One of the most important issues in inertial confinement fusion (ICF) is to study the uniformity of the radiation field around the implosion pellet containing fuel.To this end,a numerical method linking Monte Carlo wi...One of the most important issues in inertial confinement fusion (ICF) is to study the uniformity of the radiation field around the implosion pellet containing fuel.To this end,a numerical method linking Monte Carlo with iteration method is presented for calculating the radiation transfer problems in a cavity.The detail of the calculation scheme is described and some numerical examples are also given.展开更多
提出了一种基于闭合频繁模式的半随机森林数据流分类算法(Semi-Random Forest based on Closed Frequent Pattern,SRFCFP),以解决数据流中噪声和概念漂移问题。SRFCFP利用闭合频繁模式对数据流进行表示,去除冗余信息和噪声,突出数据特...提出了一种基于闭合频繁模式的半随机森林数据流分类算法(Semi-Random Forest based on Closed Frequent Pattern,SRFCFP),以解决数据流中噪声和概念漂移问题。SRFCFP利用闭合频繁模式对数据流进行表示,去除冗余信息和噪声,突出数据特征。采用半随机森林建立分类模型,并通过基于时间衰减的模式集更新机制适应数据流的无限性。为了检测概念漂移并及时适应,引入了一种模式集差异性度量方式,用于测量数据分布变化。实验结果表明,在MOA平台下使用真实和合成数据集,SRFCFP在平均精度上超越了相关对比算法,并能有效处理数据流中的概念漂移和噪声问题。展开更多
基金Project supported in part by the National Natural Science Foundation of China and the National High-Tech ICF Committee in China.
文摘One of the most important issues in inertial confinement fusion (ICF) is to study the uniformity of the radiation field around the implosion pellet containing fuel.To this end,a numerical method linking Monte Carlo with iteration method is presented for calculating the radiation transfer problems in a cavity.The detail of the calculation scheme is described and some numerical examples are also given.
文摘孤立森林是一种高效的异常检测算法,但其轴平行线隔离的方式难以检测到非线性可分离数据中的异常。针对此问题,提出了一种利用神经网络随机投影融合孤立森林(isolation Forest, iForest)的半监督离群点检测方法——稀疏深度随机映射正向隔离林(Sparse deep Random Projection Positive isolation Forest, SRP-PiF)。算法通过神经网络进行非线性随机映射,将不同大小的子空间进行非线性划分,为分类提供有效的低维特征属性;设置超参数稀疏率来调整神经元中的权重,提高运算效率,最后结合半监督学习方式进行训练和预测。所提方法在真实世界10个数据集上进行验证,结果表明:相比于同类异常检测算法,SRP-PiF在异常检测性能指标AUC-ROC中有明显提升;在样本数量较多的数据集下,该算法识别精确度比孤立森林算法和经验累积分布函数的无监督离群值检测方法(ECOD)高出3%~20%。
文摘提出了一种基于闭合频繁模式的半随机森林数据流分类算法(Semi-Random Forest based on Closed Frequent Pattern,SRFCFP),以解决数据流中噪声和概念漂移问题。SRFCFP利用闭合频繁模式对数据流进行表示,去除冗余信息和噪声,突出数据特征。采用半随机森林建立分类模型,并通过基于时间衰减的模式集更新机制适应数据流的无限性。为了检测概念漂移并及时适应,引入了一种模式集差异性度量方式,用于测量数据分布变化。实验结果表明,在MOA平台下使用真实和合成数据集,SRFCFP在平均精度上超越了相关对比算法,并能有效处理数据流中的概念漂移和噪声问题。
