专利交易市场

本发明公开了一种基于XGBoost特征提取的压缩机故障诊断方法。首先，根据故障数据与故障类型自定义XGBoost算法的损失函数，迭代构建故障分裂树；其次，提取样本在故障树中的叶子结点位置索引向量并进行特征编码重构，得到隐含故障信息的智能化表征；然后，基于该表征矩阵，使用SVM、神经网络算法分别建立故障预测模型，实现多故障模式的预测诊断。这种方法的特点是，能够充分挖掘数据中隐含故障特征信息，使故障诊断预测的精度更高。

本发明涉及一种基于动态流标签的多标签特征选择方法、设备及介质，该方法中首先通过在特征空间上进行最近邻重构，将动态流标签的隐式标记重要性形式化为动态标签空间上的多项分布；然后将标签相关无缝集成到特征相关的目标函数中，并量化了标签相关性对特征的影响；最后构建了一种特征转换技术用于融合每个动态流标记所对应的类属特征。本发明将潜在的标记重要性与标记相关性联合学习应用于面向动态流标签的多标签特征选择方法，为模型训练提供了高质量的特征序列。

本发明公开了一种基于扩散模型的互联网保险用户特征筛选方法及装置，涉及数据处理领域，包括：采用结构因果模型将用户的特征数据的集合中的若干个特征数据建模成结构因果图，并初始化因果列表；对扩散模型进行的训练过程进行改进，引入马尔可夫转移概率矩阵描述离散型变量的加噪过程，得到经训练的扩散模型；将扩散模型与结构因果图结合，对经训练的扩散模型进行迭代更新，并计算得到落叶分数，根据落叶分数确定去除已经确定为叶子节点后的特征数据为叶子节点并加入因果列表中进行拓扑排序，更新掩码；在用户的特征数据的集合中遮盖掉掩码，重复上一步骤，最终得到特征数据筛选的结果，解决难以捕捉到互联网保险用户的异质性等问题。

本发明提供一种偏多标签特征选择方法、装置、设备和介质，涉及数据预处理技术领域。方法包含S1、获取偏多标签的原始训练数据集，并根据原始训练数据集，初始化标签置信度矩阵，以及构建标签的分布区域。S2、根据近邻的分布，更新标签置信度矩阵，对不可信标签的分布区域进行消歧，以及对不确定标签的分布区域进行迭代更新，直至达到最大迭代次数，获取消歧后的标签。S3、根据消歧后的标签，结合粒度计算与图论，将标签从细粒度聚合到粗粒度，并构造虚拟粗粒度标签。S4、根据虚拟粗粒度标签，结合从样本数据中获取的多个特征，构建适用于偏多标记数据的邻域粗糙集模型，并采用前向贪婪搜索算法选择重要性最高的特征。

本发明公开了基于共识聚类的政务数据多视图特征选择方法及系统，涉及机器学习技术领域，方法包括：通过调整K‑means算法的初始化策略和距离度量参数，为各政务视图创建差异化的基础聚类集合并构建协相关矩阵；利用自适应权重机制解析这些矩阵以提取关键政务信息，进而构建及归一化全局共识矩阵；采用最小二乘回归与L2,1范数正则化及Frobenius范数约束优化多视图特征选择模型，通过自步学习进行特征选择引导；结合优化后的模型与全局共识矩阵建立特征选择目标函数，对政务视图数据排序并选取排名前k的关键特征。本发明通过将自步学习后的多视图特征选择模型与全局共识矩阵结合，构建共识矩阵引导的特征选择目标函数，优化了政务视图数据的关键特征选择。

本发明了一种特征选择与聚类分析后的混合神经网络模型天气分类方法，本发明首先使用MIC最大信息系数最特征进行选择，去除MIC最大信息系数低于0.5,即与其他特征关联性低的特征；接着使用BIC系数估计最佳的聚类模型集群数k，对数据集进行高斯混合模型聚类，筛选相似的样本；然后分别搭建MLP分类神经网络和MLNN分类神经网络；最后使用集成学习中的AdaBoost自适应加强算法，对两个模型进行顺序训练并生成MLP和MLNN神经网络混合模型。本发明结合了特征选择、聚类分析及混合神经网络对天气数据进行处理，缩减了训练时间。训练多层感知机和形态学‑线性神经网络并加入集成学习的思想混合，在模型训练及混合时应用AdaBoost自适应加强算法，提高天气分类准确率。