基于机器学习算法的在线推荐系统设计与性能优化研究

传统运营方式已经难以应对日益复杂的业务场景。特别是电商领域,采用个性化推荐系统对于改善用户体验、促进商品销售、提高广告点击率具有重要意义。文章以电商场景为例,设计了基于机器学习算法的在线推荐系统,并对该系统进行了性能优化。

混合增强型机器学习算法在稀土供应链金融中评价中小企业信用风险的研究

稀土是支撑高端技术创新和新能源产业发展的关键原材料之一,研究解决稀土供应链中小企业融资困难的问题,做强我国稀土产业链,更好地维护国家战略利益是当务之急。供应链金融作为创新型融资方式成为实现中小企业融资授信的一种主要手段,但其中信用风险问题成为融资决策中需解决的最关键问题之一。本文提出了一种混合增强型机器学习算法,首先采用动态透镜成像反向学习改进的海洋捕食者算法(IMPA)对支持向量机算法(SVM)进行优化,再采用AdaBoost算法对优化后的SVM进行集成,建立AdaBoost-IMPA-SVM模型。采用该模型对供应链金融风险进行评价,重新建立供应链金融风险体系指标,通过相关性分析进行特效选取,并从计算机通信及其他制造业选取52家中国上市中小企业2019—2021年期间140个样本作为特征变量输入模型。仿真实验结果验证了该模型相较于其他信用风险评价模型具有更好的分类识别性能。

基于机器学习算法的滑坡土壤含水率预测方法研究

土壤含水率是影响坡体稳定性的决定因素之一。针对滑坡体内部土壤水分信息难以准确感知的问题,建立了一种基于机器学习算法树突神经网络的土壤含水率预测模型(DDNN),通过分析土壤水分垂向变化特征和数据相关性确定关键的影响因子后,将水分预测模型DDNN与GA-BP、RF、RBFNN三种算法进行对比试验。发现DDNN预测模型的拟合优度R2最高为0.998,均方根误差和平均绝对误差均最小,分别为0.091、0.059,其预测精度明显高于其他三种算法。并采用关系谱探究了相关影响因素对土壤含水率的敏感程度。结果表明,敏感度由高到低依次为气温、降水、初始水分、风速、地温,研究结果可为滑坡体稳定性分析提供技术方法支撑。

机器学习算法在渔船数据挖掘技术中的应用

本文基于PCA_Word2Vec的渔船数据挖掘技术展开研究,构建了PCA_Word2Vec渔船数据挖掘模型并对渔船轨迹数据进行挖掘,在此基础之上通过将LightGBM模型与其他经典模型分类效果进行比较,以及对PCA_Word2Vec数据挖掘模型挖掘前后的数据展开对比,验证了渔船数据挖掘技术的有效性和实用性。

基于认知负荷和机器学习算法的计算机教学平台设计与应用

为提升计算机教学质量,该研究基于认知负荷理论和机器学习算法进行计算机教学平台设计。平台采用分层架构设计,平台软件功能由内容管理、学习者模型、智能教学、互动与反馈及数据分析与报告等五个功能模块构成,并采用Apache JMeter模拟用户行为对本平台进行性能测试。结果表明,该平台在高并发处理、响应速度和智能功能的准确性等方面均优于传统平台,充分证明平台功能有效性,可为计算机教学改革提供技术支持。

机器学习算法在5G网络分流提升中的应用

为探索机器学习算法在提升5G网络分流效率中的应用,本研究深度探究机器学习算法在5G网络分流提升中的应用。通过深度学习、支持向量机、随机森林和决策树等算法,实现了流量预测、网络资源优化和异常检测。研究发现,这些算法能有效预测流量趋势,提高资源配置效率,并在异常流量检测和安全威胁分析方面表现突出。测试结果显示,机器学习算法显著提升了5G网络管理的效率和安全性。因此,进一步探索和优化机器学习算法在5G网络应用中具有重要价值。

大数据技术的机器学习算法

随着互联网的发展和移动设备的普及,人们进入了一个数据量激增的时代,被称为“大数据”。为了有效应对这些大规模数据,传统数据处理方式显得力不从心,需要结合机器学习技术进行处理。基于此,本文探讨了机器学习的定义、分类以及大数据环境下的相关算法,例如分布式决策树、深度学习、聚类算法和降维技术,并进一步探索了这些算法在金融、健康医疗、电商和交通等领域的具体应用。

基于机器学习算法的胃癌淋巴结转移预测模型研究

目的基于4种机器学习(ML)算法构建胃癌淋巴结转移的预测模型并验证。方法回顾性收集531例胃癌根治术患者的临床资料,按3∶1比例将患者随机分为训练集399例和测试集132例。通过单因素分析筛选胃癌淋巴结转移的特征选择变量,分别建立逻辑回归、随机森林、K-邻近算法、支持向量机算法模型并进行变量重要性排序。将所有ML算法模型在测试集中进行验证,绘制受试者工作特征(ROC)曲线,基于曲线下面积(AUC)、灵敏度、特异度、准确度确定最优ML算法模型。基于最优ML算法模型的变量重要性排序构建列线图模型,通过ROC曲线、校准曲线、决策曲线评价列线图模型的区分能力、校准能力和临床适用性。结果4种ML算法模型比较结果显示,随机森林模型为最优算法模型,其在训练集中的准确度、灵敏度、特异度分别为72.7%、69.9%、75.0%,AUC为0.803,其在测试集中的准确度、灵敏度、特异度分别为64.4%、66.7%、62.5%,AUC为0.751。基于随机森林算法模型的变量构建列线图模型,ROC曲线显示列线图模型在训练集、测试集中的AUC分别为0.721、0.776,校准曲线和决策曲线显示列线图模型在训练集与测试集中均有较好的校准能力和临床适用性。结论随机森林模型是4种ML算法模型中的最优算法模型,基于随机森林模型构建的列线图模型能够较准确地预测胃癌淋巴结转移风险,从而更好地指导临床诊断和治疗决策。

结合无人机多光谱数据和机器学习算法的春小麦叶面积指数反演

【目的】探究基于无人机多光谱数据反演大田春小麦叶面积指数(LAI)的最优机器学习建模方法。【方法】以内蒙古沿黄流域的土默川平原春小麦为对象,利用大疆P4M无人机采集了3个关键生育时期(拔节期、孕穗期、灌浆期)多光谱影像数据,提取植被指数同实测LAI进行相关性分析,用以植被指数的筛选,筛选后的植被指数进行主成分分析(PCA),将新主成分因子作为模型输入变量结合多元线性回归(MLR)、决策树回归(DTR)、BP神经网络回归(BPNN)、梯度提升树回归(GBDT)、支持向量机回归(SVR)和随机森林回归(RFR)6种建模方法,分别构建不同生育时期LAI估算模型,经精度验证,确定LAI的最优估算模型。【结果】归一化植被指数(NDVI)、改进的简单比值植被指数(MSR)、比值植被指数(RVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)和归一化差异红边指数(NDRE)与LAI均存在显著相关性,但重归一化植被指数(RDVI)在孕穗期和灌浆期与LAI的相关系数仅为0.23和0.21。在反演模型方面,拔节期的BPNN模型表现最优,验证集R^(2)为0.822,RMSE为0.305,MAE为0.257。而在孕穗期、灌浆期以及整个生育期内,RFR模型表现最佳,验证集R^(2)分别为0.613、0.811和0.834,对应的RMSE分别为0.189、0.150和0.174,MAE分别为0.126、0.121和0.133,且以多生育时期数据建立的RFR模型精度大于单生育时期模型。【结论】利用无人机多光谱数据计算的植被指数结合机器学习算法可以较好反映春小麦各生育时期LAI分布情况,其中,使用多生育时期数据建立的模型估算精度大于单生育时期模型,单生育时期中,拔节期的预测精度最高,其次是灌浆期和孕穗期。在算法方面,BPNN算法构建的LAI估算模型在拔节期的反演精度最高RFR算法构建的LAI估算模型是准确估算春小麦中后期LAI表型参数的优选方法,相比之下GBDT模型在各生育时期的反演精度均较低,不推荐作为春小麦LAI反演模型。

基于机器学习算法和能量闭合理论的高标准稻田蒸散估算

为选出模拟长江中下游高标准稻田各生育期实际蒸散(ETa)的最优机器学习模型,并探究能量闭合对机器学习模型模拟ETa的影响,基于南通市2020年高标准水稻田小气候、土壤和通量观测数据,分析各生育期稻田ETa及相关因子的时间变化特征,利用BP神经网络和随机森林两种算法估算各生育期ETa,评估基于波文比的强迫能量闭合对机器学习模型模拟ETa精度的影响。结果表明:(1)在不同生育期,气象和土壤因子对稻田ETa的重要性不同,入射短波辐射(K↓)始终是稻田ETa的主控因子。(2)加入K↓可显著提高机器学习模型对ETa的模拟精度,相关系数提高了14.9%,RMSE降低51.1%。5种变量组合中,包含饱和水汽压差(VPD)、风速(U)、气温(Ta)、相对湿度(RH)和入射短波辐射(K↓)的BP1模型是模拟分蘖期前稻田ETa的最佳模型,包含Ta、RH和K↓的BP3模型更适于模拟分蘖期后的稻田ETa。(3)强迫能量闭合能改善BP神经网络模型对ETa的模拟效果,在分蘖期前更为明显,5种变量组合中,BP2模型(U、Ta、RH和K↓)在能量闭合后的模拟效果提升最明显,相关系数提高了3.5%,RMSE降低25.7%。

基于超声血流参数的胎儿生长受限辅助诊断预测模型构建及机器学习算法的筛选

目的应用机器学习算法基于超声血流参数构建胎儿生长受限(FGR)辅助诊断预测模型,比较不同预测模型的预测效能。方法本研究纳入2021年1月至2023年12月河南省人民医院收治的88例单胎且出生后确诊为FGR的孕妇资料(FGR组),并以河南省人民医分娩的88例非FGR孕妇作为对照(非FGR组)。本研究应用单因素和多因素logistic回归分析法筛选影响FGR的危险因素,并运用R软件构建支持向量机预测模型、随机森林预测模型及logistic回归预测模型。绘制3种预测模型的受试者工作特征曲线,比较不同模型预测FGR的效能,以确定最优的预测工具。结果FGR组、非FGR组分娩孕周、大脑中动脉搏动指数(MCAPI)、脐动脉搏动指数(UAPI)、静脉导管搏动指数(DVPI)、脑胎盘比(CPR)差异有统计学意义(P<0.05),年龄、产妇类型、体重指数、新生儿性别差异无统计学意义(P>0.05)。logistic回归分析结果显示,分娩孕周、DVPI、CPR是影响FGR的危险因素(P<0.05)。基于影响FGR的3个危险因素分别构建logistic回归预测模型、支持向量机预测模型、随机森林预测模型,结果显示,随机森林预测模型的曲线表现最优,其曲线下面积为0.986(95%CI:0.975~0.997)。结论分娩孕周、DVPI、CPR均为影响FGR的危险因素,机器学习算法中随机森林预测模型预测FGR的效能最好。

基于EMD与机器学习算法的近零能耗建筑负荷预测方法

采用皮尔逊相关系数法分析了不同特征变量与冷热负荷的相关性,确定了预测模型的输入特征变量。采用经验模态分解(EMD)对逐日冷热负荷按频分解,然后采用机器学习算法,即反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM),分别对不同频率的负荷量进行了训练、验证,最后重构得到了近零能耗建筑预测负荷。基于上述方法,以北京市某近零能耗居住建筑为研究对象,比较了不同算法预测结果的精确度。结果表明:采用EMD与RF算法相结合对近零能耗建筑冷热负荷的预测精确度较高。进一步采用穷举搜索法对模型初设参数进行了优化,冷热负荷预测结果精确度提高,冷负荷预测结果的决定系数R2、平均绝对百分比误差MAPE分别为0.996、1.32%,热负荷预测结果的R2、MAPE分别为0.997、0.79%。

基于机器学习算法的深部页岩储层物性预测及有利勘探区优选

以四川盆地泸州区块龙马溪组页岩为例,在岩心物性测试与测井数据基础上,对比分析了支持向量回归算法(SVR)、梯度提升决策树(GDBT)和极端梯度提升算法(XGBoost)3种机器学习算法预测结果并优选出适宜的评价模型,实现了深部页岩储层物性预测与有利勘探区优选。结果显示:1)3种热门学习算法在深部页岩储层物性预测方面均具有良好的应用效果,经过对比,认为GDBT为预测研究区深部页岩储层孔隙度最适宜的算法,XGBoost为预测研究区深部页岩储层渗透率最适宜的算法;2)基于上述优选模型,泸州区块龙马溪组页岩孔隙度为2.67%~9.67%,平均孔隙度为4.88%,渗透率为3.22~28.63μD,平均渗透率为11.34μD;3)依据龙马溪组页岩储层物性与含气量,可划分出7个I类有利区,3个Ⅱ类有利区和4个Ⅲ类有利区。该研究成果基于研究区实际情况,可为研究区与类似区块页岩储层评价及有利区预测提供参考。

基于机器学习算法的杠铃高悬垂位实力抓举与借力单杠双力臂动作的拮抗关系研究

基于借力单杠双力臂动作中的身体姿势变化设计其拮抗训练动作——杠铃高悬垂位实力抓举,并使用机器学习算法验证与量化不同重量的杠铃高悬垂位实力抓举与借力单杠双力臂动作的拮抗关系。招募有经验的综合体能训练爱好者10名,通过线性传感器计与惯性测量单元采集借力单杠双力臂动作和杠铃高悬垂位实力抓举动作的运动生物力学数据,使用一维统计参数映射(SPM1D)和动态时间规整(DTW)机器学习算法,验证与量化两者之间的拮抗关系。结果显示:两个动作在肩关节外展内收、内旋外旋、屈曲伸展以及肘关节内旋外旋上,存在拮抗关系。当杠铃重量约60%1RM(1次最大重量)时,两个动作的动力学数据拟合度最佳;当杠铃重量低于60%1RM时,两个动作的关节运动的拮抗关系更加显著。研究认为:杠铃高悬垂位实力抓举动作与借力单杠双力臂动作存在拮抗关系,可用其来优化借力单杠双力臂动作的训练效果,但杠铃配重需要根据训练目标和训练者能力进行调整。当训练目标为提升上肢爆发力时,可使用约60%1RM的杠铃配重,而当训练目标为提升借力单杠双力臂动作技巧时,则可用低于60%1RM的杠铃配重。

基于机器学习算法的中国近地面臭氧浓度模拟

目的探索基于多种机器学习模型的我国近地面臭氧浓度高精度模拟方法。方法基于2013—2017年的多源数据,建立基于多种机器学习算法的全国近地面臭氧浓度模拟模型。结果随机森林(random forest,RF)模型的性能最佳,R^(2)为0.752,RMSE和MAE分别为23.264和16.094μg/m^(3)。地面下沉短波辐射为近地面臭氧浓度模拟的最关键因素。结论基于气象、地理、排放等多元变量的RF模型可实现近地面臭氧高精度模拟。未来可进一步引入空气污染物的自然源排放量数据以提高模型精度。

基于SDGSAT-1 TIS的机器学习算法岩性分类

造岩矿物在热红外(TIR)大气窗口(7~14μm)中显示出特定的光谱特征为利用TIR影像进行岩性分类提供了理论基础(代晶晶等,2020)。然而,传统TIR遥感岩性分类数据源有限,且常用的基于光谱相似性和光谱特征的方法很难对类似的岩石类型进行分类,光谱吸收位置特征很容易受到矿物复杂化学成分的影响。2021年发射的可持续发展科学卫星1号(SDGSAT-1)在TIR区域具有3个波段.

基于机器学习算法的高海拔地区臭氧影响因素重要性分析

臭氧(O_(3))是表征大气氧化性和衡量光化学污染程度的重要指标,长期暴露在高浓度O_(3)环境中,生物体会受到严重危害.银川市位于西北高海拔地区,夏季持续高温且紫外线辐射强烈,在光化学反应下极易生成O_(3),导致O_(3)污染频发.因此,亟待开展O_(3)污染的研究,探明影响O_(3)浓度变化的关键因子.本研究依托宁夏银川城市生态系统国家定位站,以银川市凤凰公园为研究对象,开展野外同步定位观测试验,获取O_(3)浓度、气象因子和大气污染物等数据,应用机器学习算法中的随机森林模型,研究影响O_(3)浓度变化的关键气象因子和大气污染物.结果表明:(1)建立的随机森林模型,其方差解释率在88%以上,且观测值与拟合值间的决定系数R^(2)为0.974,均方根误差为85.8,拟合效果良好;(2)通过对模型筛选出的影响O_(3)浓度的关键因子进行重要性排序,对模型贡献较大的4个变量分别为相对湿度(27.8)、NO_(2)(0.1)、NO_(2)(16.1)和PM_(2.5)(12.7);(3)各变量与O_(3)浓度之间存在显著的非线性关系,其中氮氧化物(NO、NO_(2))对O_(3)浓度影响的阈值效应最大,其次为相对湿度和温度.因此,应用随机森林模型可从非线性角度阐明O_(3)浓度与气象因子和大气污染物的关系,明确影响O_(3)浓度的关键因子及其阈值效应,从而为高海拔地区O_(3)污染防治提供科学依据和技术支撑.

基于物联网系统与机器学习算法的排水管道堵塞诊断方法

为了简便有效地诊断城市中普遍存在的排水管道堵塞问题,通过设计管道装置并完成堵塞通水试验并,在线监测水位数据,寻优机器学习算法并以Python代码开发基于最优算法的管道堵塞诊断程序。结果表明:排水管道发生堵塞且流量相同时,堵塞越严重,上游水位线抬升越高;堵塞物距上游监测点越近,上游水位线抬升越高;下游水位几乎只与流量相关。通过机器学习算法比选发现,K-最近邻算法对数据集的分类展现出较高的准确率,经过网格交叉法优化后其诊断准确率在98%左右。可见,该诊断方法能够实现对管道堵塞的快速诊断,可以优化派工调度流程,降低管网运维成本。

基于机器学习算法对STEMI患者院内及1年内心血管不良事件预测体系的研究

目的探讨基于机器学习算法对ST段抬高型心肌梗死(STEMI)患者院内及1年内心血管不良事件预测体系。方法选择就诊并经药物治疗的STEMI患者165例为对象,根据患者院内及1年内是否发生心血管不良事件将其分为发生组和未发生组。查阅2组资料,基于机器学习算法,分别采用支持向量机(SVM)、随机森林法(RF)和卷积神经网络(CNN)构建STEMI患者院内及1年内心血管不良事件预测模型,并进行评价和比较。结果165例STEMI患者院内及1年内心血管不良事件发生53例。发生组外周动脉疾病史、卒中病史、入院药物治疗、出院后用药、血小板计数、C反应蛋白及D-二聚体水平高于未发生组,差异有统计学意义(P<0.05);预测模型中训练集中马修斯系数SVM;测试集中RF>SVM>CNN;训练集中FI系数RF>CNN>SVM;训练集中曲线下面积SVM最高,而测试集中XGBoost最高。结论基于机器学习算法SVM及RF预测模型性能在敏感度与准确度上优于CNN;STEMI患者院内及1年内心血管不良事件预测因子,能针对可能的影响因素及预测结果制定针对性的干预措施,以改善患者预后。

基于机器学习算法的数据分类与标准化方法研究

机器学习算法利用数学和统计学方法从大量数据中学习和提取有用信息,能够为决策提供支持。数据分类旨在将数据分组到预定义的类别中,而标准化方法则涉及对数据进行格式化和规范化处理,以提高算法的效率和准确性。为增强机器学习在数据处理中的有效性和一致性,文章深入探讨了基于机器学习算法的数据分类与标准化方法。