摘要：数据驱动下的广告智能化内容管理,无论从管理对象上还是从管理方式和管理效果上,都与传统的广告内容管理有着本质的不同。结合国内外互联网平台和企业的管理实践,认为目前广告智能化内容管理存在四种基本模式:基于数据降维的广告智能化内容管理模式、基于时间序列数据的广告智能化内容管理模式、基于实时监测数据的广告智能化内容管理模式和基于区块链数据的广告智能化内容管理模式。虽然数据在广告智能化内容管理中扮演着人力无法媲美的作用,但人类的判断、审核和评估,又是机器所无法取代的,因此,未来的广告内容管理模式一定是人机相互协作的管理模式。

摘要：针对当前因核电站瞬态运行测量参数种类较多导致数据在网络传输、数据存储和算法训练过程中存在传输速度慢、算法拓扑结构复杂等问题,本文通过改进特征工程算法建立了一种核电站瞬态运行参数数据压缩和数据复原方法。该方法利用主成分分析方法提取瞬态运行参数的特征向量,减少瞬态运行参数的数据维度;同时配合高斯过程回归方法可对降维后的瞬态运行数据实现高精度的复原。结果表明:瞬态运行数据先压缩再复原后,复原值与实际值最大误差不超过0.000002。同时压缩后的数据特征也可为核电站故障诊断提供判断依据,进一步提高核电站安全与可靠性。

摘要：与多光谱数据相比,高光谱数据对地物具有更高的光谱分辨率,但是由于高光谱数据巨大的数据量以及相邻波段之间的强相关性,导致了对这种数据的许多处理方法达不到其应有的效果,从而在某种程度上制约了其广泛的应用。本文使用了一些有效的特征提取和信息转换方法对高光谱信息进行了优化处理,并设计了相应的分类流程,在充分保证其分类精度的前提下达到了对高维信息的数据降维和高效利用的目的。

摘要：针对数据挖掘技术较为抽象并且难以理解等问题,设计了数据挖掘课程的教学与实验方案。方案包含了数据分类、聚类、降维以及关联规则等数据挖掘子技术。将传感器、互联网、社交媒体等不同类型的数据作为实验数据集,采用云计算技术提高计算与存储的效果,提高教学与实验的效率。设计了图形交互界面,能够以图形形式与表格输出数据分类、聚类、降维以及关联规则的结果,提高数据挖掘技术的可理解性。数据挖掘的实验结果表明,本方案能够准确生成数据挖掘技术的散列图,可直观地观察数据挖掘的工作流程。

摘要：人口空间化是实现人口统计数据与其他环境资源空间数据融合分析的有效途径。选取地形地貌、地表覆盖、植被覆盖、河流水系、交通可达、经济活跃、生活便利作为影响成都市人口分布的变量,首先根据主成分分析将变量降维,然后利用机器学习对成都市2020年人口进行空间化,将模拟结果与WorldPop和人口普查数据进行对比,得出基于随机森林模型的模拟结果准确度最高,最后通过随机森林的因子重要性分析成都市人口空间分布的影响因素。结果表明:研究结果在街道尺度整体精度均达到90%,均优于WorldPop;POI是高精度人口分布的最重要指标,夜间灯光、坡度和路网密度等对成都市人口分布也有重要作用。POI可有效提升人口空间化结果的准确性,主成分分析是综合POI因子的可行方案,随机森林模型能够有效融合多源信息,为城市层面的精细人口空间化研究提供参考。

摘要：已有数据增量式聚类算法忽略了数据的降维过程,导致算法无法聚类处理属性较多的高维数据。现提出基于改进Spark技术的高维数据增量式聚类算法。基于混沌分区方法重组高维数据结构,获取模糊数据分布轨迹。采用基于信息熵的高维稀疏降维算法,筛选分布空间中的高维数据特征,完成数据降维。改进Spark技术,设计并行化增量式高维数据聚类优化算法,检测降维后数据特征之间的关联性,并融合数据特征,确定聚类中心后完成高维数据增量式聚类。测试结果表明,高维数据的嵌入维数为7时,算法的重组效果较好,有效实现数据集的维度下降,降低了存储空间的占用率,可完成高维数据的有效、可靠聚类。

摘要：采用目前方法挖掘分布式光纤预警系统中同质序列数据时,存在挖掘失败率高的问题,为此,设计一种分布式光纤预警系统同质序列数据异常模式挖掘方法。采用经验模态分解算法提取分布式光纤预警系统数据的特征,降维处理同质序列数据,并通过请求循环平均异常度、浏览时间平均异常度和序列比对平均异常度这三个角度,检测同质序列数据中存在异常模式,进行最大频繁序列模式挖掘。实验结果表明,所提方法的挖掘失败率低,错误率低,正确率高,预警精度高。

摘要：采用大规模荧光分子断层成像(FMT)投影数据进行重建需要消耗大量的计算内存,花费较长的计算时间.为降低FMT重建的病态性以及加快重建速度,基于流形学习和压缩感知理论,提出了结合局部保留投影(LPP)和稀疏正则化的重建方法,并对原始的多投影荧光数据进行重建.为评估该方法的重建效果和时间,分别设计了非匀质圆柱单、双目标仿真实验和真实小鼠实验.实验结果表明,在保证FMT重建图像精度和分辨率的同时将重建时间大幅度减少.

摘要：现代压气机性能需求日趋严苛,叶型优化工作至关重要。近年来遗传算法在叶型优化设计中得到诸多应用,但是传统遗传算法耗时过大,为解决这一问题本文提出了一种应用主成分分析与人工神经网络的流场重构方法,以及基于该方法的快速评估叶型性能的遗传算法优化流程。数值结果表明,基于该优化流程的寻优结果预测静压比与CFD计算值的误差低于0.1%,能够有效对叶型性能进行预测;并且该寻优结果与原始叶型相比静压比提升14.7%,效果可观。

摘要：作为遥感领域的新兴技术,高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。高光谱图像的优势在于电磁波谱的范围广度与高分辨率,能够将地物目标的光谱反射特性和差异特征更全面地表现出来,广泛地应用于地物分类、目标识别、异常检测等领域。但是,高光谱图像由于数据量繁重、信息重叠冗杂等问题,给图像处理、存储和传输带来一定挑战。选择合适的光谱波段可以在不改变原图像物理信息的情况下,达到较好的图像处理成果。为设计适合数据降维和目标地物分类的波段选择方法,提出将视觉显著性模型应用到波段选择方法中。首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到目标显著图;其次,利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。为避免波段信息重叠,在波段选择之前利用谱聚类算法将波段划分为若干子空间。然后在子空间内依据波段显著性降序排列,选择各子空间中目标显著性表现较好的波段组成波段子集;最后,在GF-5采集的高光谱图像数据进行方法验证,筛选有效的目标显著性算法,与常用的波段选择算法进行分类精度比较。结果表明,基于LC目标显著性算法的波段选择子集,在SVM分类器中具有优异分类结果,总体分类精度和Kappa系数达87.7800%和0.8053,优于应用全波段和其他三种波段选择方法的结果子集。