摘要：对航段截尾油耗数据进行区间估计时,数据分布的稀疏性及非正态性会导致传统基于单因素的油耗估计区间难以建立。针对上述问题,提出基于分类和沙普利加性解释(classification and Shapley additive explanations,C-SHAP)的改进分位数回归森林区间估计(quantile regression forest,QRF)方法。通过C-SHAP方法,筛选全航程和各飞行阶段特征得到最优输入特征集;采用随机过采样算法增加训练集中截尾油耗样本的权值,提高QRF模型的估计性能;通过QRF估计给定上、下限油耗条件分位数,构建估计区间。实验结果表明,该方法的特征选择合理、估计区间质量较高。

摘要：为了提高软件的可靠性,软件缺陷预测已经成为软件工程领域中一个重要的研究方向.传统的软件缺陷预测方法主要是设计静态代码度量,并用机器学习分类器来预测代码的缺陷概率.但是,静态代码度量未能充分考虑到潜藏在代码中的语义特征.根据这种状况,本文提出了一种基于深度卷积神经网络的软件缺陷预测模型.首先,从源代码的抽象语法树中选择合适的结点提取表征向量,并构建字典将其映射为整数向量以方便输入到卷积神经网络.然后,基于GoogLeNet设计卷积神经网络,利用卷积神经网络的深度挖掘数据的能力,充分挖掘出特征中的语法语义特征.另外,模型使用了随机过采样的方法来处理数据分类不均衡问题,并在网络中使用丢弃法来防止模型过拟合.最后,用Promise上的历史工程数据来测试模型,并以AUC和F1-measure为指标与其他3种方法进行了比较,实验结果显示本文提出的模型在软件缺陷预测性能上得到了一定的提升.

摘要：面对电网中的窃电行为,设计一个基于不平衡电能数据的反窃电智能监测系统,完成用电负荷数据的预处理后,运用随机过采样—迭代决策树算法建立计量装置的异常监测和用户异常用电行为的智能分析数学模型,快速检测出异常用电客户,并在此基础上开发嵌入式专家分析系统,实现用户的电能数据在线监测分析,自动展示异常用电数据,定位窃电用户。

摘要：网络安全已成为全球关注的一个重要问题。入侵检测系统(IDS)通过检测恶意行为者和活动,在保护互联网络方面发挥着至关重要的作用。然而,随着数据数量的增长,在训练ML模型时,降维变得越来越困难。针对这一点,文章介绍了一种新的基于ML的网络入侵检测模型,该模型使用随机过采样(RO)来解决数据不平衡问题,并基于聚类结果进行叠加特征嵌入,以及用于降维的主成分分析(PCA),为大型和不平衡数据集设计。该模型在UNSW-NB15数据集上表现出色,RF和ET模型准确率分别达到99.53%和99.14%,优于现有技术,可用于准确监测和识别网络流量入侵,确保网络安全。