典型文献
基于机器学习的移动客服终端运维状态自主感知方法
文献摘要：
在进行终端运维状态自主感知时,大多采用对大量的先验数据统计推理后建立模型,通过数据拟合感知终端运维状态是否存在异常.由于先验数据的可靠性难以保证,导致感知精确度存在局限,感知效率较低.为提高状态感知结果的可靠性,保证终端运维状态感知效果,研究1种基于机器学习的移动客服终端运维状态自主感知方法.利用时间窗对运维状态数据预处理后,使用密度峰值聚类算法(Density Peak Clustering,DPC)与k均值聚类算法(k-means Clustering Algorithm,k-means)识别状态感知兴趣区域.设计多层的感知卷积神经网络(Convolutional Neural Networks,CNN)模型,在双向训练确定参数后,处理感知兴趣区域数据,得到状态感知结果.实验结果表明,应用设计的基于机器学习的方法后感知相对误差减少,感知响应时间大幅缩短,实际应用效果更佳.
文献关键词：
机器学习;移动客服终端;运维状态自主感知;聚类算法
中图分类号：
作者姓名：
王旭勇
作者机构：
深圳供电局有限公司,广东深圳 518000
文献出处：
引用格式：
[1]王旭勇-.基于机器学习的移动客服终端运维状态自主感知方法)[J].通信电源技术,2022(22):20-22,28
A类：
移动客服终端,运维状态自主感知
B类：
基于机器学习,终端运维,感知方法,先验,统计推理,建立模型,数据拟合,感知终端,状态感知,时间窗,状态数据,数据预处理,密度峰值聚类算法,Density,Peak,Clustering,DPC,均值聚类,means,Algorithm,兴趣区域,Convolutional,Neural,Networks,应用设计,响应时间,实际应用效果
AB值：
0.233479
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
