Apr, 2023

无监督机器学习分类周期超结构中波的约束

PDF
TL;DR使用无监督机器学习方法优化了一种用于波束约束分析的扩展方法，通过聚类算法精确定位合适的约束维度，实验中发现模型算法表现更佳。
发现论文，激发创造
  • 深度约束聚类框架 —— 算法和新进展

    这篇论文介绍了一种基于深度学习的约束聚类框架，可应用于连续数据和高层领域知识等不同类型的约束条件，相比基于传统算法的方法，效果更好。

    Jan, 2019

  • 基于钻井数据的岩体无监督机器学习分类：数据驱动系统如何处理现有岩体分类系统的局限性？

    基于钻探数据开发的数据驱动系统在岩体分类中能够形成明确的岩体簇群，为未来的分类系统提供了潜力。

    May, 2024

  • 基于无监督集成学习的湍流计算流体力学模拟分割

    本文介绍了一种使用集成机器学习框架实现的无监督聚类算法将复杂计算机模拟中的涡流模式数据分类并划分为不同结构分类目录，提高了数据划分的准确性和鲁棒性，并给出了更精确和可靠的感兴趣区域范围确定方法。

    Sep, 2021

  • 预测海浪条件的机器学习框架

    开发一种基于机器学习的框架，利用物理波浪模型的许多迭代进行监督学习，准确地预测波浪条件，其中使用蒙特雷湾模型作为示例测试站点，并通过聚合监督学习培训和测试数据集，并将其提供给机器学习模型来复制波高和正确识别特征周期。

    Sep, 2017

  • 基于 fMRI 的大脑状态推断的监督聚类方法

    提出一种基于多个脑区功能磁共振成像信号的预测方法，通过引入层次聚类和特征聚合实现降维，从而提高了预测准确性，并推断了与回归或分类任务相关的脑区的权重分配。

    Apr, 2011

  • 可微分的深度聚类 + 聚类大小限制

    通过将 $k$-means 聚类算法重写为最优传输任务，并加入熵正则化，我们提出了一种全新的方法，其中嵌入是由深度神经网络执行的，表明与现有的基于软 $k$-means 的最新方法相比，我们的最优传输方法提供更好的无监督准确度，不需要预训练阶段。

    Oct, 2019

  • 机器学习用于结构 - 性质关系：可扩展性和限制

    本文提出了一种可扩展的机器学习框架用于预测多体系统的强度等性质，尤其是相分类。该方法基于线性可扩展性和可转移性，通过局部化的先验假设，开发出用于有限大小块强度等性质预测的 ML 模型，并展示了该方法在相分类中的应用。

    Apr, 2023

  • 机器学习技术在空间非均匀系统的聚集动力学快速预测中的应用

    使用现代机器学习技术通过条件归一化流学习取代 Smoluchowski 方程的数值解，可以显著减少计算时间并与直接数值模拟结果较好地吻合。

    Dec, 2023

  • 聚类与不确定性分析改进基于机器学习的 SAFARI-1 控制从属组件轴向中子通量剖面预测

    本研究旨在利用机器学习模型准确预测 SAFARI-1 研究反应堆中装配件轴向中子通量分布，通过使用历史周期的测量数据进行训练，同时量化模型预测的近似不确定性，并通过组合监督和无监督机器学习算法改进控制装配件的预测精度和降低预测不确定性。

    Dec, 2023

  • 将聚类视为不适定问题：K-Means 算法实验

    本文研究了基于 KMeans 算法的聚类过程作为反问题的特殊情况，探索了通过主成分分析来改进聚类反问题质量的尝试，并比较了两种定量特征选择方法之间的关系。使用神经科学数据库中的功能性磁共振成像范例来验证结果。

    Nov, 2022