Fabrication and Characterization of Au Nanoparticle-aggregated Nanowires by Using Nanomeniscus-induced Colloidal Stacking Method

We fabricate and characterize Au nanoparticle-aggregated nanowires by using the nano meniscus-induced colloidal stacking method. The Au nanoparticle solution ejects with guidance of nanopipette/quartz tuning fork-based atomic force microscope in ambient conditions, and the stacking particles form Au nanoparticle-aggregated nanowire while the nozzle retracts from the surface. Their mechanical properties with relatively low elastic modulus are in situ investigated by using the same apparatus.

基于实况资料的Stacking回归模型下游气温预报方法

【目的】目前大多数气温预报模型是基于数值预报建立的。这种模型存在一个主要问题,即预测精度完全受数值预报精度的影响,导致预报员过度依赖该模型,缺乏对天气实况资料的认知。【方法】该文利用2013-2022年的贵州省自动气象站资料,在考虑气温上下游的相关性的基础上,使用夏季气温实况资料得到了安顺市西秀区日最高和最低气温与省内其他台站之间相隔24 h的皮尔逊相关系数。然后,利用机器学习块选择了Stacking回归模型,建立本地未来24 h的气温预报方法。【结果】(1)上下游最高和最低气温相关性均通过了0.005的显著性检验,表明西秀区24 h气温变化主要受到上游毕节、大方、播州、开阳和贵阳等地的影响;(2)该文所建立的Stacking回归模型能够很好地预测24 h最高和最低气温的变化趋势,在使用±2℃的温度检验方法下,准确率分别达到了83.7%和93.47%;(3)最高气温的预测准确率低于最低气温,反映出西秀区最高气温预报的难度较高。【结论】该方法能够有效降低对数值模式的过度依赖,同时在预测本地24 h气温时具有较高的准确率、稳定性和普适性。

基于Stacking集成学习的高校录取分数线预测

针对如何准确预测高校录取分数线,帮助高考生做出更加准确的志愿填报决策问题,提出一种基于Stacking集成思想的双层模型。该模型采用机器学习算法暴露特征重要性,融合3个单一算法并使用交叉检验法和网格搜索法进行参数优化。通过在贵州省2018-2022五年高考高校录取数据上进行实验结果表明,该双层融合模型的预测效果优于支持向量回归、决策树、随机森林等单一模型和其他集成模型;预测误差在5分以内的精度超过95%,平均绝对值误差低于2.43;较单一模型中表现最好的梯度提升指标分别提升44%和19%,提升了预测效果,为未来分数线预测提供了新的方向。

基于Stacking方法的多策略本体映射

将概念相似度的计算问题看做分类问题,提出一种基于Stacking方法的多策略本体映射框架;利用Stacking方法组合多种概念相似度算法,进而提出基于Widrow-Hoff理论的元数据分类算法LMSMC。该框架中,第0层分类器使用各种概念相似度算法对源本体进行分类,第1层分类器使用LMSMC算法对元数据进行分类,从而实现组合多种算法的本体映射。实验表明该方法比单独使用相似度算法在查全率、查准率上均有所提高。

基于熵值法改进Stacking的文本情感分析

在情感分析研究中,使用Stacking算法进行情感分析时基学习器的选择是至关重要的。传统的Stacking算法仅仅只是将不同学习器结合起来,没有区分它们之间的不同,同时也不能反映初级学习器的实际预测情况,针对此问题,基于熵值法改进Stacking算法进行文本的情感分类。首先,使用熵值法确定单一分类器的性能指标权重,将指标值的权重进行加权求和获得不同模型的综合得分,通过综合得分来选择性能最好的基学习器组合;接着,由于基模型中的各个分类器性能的不同,将基学习器训练后的预测结果赋予不同的权重,输入到次级学习器当中;最后再利用次级学习器进行训练并预测情感倾向。实验结果表明,基于熵值法改进Stacking模型优于传统的Stacking模型,说明基学习器的选择和重要程度对情感分类具有一定帮助,为之后文本情感分析奠定一定的基础。

基于改进Stacking集成学习的高强度钢柱屈曲能力预测

由于屈曲强度的形成机制复杂,影响屈曲强度的因素较多,目前对屈曲强度的认识还不全面。近年来,机器学习已初步应用于预测结构屈曲强度等力学性能,然而基于实验测试的样本数据量小容易造成过拟合,导致其预测精度低。本文提出一种基于改进Stacking算法的GSSA(Grid Search-Stacking Algorithm)模型,并对某型号高强度钢柱屈曲强度进行预测,提升了屈曲强度的预测精度。首先,基于标准Stacking算法通过使用网格搜索算法选择最优基模型组合,并采用留一交叉验证(LOOCV)法训练基模型,实现了GSSA模型的构建,有效解决了小样本集训练带来的预测精度低问题;然后,为了进一步验证GSSA模型的可靠性,本文采用Bland-Altman法对GSSA模型进行一致性评价,结果表明,GSSA模型具有很好的可靠性;最后,采用SHAP模型对GSSA模型预测的屈曲强度进行了可解释性分析,实现了其影响因素评价。

基于Stacking法的无人机光谱遥测冬小麦产量

【目的】精确、高效地预测作物产量。【方法】以冬小麦为研究对象,利用无人机搭载多光谱相机,获取抽穗期、开花期和灌浆期的多光谱图像数据。根据多光谱波段选取对产量敏感的14种植被指数,并优选出与产量极显著相关的13种植被指数;基于优选出的植被指数分别建立各生育期的MLR、PLSR、SVM和Cubist产量估算初级模型进行对比分析,并利用Stacking方法集成初级学习器模型分别建立各个时期MLR和Cubist次级产量估测模型。【结果】随着冬小麦生长阶段的发展,各植被指数与产量的相关性逐渐增大,在灌浆期达到最大值0.67;对比4个初级学习器模型精度,Cubist模型在抽穗期、开花期和灌浆期的估产精度均为最高;利用Stacking方法构建的次级学习器模型以Cubist模型的估产效果最佳,MLR和Cubist模型的估产精度在各个时期均得到了提升。【结论】基于Stacking方法融合估产模型能够显著提升冬小麦的产量估算精度,为今后的估产研究提供参考。

基于Stacking模型集成算法的莲都区南方红豆杉潜在分布区

研究使用R软件中的CaretEnsemble和Caret程序包,并基于Stacking方法来实现模型集成,研究南方红豆杉Taxus chinensis var.mairei在浙江省丽水市莲都区的潜在分布区,并比较5种单一模型的模拟结果及其与集成模型的差异。结果表明:单一模型中极端梯度上升模型表现最好,其次是随机森林模型、支持向量机模型、朴素贝叶斯模型和分类回归树模型,集成模型模拟结果好于单一模型,其Kappa值达0.80,准确率达0.90。集成模型模拟结果显示:影响南方红豆杉分布的主要环境因子为海拔、归一化植被指数和年平均最少降雨量。南方红豆杉主要适宜生长在浙江省丽水市莲都区的山地丘陵地区,中部盆地及平原地区不适宜南方红豆杉的生长,其在莲都区的潜在分布区面积为5.01万hm^2。构建的集成模型在一定程度上提高了模型精度,使预测效果更优。

基于Stacking策略的稳定性分类器组合模型研究

针对Bagging、AdaBoost等通用的集成算法对于稳定性分类算法集成效果不是很好的问题,提出了基于Stacking策略的稳定性分类器组合算法.该算法通过构造一个两层的叠加式框架结构,融合数据降维技术处理两层分类器的输入特征,对4种稳定性分类器(LDA、GLM、SVM、KNN)进行组合学习.利用UCI数据集测试算法的性能.实验结果表明:相比一些集成算法(RF、Bagging、C50、AdaBoost),基于Stacking策略稳定性分类器组合模型可以获得更高的分类准确率.同时也为二分类的分类模型提供了一个可行的参考方法.

基于Stacking集成机器学习的波浪预报

采用多层感知器模型、随机森林模型为第一层子模型,极端树模型为第二层元模型,建立基于Stacking集成机器学习的波浪预报算法,并引入邻域平均法抑制在拐点处产生的数值震荡。以长江口外海2016年1-9月的风速和中国近海波高数据为数据源,利用机器学习风速与有效波高之间的关系,将2016年10-11月的风速、波高数据用于预报结果的对比分析,预报前45 d R^2拟合优度达到0.97以上,平均误差最大值为0.08 m,平均相对误差最大值为0.05,预报结果与波浪谱模型结果趋势一致,准确度较高;预报结果后15 d误差增长较快,这与训练集数据中寒潮浪占比较少有关。

Molecular dynamics simulation on generalized stacking fault energies of FCC metals under preloading stress

Molecular dynamics(MD) simulations are performed to investigate the effects of stress on generalized stacking fault(GSF) energy of three fcc metals(Cu, Al, and Ni). The simulation model is deformed by uniaxial tension or compression in each of [111], [11-2], and [1-10] directions, respectively, before shifting the lattice to calculate the GSF curve. Simulation results show that the values of unstable stacking fault energy(γusf), stable stacking fault energy(γsf), and unstable twin fault energy(γutf) of the three elements can change with the preloaded tensile or compressive stress in different directions.The ratio of γsf/γusf, which is related to the energy barrier for full dislocation nucleation, and the ratio of γutf/γusf, which is related to the energy barrier for twinning formation are plotted each as a function of the preloading stress. The results of this study reveal that the stress state can change the energy barrier of defect nucleation in the crystal lattice, and thereby can play an important role in the deformation mechanism of nanocrystalline material.

基于熵权法的Stacking算法

为提高元分类器的预测精度,在基于分类器类向量输出的Stacking算法基础上,提出一种基于熵权法的堆叠泛化算法E-Stacking (Stacking based entropy),对于基分类器的输出类别,引入一种熵权法ELFMF (label frequency and mistake frequency based entropy)。通过考虑基分类器预测结果出现的频率及错误率,以及预测结果在各个类别中的分散度,增强多个元分类器成员之间的差异性,增加堆叠算法的泛化效果。实验结果表明,与传统及各种改进的Stacking算法相比,该算法有效提高了预测精度且更具有适用性。

基于Stacking的Android恶意检测方法研究

针对单一的数据挖掘算法对安卓恶意应用检测精度低的问题,论文提出了一种基于Stacking的Android恶意检测方法。该方法以安卓应用为研究对象,采用改进的特征提取方法来提取权限特征,训练多种基分类模型。最后,采用集成学习的思想,融合每一种分类模型产生的分类结果,训练新的分类模型。针对应用市场的真实应用的测试检测和分析结果表明:基于Stacking的Android恶意检测方法能提高恶意应用检测精度。

基于RS-Stacking模型的科氏流量计两相流测量研究

为解决科氏流量计测量气液两相流的问题,本文提出一种新的建模方法对两相流工况下科氏流量计的质量流量测量值进行矫正,并对气相的体积含气率进行预测.对于DN10管径,液相量程0~1000 kg/h的科氏流量计,在质量流量范围为185~920 kg/h、体积含气率范围为0~32.4%的两相流工况下进行了实验,并分析科氏流量计两相流工况下各特征与质量流量和体积含气率的关系.在小数据集下,为实现较高预测精度和泛化能力,利用科氏流量计内部可观测信号设计了Stacking集成模型.由于两相流信号稳定性较差,选用30 s信号进行处理作为模型的输入.使用随机搜索(RS)法进行特征工程,以解决小数据集无法提供足够数量且多样的基模型问题.离线测试中,液相质量流量预测模型相对误差在±2.3%内,体积含气率预测模型所有点绝对误差均在±2%内.在线测试中,采用30 s内预测值平均值与真实值平均值进行误差计算,所有在建模范围内的工况点质量流量预测相对误差在-4.15%~2.70%内,体积含气率预测的绝对误差在±2%内.超出建模范围的4个在线测试点,模型预测表现并未出现明显下降.动态在线测试中,采用约455 s内预测值的平均值与真实值的平均值进行误差计算,质量流量预测误差为1.3%,体积含气率预测误差为-1.2%,证明本模型对液相质量流量和体积含气率大幅波动的情况可以进行一定程度的跟随预测.

基于Stacking集成学习算法的工作人员用车记录异常数据识别方法

针对电网企业工作人员用车记录核验效率较低的问题,文章提出基于Stacking集成学习算法的工作人员用车记录异常数据识别方法。挖掘工作人员用车记录异常数据,通过数据清洗、数据插值操作预处理异常数据,基于Stacking算法中集成学习器的训练,实现异常数据识别。实验结果表明,文章方法识别工作人员用车记录异常数据的精确率为98.55%、召回率为95.86%,验证了该方法的可行性。

利用H-K叠加方法和CCP叠加方法研究中国东北地区地壳结构与泊松比

利用中国东北布设的流动地震台阵（116个）以及国家和区域台网（121个）的宽频带台站记录的824个远震事件，采用P波接收函数CCP叠加和H—K叠加两种方法获得了研究区详尽的地壳厚度图像．研究结果显示，两种方法获得的地壳厚度分布特征具有很好的一致性，中国东北下方地壳厚度存在明显的东西横向差异．重力梯度带西侧和佳木斯地块的台站下方地壳较厚，介于36～41km之间，而在兴蒙槽地褶带中重力梯度带往东从36krn减薄至34km左右．松辽盆地北侧、东侧和南侧地壳厚度较薄，为29～34km，反映了该区复杂的地壳变形过程．CCP剖面显示郯庐断裂深切地壳，敦化-密山断裂下方莫霍面出现错断．H—K叠加得到的地壳平均泊松比显示，东北地区绝大部分台站下方的泊松比值较大，0．24～0．29．长白山、松辽盆地东部、燕山台隆东部和大兴安岭北部，泊松比值达到0．27～0．30，可能有幔源物质上涌，下地壳铁镁组分含量增加．

用H-Kappa方法反演龙门山断裂带及其邻区的莫霍面深度及波速比分布

利用龙门山断裂带及其邻近地区地震台站的远震波形记录,采用时间域迭代反褶积技术求取接收函数,并用多次反射波能量扫描求极大值和波形叠加反演的方法(H-Kappa方法)计算出台站下方的莫霍面深度和波速比。结果显示:莫霍面位于扬子地台西缘部分向西侧倾斜缓降,深度在40～48 km变化,地壳平均波速比值为1.81;都江堰、汶川、耿达一带处在龙门山推覆体范围之内的莫霍面起伏变化不大,深度在45 km左右,地壳平均波速比值为1.707 5;龙门山断裂带西侧的松潘—甘孜地块的平均地壳波速比为1.76,莫霍面深度南面部分比北面深约10 km,呈南深北浅状。

Predicting air pressure in drainage stack of high-rise building

It is necessary to understand the features of air pressure in a drainage stack of a high-rise building for properly designing and operating a drainage system. This paper presents a mathematical model for predicting the stack performance. A step function is used to describe the effect of the air entrainment caused by the water discharged from branch pipes. An additional source term is introduced to reflect the gas-liquid interphase interaction （GLII） and stack base effect. The drainage stack is divided into upper and base parts. The air pressure in the upper part is predicted by a total variation diminishing （TVD） scheme, while in the base part, it is predicted by a characteristic line method （CLM）. The predicted results are compared with the data measured in a real-scale high- rise test building. It is found that the additional source term in the present model is effective. It intensively influences the air pressure distribution in the stack. The air pressure is also sensitive to the velocity-adjusting parameter （VAP）, the branch pipe air entrainment, and the conditions on the stack bottom.

Numerical Simulation Investigation on Split Sleeve Cold Expansion of Ti-Al Stacked Structure

Split sleeve cold expansion(SSCX)can efiectively enhance fatigue life of holes by improving the field of residual stress.Numerical simulations were conducted to investigate the parameter influence mechanism and obtain higher compressive residual stress(CRS).Expansion method,degree of cold expansion(DCE),friction coefficient between laminations and depth-diameter ratio were analyzed.For Ti-Al stacked joint holes,two expansion methods are proposed,namely aluminum alloy first followed titanium alloy(Al first)and titanium alloy first followed aluminum alloy(Ti first).The results show that expansion method and DCE have significant efiects on the field of circumferential residual stress,and the friction has a negligible influence.A higher value of CRS and a wider layer of plastic deformation are induced with Ti first.Optimal DCE of TiAl stacked structure is 5.2%-5.6%.As the depth-diameter ratio is in the range of 0.5-1.25,a positive linear correlation between the maximum compressive residual stress(CRS_(max))and depth-diameter ratio is shown.

Methods of de-noising the low frequency electromagnetic data

The quality of the low frequency electromagnetic data is affected by the spike and the trend noises.Failure in removal of the spikes and the trends reduces the credibility of data explanation.Based on the analyses of the causes and characteristics of these noises,this paper presents the results of a preset statistics stacking method(PSSM)and a piecewise linear fitting method(PLFM)in de-noising the spikes and trends,respectively.The magnitudes of the spikes are either higher or lower than the normal values,which leads to distortion of the useful signal.Comparisons have been performed in removing of the spikes among the average,the statistics and the PSSM methods,and the results indicate that only the PSSM can remove the spikes successfully.On the other hand,the spectrums of the linear and nonlinear trends mainly lie in the low frequency band and can change the calculated resistivity significantly.No influence of the trends is observed when the frequency is higher than a certain threshold value.The PLSM can remove effectively both the linear and nonlinear trends with errors around 1% in the power spectrum.The proposed methods present an effective way for de-noising the spike and the trend noises in the low frequency electromagnetic data,and establish a research basis for de-noising the low frequency noises.