【作者机构】徐州工程学院信息工程学院 【分 类 号】TP309;|TP311.52;|F713.8 【分类导航】工业技术->自动化技术、计算机技术->计算技术、计算机技术->一般性问题 【关 键 词】弹窗广告 机器学习 朴素贝叶斯算法 拦截 【基 金】江苏省大学生创新创业训练项目(xcx2019030) 【摘 要】恶意弹窗广告是一种强迫式的广告,这些广告给投放者带来巨大的利益,但是严重影响了用户体验,侵犯了用户权益,同时也带来很多安全隐患。恶意弹窗广告攻击检测系统采用C/S架构,服务端使用朴素贝叶斯算法根据训练集生成和更新训练结果,并利用训练结果对客户端发送的弹窗截图文本进行分类预测。客户端包括基础拦截、截图拦截以及主动拦截三个模块,主动拦截模块使用OCR技术将可疑弹窗截图转化为文本,然后把此文本传给服务端,服务端加载之前训练集产生的训练结果,利用朴素贝叶斯算法得到此文本的预测结果,客户端根据预测结果确定对此弹窗是否拦截。本系统实现了弹窗识别拦截的智能化,配置方便,交互界面易于使用。 机器学习在数学成绩预测中的应用研究[J].教育教学论坛,2020,第16期 学生的成绩是教师优化教学过程、调整教学决策的重要标准,文章运用了多种机器学习算法对学生的数学成绩进行建模,通过比较模型的准确率、精确率、召回率、F1-Score,最终确定了人工神经网络是最优的模型。通过对数据特征重要性评估,得出了影响学生成绩的主要因素是母亲的工作、父亲的工作、出勤量、挂科数、健康状况、出去玩的频率及周饮酒量的结论。 基于机器学习的政务微博评论情感分类研究[J].现代商贸工业,2020,第11期 微博因其信息传播快、交互性强成为公众参与民主政治讨论的新渠道;各级政府纷纷通过开设政务微博加深与民众之间的交流。对政务微博的评论数据进行情感分析,及时掌握公众对热点舆情事件的情感倾向,能提升政民交互水平,也能在互联网环境下有效改善政府服务质量。在Word2vec构建词向量的基础上,运用SVM和RF对文本进行情感分析。实验表明,SVM在进行政务微博评论分类具有更高的分类效能。 商业航天智能测运控初探[J].科技风,2020,第10期 随着商业航天的快速发展,各类卫星星座项目的持续推进,航天器的商业应用日趋普及,在轨航天器呈现出数量多、平台多、种类多、用途广等趋势,重点依靠资源投入和人力增加的测控模式,已经难以适应未来多星、多任务、多用户的测控服务的发展需要。近年来,人工智能技术不断取得突破,在多类单项测试中超越人类。将人工智能的发展成果应用到测控系统中,在自主测控、自主故障诊断、任务规划、资源分配方面,采用智能化方法,促进测运控以平台载荷为核心的管理模式向以数据业务为核心的管理模式转变,大大提高测控任务的完成效率和资源利用率。 机器学习算法保险场景应用[J].合作经济与科技,2020,第9期 各行各业在生产运营过程中,不断产生珍贵的数据资产,这种积累的大数据,为机器学习算法的发展提供了良好的基础,如何利用机器学习算法挖掘大数据中蕴含的价值和规律关乎企业的核心竞争力。本文分析各种机器学习算法的特点,剖析保险企业的发展痛点,探讨如何用机器学习算法赋能保险企业发展,并给出金融科技的典型应用案例。 “霸屏”广告的运行机制[J].人民论坛,2020,第9期 当前,随着互联网技术的发展,手机等移动网络终端也成为弹窗广告的肆虐之地。弹窗广告的存在不仅影响用户体验以及工作效率,甚至还存在木马植入、信息诈骗、强制消费等安全隐患,让人不胜其"扰"。弹窗频率高、关闭键过小甚至形同虚设,是目前用户反映最多的问题。对此,需要优化行业生态、加强业界自律、形成监管合力,实现精细化治理。 大数据机器学习系统综述[J].电脑知识与技术,2020,第9期 机器学习需要有大量的背景数据作为训练集,而大数据技术正好给机器学习带来了这样的大量数据训练集。结合机器学习和大数据技术,为了实现高效的大数据机器学习而设计的大数据机器学习系统面临着诸多的技术问题。大数据机器学习系统成为大数据技术和机器学习领域研究的重要课题。本文介绍了大数据机器学习系统应该具有的概念、特征及相关典型的大数据机器学习系统。 基于Tensor Flow的卷积神经网络图像分类实践策略研究[J].价值工程,2020,第9期 卷积神经网络是近10年来推动机器学习应用和发展最快的一项技术分支,在图像分类中取得了出色的成绩。为进一步梳理卷积神经网络图像分类的流程策略,本文基于TensorFlow深度学习框架,下载相关公开数据集,构建人工神经网络模型,采用数据集交叉验证的方式训练,并从中归纳出一套数据预处理、建模、训练和评估的实践策略,以期望加深对机器学习流程思路的指导。 基于视觉的目标检测方法综述[J].计算机工程与应用,2020,第8期 目标检测是计算机视觉的核心,在图像识别、行人检测、大规模场景识别等方面具有广泛应用,提升目标检测的速度与精度可以拓展计算机视觉的应用范围。大数据的出现以及深度学习的发展为目标检测研究注入了新的动力。传统的目标检测主要使用基于手工特征配合机器学习的方法,即Feature-Based方法。目前的检测算法主要以卷积神经网络(CNN)为核心。分析了Feature-Based方法检测效果差的原因并提出改进方法,详细讨论了CNN网络衍生出的TWO-STATE方法和ONE-STATE方法,介绍了每种方法的联系以及相比之前方法的改进,详细描述了其网络的机理与检测过程,指出了每种方法的检测效果与不足。总结了目标检测方法在一些数据集上的检测效果与仍然存在的问题。 精神障碍研究中机器学习的应用——基于EEG 的特征提取[J].科学技术创新,2020,第8期 近年来越来越多的研究者将机器学习投入对于精神障碍的研究当中。其原因在于,传统的诊断方式往往取决于患者的症状学特征和医生的主观经验,具有主观体验、主观判断的特点,缺乏客观有效的指标。而神经影像学技术的兴起使得精神障碍诊断标准客观化和准确化成为可能。本文通过收集国内外的研究资料,整合当下将机器学习应用于精神障碍的研究中采用EEG作为特征提取的内容,并对其进行整理,以期用于对未来研究的参考。 基于脑电信号的情绪识别概述[J].现代计算机,2020,第8期 情绪的识别与检测一直都是一个备受关注的研究课题,它可以被广泛应用于人机交互、安全驾驶、医疗保健等众多领域中。其中,基于脑电信号的情绪分类研究凭借较高的识别准确度逐渐成为相关研究的重点。先对现有的情绪模型进行介绍,并依据研究所针对的是否是单被试对已有工作所用的机器学习方法进行概述,最后分析当前研究存在的问题和潜在的未来研究方向。