惩罚矩阵T混合模型及其在省域经济分类中的应用

为充分考虑矩阵数据的特性和数据内部的关联性,文章基于矩阵T分布建立矩阵T混合模型及其惩罚模型来研究聚类问题。在矩阵T混合模型的似然函数上对均值矩阵分量施加自适应核范数低秩惩罚,应用ECM算法提出惩罚似然估计算法,同时提出了一种改进的BIC模型选择准则来选择最优的混合模型数量和调节参数,进而通过自适应核范数阈值自动实现低秩估计,实现准确聚类。最后,通过数值模拟研究及与已有方法的对比验证了该方法的有用性,且将所建立的惩罚混合模型应用于中国省域经济发展水平划分研究,得到了比较准确的聚类结果。

图像处理中CNN与视觉Transformer混合模型研究综述

卷积神经网络(CNN)与视觉Transformer是目前图像处理领域中两大重要的深度学习模型,两者经过多年来不断的研究与进步,已在该领域取得了非凡的成就。近些年来,CNN与视觉Transformer的混合模型正在逐步兴起,广泛的研究不断克服两种模型存在的弱项,高效地发挥出各自的亮点,在图像处理任务中表现出优异的效果。基于CNN与视觉Transformer混合模型进行深入阐述。总体概述了CNN与Vision Transformer模型的架构和优缺点,并总结混合模型的概念及优势。围绕串行结构融合方式、并行结构融合方式、层级交叉结构融合方式以及其他融合方式等四个方面全面回顾梳理了混合模型的研究现状和实际进展,并针对各种融合方式的主要代表模型进行总结与剖析,从多方面对典型混合模型进行评价对比。多角度叙述了混合模型在图像识别、图像分类、目标检测和图像分割等实际图像处理特定领域中应用研究,展现出混合模型在具体实践中的适用性和高效性。深入分析混合模型未来研究方向,并为后续该模型在图像处理中的研究与应用提出展望。

基于复合高斯混合模型的主动配电网全局概率电压灵敏度分析

高比例分布式电源(distributed generation,DG)的随机性加剧了主动配电网(active distribution network,ADN)电压波动,并使ADN电压安全分析愈加复杂,故提出了一种基于复合高斯混合模型(Gaussian mixture model,GMM)的全局概率电压灵敏度分析方法。首先推导基于节点道路交集阻抗的ADN全局电压灵敏度解析模型,量化所有节点功率波动对节点电压的影响。考虑到多个节点注入功率不确定性的叠加影响下,电压波动呈现非高斯分布特征,采用高斯混合模型刻画DG和负荷预测误差的概率特征。然后,基于全局灵敏度矩阵对DG和负荷预测误差GMM的仿射变换,构建源荷功率波动与电压波动的概率解析式。最后,推导DG和负荷不确定性对电压波动综合影响的复合GMM特征函数,建立基于复合GMM的全局概率电压灵敏度分析模型。算例结果表明,所提方法能够反映所有节点注入功率波动对节点电压波动影响的概率特征,可快速准确计算出ADN电压运行的越限概率。

基于潜变量增长混合模型探讨IVF-ET患者心理症状与压力变化轨迹

目的基于潜变量增长混合模型探讨体外受精-胚胎移植(IVF-ET)患者心理症状与压力变化轨迹及影响因素。方法选取2023年3月10日至2024年5月17日北京大学深圳医院收治的269例行IVF-ET的女性患者作为研究对象,采用基线资料调查表、心理症状与压力量表、社会支持评定量表(SSRS)在4个时间节点对患者进行调查。采用潜变量增长混合模型识别心理症状与压力变化轨迹,采用Logistic回归分析不同变化轨迹亚组的影响因素。结果治疗期间IVF-ET患者心理症状与压力存在3种轨迹,分别为持续上升组(C1,n=58)、持续低平组(C2,n=158)、持续下降组(C3,n=53)。年龄、社会支持利用度评分、工作、原发性不孕是C1的独立影响因素(P<0.05),原发性不孕、不孕为双方原因是C3的独立影响因素(P<0.05)。结论治疗期间IVF-ET患者心理症状与压力变化轨迹存在群体异质性,应基于不同变化轨迹进行针对性评估和心理支持。

对数正态多层贝叶斯混合模型的参数估计

用传统的正态多层贝叶斯混合模型在对具有均值异质性和方差异质性的偏态分布数据进行统计推断时效果不佳.针对这一问题,本文对数正态多层先验分布的构造与贝叶斯定理相结合,并引入到混合模型中,从而建立了对数正态多层贝叶斯混合模型.在混合模型的混合个数(k)已知的情况下,利用Gibbs抽样算法对各未知参数进行贝叶斯估计,并对使用Gibbs算法所生成的迭代链进行收敛性诊断.随机模拟结果显示,在相对误差、均方误差(MSE)准则下,贝叶斯估计的效果较似然估计更优.最后,通过实证分析证明了所建立的模型是切实可行的.

基于高维混合模型的离心泵叶轮子午面优化设计

为提高离心泵在设计工况下的运行效率和扬程,提出一种基于高维混合模型的离心泵叶轮优化设计方法.选取一台比转数为157的单级离心泵作为研究对象,通过CFturbo软件对优化变量进行参数化,然后结合数值模拟获得高维混合模型的训练集.在此基础上采用获取的训练集通过MATLAB机器学习得出效率、扬程与优化参数之间关于支持向量回归的高维模型,并采用遗传算法寻优.在设计工况下,所拟合的高维混合模型预测的效率和扬程值比原模型分别高1.5%和3.2 m,数值模拟验证优化方案的效率和扬程分别比原模型高0.9%和2.1 m.算例研究表明,将高维混合模型应用于离心泵叶轮的优化设计中可以实现快速寻优并提高离心泵水力性能.

基于层次分解、主成分分析和高斯混合模型的火成岩岩性识别——以惠州26洼古潜山为例

火成岩油气成藏规律复杂,受到火山运动、强构造运动以及风化剥蚀等叠加影响,火成岩的化学成分和结构构造复杂多样,非均质性极强,采用常规岩性识别方法难以一次性将所有岩性准确识别。借鉴层次分解思路,以惠州26洼古潜山为例,提出了一种火成岩岩性测井识别分类方法:综合考虑火成岩地质分类原则和测井响应特征来确定岩性识别层级,基于这种层次性的分类原则,在每一层次定量优选岩性识别敏感参数,建立研究区岩性识别优选层级;在明确岩性识别优选层级的基础上,逐级逐次使用主成分分析(PCA)和高斯混合模型(GMM)对岩性进行判别并确定其计算函数,建立分级优选岩性识别模型,最终达到整体岩性区分的目的。研究结果表明,研究区辉绿岩和闪长岩识别正确率分别为87.31%和84.32%,未分级未优选辉绿岩和闪长岩识别正确率为60.45%和54.88%,分级未优选其岩性识别正确率为69.61%和67.04%,有效提高了研究区的复杂岩性识别精度。该方法的提出对提高火成岩岩性识别精度提供了一种思路,也为研究区古潜山火成岩岩性精确识别提供了参考依据。

基于非凸熵最小化与高斯混合模型聚类的电容层析成像图像重建

基于压缩感知原理提出了一种构建非凸熵(NE)函数作为正则化项的方法,在有效缓解电容层析成像(ECT)病态性逆问题的同时可保证解的稀疏性,并采用快速迭代阈值收缩算法(FISTA)求解以加快收敛速度。对所得解通过高斯混合模型(GMM)进行阈值寻优,采用期望最大化算法(E-M)更新模型参数,从而构建NE-GMM算法。仿真及实验结果均表明:与LBP、Landweber、迭代硬阈值(IHT)、ADMM-L1及NE算法进行了对比,该算法所得重建图像质量最优,对中心分布及多物体分布的保真度进一步提高,仿真实验重建图像的平均相对误差和相关系数分别为0.4611及0.8827,优于其他5种算法。

基于混合模型的特种车辆转向泵马达性能评估

为了实现转向泵马达运行性能的实时评估,首先构建了转向泵马达物理模型,该模型考虑了转向泵马达运行机理,通过求解泵马达外特性方程、液压回路平衡方程、内部流量计算方程等,实现内部不可测参数的初步评估与计算,进而获得各类参数对转向泵马达性能的影响机制.同时采用LSTM深度学习方法构建了转向泵马达数据驱动模型,学习并预测不同工况下转向泵马达容积效率的变化规律,并将其输入至物理模型形成转向泵马达性能评估混合模型,提高不同工况条件下转向泵马达性能评估的准确性及适用性.实例分析表明,该混合模型可实现复杂工况下转向泵马达高低压侧压力、流量、转速及转矩等参数的计算与评估,模型误差低于10%.

基于混合模型的强化学习在浮选过程优化控制中的应用

传统的优化控制方法很难在浮选过程状态发生变化时准确、快速做出决策,导致精矿品位和尾矿品位大幅度波动、出现产品质量不稳定.此外,浮选过程难以对精矿品位进行在线检测,导致其实用性下降.针对上述问题采用混合模型对浮选过程建模,并基于示例的安全增强值评估(safety augmented value estimation from demonstrations,SAVED)的强化学习算法,控制浮选溢出气泡的尺寸分布,从而间接实现对精矿品位和尾矿品位的控制.通过仿真实验验证了所提算法的有效性.与人工经验和数据驱动模型相比,基于混合模型的SAVED算法在保证安全约束的条件下能够实现更好的控制效果.

成年中期抑郁情绪的变化轨迹:基于增长混合模型

选取中国家庭追踪调查(CFPS)中的10654名成年中期被试,采用增长混合模型,探讨抑郁情绪变化轨迹的异质性及其相关因素。结果发现:成年中期抑郁情绪变化轨迹存在低抑郁-稳定组(87%)、中抑郁-下降组(8%)与低抑郁-陡升组(5%)三种类别,相对于低抑郁-稳定组,中抑郁-下降组和低抑郁-陡升组中女性、农村居民与受教育水平较低者所占比例更大。成年中期抑郁情绪的变化轨迹呈现异质性,并且女性、农村居民与受教育水平较低者存在更高的抑郁情绪发展风险。

基于高斯混合模型的采煤工作面冲击危险性评价

【目的】深入了解声发射或微震能量分布所蕴含的概率学信息,对于工作面回采过程中的冲击危险性评价具有重要意义。【方法】以陕西大佛寺煤矿4号煤层40111工作面作为工程背景,运用物理相似模拟实验、理论分析、现场监测等相关方法进行分析,研究了声发射监测数据在回采过程中的演化规律,阐明了声发射能量概率分布呈现波动性的物理意义,提出了基于高斯混合模型(Gaussianminture model,GMM)及置信区间的冲击危险性评价指标模型,并由现场微震数据进行验证。【结果和结论】结果表明:回采过程中上覆岩层周期性垮落并伴随声发射能量的集中释放。总能量的概率密度函数呈现多自由度的非对称分布,通过对比残差平方和等多项拟合效果指标,确定高斯混合模型为最佳拟合模型。基于EM(expectation maximization)算法的GMM聚类分析,将声发射事件总能量分布划分为两类:高频低能型和低频高能型,其中低频高能型与冲击事件的突发性和高能量破坏特征一致。依据概率-能量梯度变化特征,对工作面开采过程中冲击危险性进行了评估。研究成果为采煤工作面冲击危险性评价提供了概率学上的创新思路,具有在冲击地压监测预警及后续防治中的潜在应用价值。

CT-CloudDetect:用于遥感卫星云检测的混合模型

云检测是在遥感卫星云图中检测云的任务。近年来,人们提出了基于深度学习的云检测方法,并取得了良好的性能。然而,现有的基于深度学习的云检测模型大多还是基于卷积神经网络(convolutional neural network,CNN),由于卷积运算的固有局部性,难以捕获长距离依赖关系。针对上述问题,文章提出一个基于CNN和ViT(Vision Transformer)的混合型云检测模型,并提出一种基于CNN和ViT的编码器,使网络具备捕捉局部和全局信息的能力。为了更好地融合语义和尺度不一致的特征,提出了一个双尺度注意力融合模块,通过注意力机制有选择地融合特征。此外,提出了轻量级路由解码器,该解码器通过路由结构降低模型复杂度。在3个公开云检测数据集上对模型进行了评估。大量实验表明,所提出的模型具有比现有模型更好的性能。

高斯混合模型与文本图卷积网络结合的虚假评论识别算法

针对文本图卷积网络(Text GCN)窗口边权阈值策略不足的问题,为了更精准地挖掘相关的词关联结构、提高预测精度,提出一种高斯混合模型(GMM)与Text GCN结合的虚假评论识别算法F-Text GCN。首先,利用GMM分离噪声边权分布的特性,提高虚假评论在训练数据上相对正常评论数不足的边信号强度;然后,考虑到信源的多样性,综合文档、词汇和评论以及非文本特征构造邻接矩阵;最后,通过Text GCN的谱分解提取邻接矩阵的虚假评论关联结构实施预测。根据国内某大型电商平台采集的126086条实际中文评论数据开展实证研究,实验结果表明,F-Text GCN识别虚假评论的F1值达到82.92%,与预训练表征模型BERT和文本卷积神经网络相比分别提升了10.46%和11.60%,相较于只使用评论文本信源的Text GCN模型F1值提升了2.94%;研究了高仿虚假评论的预测错误率,在支持向量机(SVM)作用后难识别的评论样本上尝试二次识别,F-Text GCN整体预测准确率可达94.71%,相较于Text GCN和SVM,在识别准确率上分别提升了2.91%和14.54%。研究发现,虚假评论的二阶图邻居结构显示出较强的干预消费者决策的词汇,这表明所提算法特别适用于提取用于虚假评论检测的长程词语搭配结构和全局句子特征模式变化的场景。

稳定同位素混合模型揭示的长江下游新石器时代人群摄食策略

长江下游地区是稻作农业的主要起源地之一。然而,水稻对长江下游新石器时代人群饮食的贡献程度仍不清晰。稳定同位素混合模型能够量化揭示长江下游地区史前人群的摄食策略。系统收集长江下游地区已发表的人骨、动物骨和植物稳定碳氮同位素数据,基于稳定同位素混合模型,对长江下游地区新石器时代人群的摄食策略进行研究。结果发现:距今7.0—5.3 ka长江下游地区人群可能摄食多种动植物资源,该时期水稻对人类饮食的贡献与其他植物资源基本相当。距今5.3—4.3 ka,水稻已超过其他动植物资源,成为美人地遗址人群的主要食物资源。研究揭示了长江下游新石器时代文明化进程与稻作农业发展具有同步性,狩猎采集经济则为该区域文明化进程起到基础支撑作用。

基于SimCSE和BERT混合模型的短文本情感分类

为了解决BERT模型训练效果受到文本向量存在的各向异性问题,将对比学习(SimCSE)和BERT结合起来构建模型(SimCSE-BERT),分类器不但通过对比学习思想扩充了训练数据量,还可基于SimCSE模型获得“对齐”和“均匀性”俱佳的文本向量去优化基础BERT模型以提高分类效果。实验结果表明,与基础BERT模型相比,混合模型的准确率在外卖、携程酒店和淘宝数据集上分别提升0.562、0.584和0.734个百分点。该模型在短文本情感分类数据集上的分类效果有明显提升,并且具有良好的泛化能力。

基于高斯混合模型的物联网通信链路异常检测

物联网涉及各种类型的设备、传感器和通信技术,链路异常的表现也各不相同,对于链路异常检测带来了挑战,为了精准地检测出移动物联网通信链路异常,提高通信质量,提出一种基于高斯混合模型的物联网通信链路异常检测方法。通过离散小波变换中的Mallat分解算法对移动物联网通信链路接收到的信号矢量展开小波分解,重构通信链路信号,并对重构后链路信号中的干扰部分展开白化处理,实现移动物联网通信链路干扰抑制。构建高斯混合模型,通过EM算法对高斯混合模型展开参数估计,利用完成参数估计后的模型展开移动物联网通信链路异常检测。实验结果表明,所提方法可以有效抑制通信过程中的干扰,同时还可以得到高准确率和高效率的通信链路异常检测结果。

基于潜变量增长混合模型的鼻咽癌同步放化疗患者心理一致感变化轨迹分析

目的探讨鼻咽癌(nasopharyngeal carcinoma,NPC)患者同步放化疗期间心理一致感的纵向发展轨迹,分析其影响因素。方法2022年11月至2023年6月,便利抽样选取广西某三级甲等综合医院同步放化疗患者225例作为研究对象,在放疗第1次、15次、30次时采用一般资料调查表、症状困扰量表、心理一致感量表-13对其进行调查,使用潜变量增长混合模型识别其心理一致感发展轨迹,采用Logistic回归分析其影响因素。结果NPC同步放化疗患者,其心理一致感存在3种轨迹,分别为持续低平组(20.00%)、持续下降组(28.00%)、持续上升组(52.00%)。Logistic回归分析显示,症状严重程度、年龄、学历、居住地、照护者和肿瘤分期是鼻咽癌患者心理一致感的独立影响因素(均P<0.05)。结论鼻咽癌同步放化疗患者心理一致感存在群体异质性,应基于患者心理一致感变化轨迹有针对性地进行评估和干预。

基于混合模型的道岔综合监测系统研究

道岔作为关键的铁路信号设备,也是铁路线路三大薄弱环节之一,其工作质量直接影响列车的运行安全。传统的道岔检测方法过分依赖人工经验,检测效率低下,难以应对现有铁路运行中行车速度快、发车密度高等对道岔维护所带来的严峻挑战,并且现有道岔监测也存在监测项目不全面等问题。为满足工电融合需要,开发了一套基于混合模型的道岔综合监测系统,使用卷积神经网络自动进行特征提取,以获取道岔状态,充分发挥深度学习的自动特征提取优势;采用支持向量机和向量域的混合算法,对正常/故障数据进行分类和异常检测,从而提高故障检测的准确率。测试结果表明:与现有人工巡检方法相比,该系统能够为相关人员提供精准、实时的道岔故障预警,提高维护效率,有效减少人力成本且降低道岔病害的发生概率。

模态分解及混合模型在比特币价格预测中的应用

独特的生产、发行和交易机制等多种因素的影响下,比特币价格表现出极端的波动性,导致了预测任务的复杂性.为此提出了基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)的混合预测模型,将复杂的原始序列分解成多个简单固有模态函数(IMFs),并通过重构算法将IMFs集成为不同频率的分量.根据各分量的不同数据模式,选取不同机器学习模型分别进行预测,叠加各分量预测结果得到最终比特币价格预测结果.对比结果表明,该模型在各评价指标上均优于单一预测模型,混合模型可以优化预测结果,较好地减小预测误差.