)
- 资源 (15)
- 收藏
- 关注
RSS订阅
原创 zedgraph使用中的难题
现在我将曲线画在X2Axis/Y2Axis上，希望有如下功能：1、当移动该曲线时，XAxis/YAxis的坐标不会随着曲线移动；2、希望自定义XAxis/YAxis的坐标值。请高手帮我解答，谢谢！
2009-11-18 17:37:00
665
原创 论文笔记：液体管道泄漏综合检测与定位模型
许多液体，如水和油，都是通过管道运输的，在管道中可能发生泄漏，造成能源浪费、环境污染和对人类健康的威胁。本文描述了一种集成的泄漏检测和定位模型，该模型可用于液体管道中的背景泄漏（现有技术手段和措施未能检测到的管网漏点的漏失量）甚至微泄漏。该模型包括动态监测模块(DMM)和静态测试模块(STM)。利用压力波的振幅传播和衰减模型，DMM可以检测到较大的背景泄漏。基于压力损失模型的STM可以检测微泄漏，是对DMM的有效补偿。为了验证所提出的模型，在实验室规模和现场进行了实验，并实施了现场应用。
2024-03-18 17:17:00
1106
原创 图机器学习（3）-面向节点的人工特征工程
地铁导航图计算机是看不懂这些图，计算机只能看懂向量、矩阵。传统图机器学习只讨论连接特征。构造一个新的特征x1x2，有利于分开这种数据。人需要去翻译这些计算机不懂的特征，变成计算机可以懂的向量、矩阵。
2024-03-08 16:00:03
466
原创 推荐系统的三个方面
推荐系统面临的问题主要有：冷启动问题、样本分布不平衡问题（有些用户交互得多，有些用户交互得少）、隐私保护问题、可解释性问题（是因为什么喜欢或者说因为哪一个方面喜欢）
2024-01-25 17:11:02
384
原创 机器学习的三个方面
第三、知识的质量如何，如果是垃圾，得到的模型也很差，这个涉及到数据质量评估、异常点检测、数据中毒攻击及防范等。有了数据，有了模型后，如何来训练模型，方式就非常多，有课程学习、迁移学习、强化学习、联邦学习、小样本学习等。选取什么样的模型，使用什么样的神经元来构造大脑，通常这个部分都是在已有的模型上进行修改，重构新的模型太难。第二、知识是否有体系，也就是说样本之间是否存在某种关联、差异等，这个涉及到样本选择等问题；包括数据采集、增强和质量管理，相当于给人工智能模型学习什么样的知识。第一、什么专业的知识；
2024-01-05 09:30:21
565
1
原创 论文笔记：Multi-Concept Customization of Text-to-Image Diffusion
论文：Multi-Concept Customization of Text-to-Image Diffusion当生成模型生成从大规模数据库中学习的概念的高质量图像时，用户通常希望合成他们自己的概念的实例(例如，他们的家庭，宠物或物品)。我们能教一个模型快速掌握一个新概念吗，给出几个例子?此外，我们能否将多个新概念组合在一起?我们提出自定义扩散，一种有效的方法来增强现有的文本到图像模型。我们发现，仅优化文本到图像调节机制中的几个参数就足以强大地表示新概念，同时实现快速调优。
2023-10-20 09:52:47
733
原创 人工智能安全-2-非平衡数据处理(2)
代价敏感：设置损失函数的权重，使得少数类判别错误的损失大于多数类判别错误的损失；单类分类器方法：仅对少数类进行训练，例如运用SVM算法；集成学习方法：即多个分类器，然后利用投票或者组合得到结果。
2023-09-21 10:27:01
479
原创 人工智能安全-6-SQL注入检测
SQLIA：SQL injection attack SQL 注入攻击是一个简单且被广泛理解的技术，它把 SQL 查询片段插入到 GET 或 POST 参数里提交到网络应用。由于SQL数据库在Web应用中的普遍性，使得SQL攻击在很多网站上都可以进行。并且这种攻击技术的难度不高，但攻击变换手段众多，危害性大，使得它成为网络安全中比较棘手的安全问题。
2023-09-15 18:05:59
1433
原创 人工智能安全-5-网络入侵检测
入侵检测是网络安全中的经典问题，入侵是指攻击者违反系统安全策略，试图破坏计算资源的完整性、机密性或可用性的任何行为。不管是哪种类型的入侵检测系统（IDS），其工作过程大体是相同的，可以分为三个主要的环节，即信息收集、分类检测和决策，其中，分类检测和决策环节是IDS的关键，都需要一定的人工智能技术来支持。IDS有多种不同的划分方法，可以根据信息来源、检测方法、体系结构进行分类。基于主机IDS；基于网络的IDS；混合IDS。异常检测；误用检测；集中式IDS；分布式IDS。
2023-09-15 17:44:14
870
原创 人工智能安全-4-小样本问题
在小样本监督分类中，通常将问题表述为 N-way-K-shot分类，(1) 近似正确：存在一个很小的数。(2) 可能正确：给定一个值。这两个常量可以理解为，足够大或者假设空间的大小。发生的可能性就比较大。
2023-09-11 17:47:11
330
原创 论文笔记：一分类及其在大数据中的潜在应用综述
论文：A literature review on one‑class classification and its potential applications in big data发表：Journal of Big Data在严重不平衡的数据集中，使用传统的二分类或多分类通常会导致对具有大量实例的类的偏见。在这种情况下，对少数类实例的建模和检测是非常困难的。一分类(OCC)是一种检测与已知类实例相比较的异常数据点的方法，可以用于解决与严重不平衡数据集相关的问题，这在大数据中尤其常见。
2023-09-07 10:48:37
1034
原创 论文笔记：基于概念漂移的在线类非平衡学习系统研究
论文：A Systematic Study of Online Class Imbalance Learning With Concept Drift发表：2018年发表在TNNLS上源代码：？作为一个新兴的研究课题，在线类非平衡学习往往结合了类非平衡和概念漂移的挑战。它处理具有非常倾斜的类分布的数据流，其中可能发生概念漂移。它最近受到越来越多的研究关注;然而，很少有研究解决类失衡和观念漂移并存的综合问题。
2023-08-24 11:59:29
876
原创 论文笔记：从不平衡数据流中学习的综述: 分类、挑战、实证研究和可重复的实验框架
实验研究在515个不平衡数据流上评估了24个最先进的数据流算法，在二分类和多分类场景下这些数据流结合了静态和动态类不平衡比率、实例级困难、概念漂移、真实世界和半合成数据集。这导致了一项大规模的实验研究，比较了数据流挖掘领域中最先进的分类器。我们讨论了这些场景中最先进的分类器的优点和缺点，并为最终用户提供了针对不平衡数据流选择最佳算法的一般建议。通过这种方式，我们提出了一种标准化的方法来在不平衡的数据流中进行实验，其他研究人员可以使用这种方法来对新提出的方法进行完整、可信和公平的评估。
2023-08-24 10:26:31
1494
1
原创 机器学习(3)
4.1 logistic回归4.2 支持向量机(SVM)4.3 PCA4.4 半监督学习4.5 主动学习4.6 代价敏感学习4.7 多标签学习4.8 多示例学习。
2023-08-10 16:31:12
459
原创 机器学习(1)
对于西瓜这个抽象类来说，它具有“色泽”，“根蒂”，“敲声”三个属性：“敲声=浊响”的西瓜是好瓜；“根蒂=蜷缩”的西瓜是好瓜；“敲声=浊响”并且“根蒂=蜷缩”的西瓜是好瓜。这是我们人为逻辑推理得到的假设，这些假设就是机器学习需要学到的**“模型(model)”**。如果想让机器去“学习”这些假设，该怎么做？最基本的想法是为机器提供所有的假设，对每个假设进行验证，一旦发现不符合数据的假设，就剔除。
2023-08-09 16:24:59
649
原创 勘探开发人工智能应用：人工智能概述
机器学习、深度学习、计算机视觉等技术已在勘探开发、油气生产、炼油炼化、经营管理等重点环节进行应用与推广。参考书籍：《油气人工智能》 龚仁斌，李欣，李宁，吴杰文编著 石油工业出版社 2021年9月。
2023-08-09 10:42:26
557
原创 机器学习复习题
4.（）是机器学习较早的研究方向，其源于英国数学家托马斯.贝叶斯在1763年发表的一篇论文中提到的贝叶斯定理。C. 人工神经网络 D. 贝叶斯学习。A . 决策树 B. 随机森林。
2023-08-03 11:51:44
1416
原创 人工智能安全-3-噪声数据处理
属性噪声：样本中某个属性的值存在噪声标签噪声：样本归属类别关于噪声分布的假设：均匀分布、高斯分布、泊松分布等。标签噪声的产生原因：（1）特定类别的影响，在给定的标注任务中，各个类别样本之间的区分度不同，有的类别与其他类别都比较相似，就会导致这类样本标注错误率高。（2）标注人为的因素。（3）少数类的标注更容易错误。（4）训练数据受到了恶意投毒，当在对抗环境下应用机器学习模型时，攻击者往往会通过一些途径向数据中注入恶意样本，扰乱分类器的性能。标签噪声比属性噪声更重要数据利用率。
2023-08-01 18:14:10
1018
原创 人工智能安全-2-非平衡数据处理(1)
在DANGER数据集中的点不仅从S集中求最近邻并生成新的少数类点，同时也在L数据集中求最近邻，并生成新的少数类点。虽然采样方法在一些数据集上取得了不错的效果，但欠采样容易剔除重要样本，过采样容易导致过学习，因此，采样方法调整非平衡数据的学习能力十分有限。如果有两个不同类别的样本，它们的最近邻都是对方，也就是A的最近邻是B，B的最近邻是A，那么A,B就是Tomek link。NearMiss-3倾向于在比较集中的少数类附近找到更多的多数类样本，而在离群的少数类附近找到更少的多数类样本。
2023-07-30 11:28:43
1325
原创 勘探开发人工智能应用：测井岩相识别
岩相识别是最基础的工作，能够获得地层岩石物理特性的直观认识，进而帮助实时钻井、地质评价和储层建模。地球物理测井使用特定的设备，观测井眼内不同深度地层的声学特性、电学特性、放射性、热力学特性等地球物理特性。通过确定地球物理测井采集的数据和地质信息之间的关系，即测井解释，可以判别井眼剖面的岩相和推断岩层介质的渗透率、孔隙度等重要参数。常见的测井数据输入：自然电位测井(SP, Spontaneous Potential Log):记录自然电流在井眼中的电位降；普通电阻率测井：测量在设定的供电电流下电场的分布状
2023-07-26 11:56:13
393
原创 勘探开发人工智能应用：断层识别
断层是地下岩层在受到挤压或拉伸力作用下，因脆性变形而形成的地层错断，是一种重要的地质构造特征。断层检测和解释是从地震剖面中认识岩层结构和储层特性的重要步骤。
2023-07-25 17:23:15
394
原创 勘探开发人工智能应用：地震层位解释
层位解释是地震构造解释的重要内容，是根据目标层位的地震反射特征如等信息在地震数据体上进行追踪解释获得地震层位数据的方法。
2023-07-25 11:35:07
442
原创 人工智能安全-1-概述
提纲什么是人工智能安全人工智能及其安全问题的出现人工智能安全的层次结构人工智能的脆弱性人工智能安全的基本属性人工智能安全的技术体系人工智能安全的数学基础人工智能安全的法律规范
2023-07-24 11:31:26
855
Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement文献调研.docx
2021-08-01
Multi-Stage Progressive Image Restoration文献调研.docx
2021-08-01
Underexposed Photo Enhancement using Deep Illumination Estimation文献调研.docx
2021-08-01
EnlightenGAN-Deep Light Enhancement without Paired Supervision文献调研.docx
2021-08-01
Deep Bilateral Learning for Real-Time Image Enhancement文献调研.docx
2021-08-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人