目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(...目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。展开更多
应变-旋转(Strain-Rotation,S-R)和分解定理为分析几何非线性问题提供了合理可靠的理论基础,但用有限元求解时会遇到大变形发生后的网格畸变问题。近年提出的虚单元法(Virtual element method,VEM)适用于一般的多边形网格,因此,该文尝...应变-旋转(Strain-Rotation,S-R)和分解定理为分析几何非线性问题提供了合理可靠的理论基础,但用有限元求解时会遇到大变形发生后的网格畸变问题。近年提出的虚单元法(Virtual element method,VEM)适用于一般的多边形网格,因此,该文尝试使用一阶虚单元求解基于S-R和分解定理的二维几何非线性问题,以克服网格畸变的影响。基于重新定义的多项式位移空间基函数,推演获得一阶虚单元分析线弹性力学问题时允许位移空间向多项式位移空间的投影表达式;按照虚单元法双线性格式的计算规则,分析处理基于更新拖带坐标法和势能率原理的增量变分方程;进而建立离散系统方程及其矩阵表达形式,并编制MATLAB求解程序;采用常规多边形网格和畸变网格,应用该文算法分析均布荷载下的悬臂梁和均匀内压下的厚壁圆筒变形。结果与已有文献和ANSYS软件的对比表明:该文算法在两种网格中均可有效执行且具备足够数值精度。总体该文算法为基于S-R和分解定理的二维几何非线性问题求解提供了一种鲁棒方法。展开更多
概率密度演化方法(probability density evolution equation,PDEM)为非线性随机结构的动力响应分析提供了新的途径.通过PDEM获得结构响应概率密度函数(probability density function,PDF)的关键步骤是求解广义概率密度演化方程(generali...概率密度演化方法(probability density evolution equation,PDEM)为非线性随机结构的动力响应分析提供了新的途径.通过PDEM获得结构响应概率密度函数(probability density function,PDF)的关键步骤是求解广义概率密度演化方程(generalized probability density evolution equation,GDEE).对于GDEE的求解通常采用有限差分法,然而,由于GDEE是初始条件间断的变系数一阶双曲偏微分方程,通过有限差分法求解GDEE可能会面临网格敏感性问题、数值色散和数值耗散现象.文章从全局逼近的角度出发,基于Chebyshev拟谱法为GDEE构造了全局插值格式,解决了数值色散、数值耗散以及网格敏感性问题.考虑GDEE的系数在每个时间步长均为常数,推导了GDEE在每一个时间步长内时域上的序列矩阵指数解.由于序列矩阵指数解形式上是解析的,从而很好地克服了数值稳定性问题.两个数值算例表明,通过Chebyshev拟谱法结合时域的序列矩阵指数解求解GDEE得到的结果与精确解以及Monte Carlo模拟的结果非常吻合,且数值耗散和数值色散现象几乎可以忽略.此外,拟谱法具有高效的收敛性且序列矩阵指数解不受CFL (Courant-Friedrichs-Lewy)条件的限制,因此该方法具有良好的数值稳定性和计算效率.展开更多
文摘目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。
文摘应变-旋转(Strain-Rotation,S-R)和分解定理为分析几何非线性问题提供了合理可靠的理论基础,但用有限元求解时会遇到大变形发生后的网格畸变问题。近年提出的虚单元法(Virtual element method,VEM)适用于一般的多边形网格,因此,该文尝试使用一阶虚单元求解基于S-R和分解定理的二维几何非线性问题,以克服网格畸变的影响。基于重新定义的多项式位移空间基函数,推演获得一阶虚单元分析线弹性力学问题时允许位移空间向多项式位移空间的投影表达式;按照虚单元法双线性格式的计算规则,分析处理基于更新拖带坐标法和势能率原理的增量变分方程;进而建立离散系统方程及其矩阵表达形式,并编制MATLAB求解程序;采用常规多边形网格和畸变网格,应用该文算法分析均布荷载下的悬臂梁和均匀内压下的厚壁圆筒变形。结果与已有文献和ANSYS软件的对比表明:该文算法在两种网格中均可有效执行且具备足够数值精度。总体该文算法为基于S-R和分解定理的二维几何非线性问题求解提供了一种鲁棒方法。
文摘概率密度演化方法(probability density evolution equation,PDEM)为非线性随机结构的动力响应分析提供了新的途径.通过PDEM获得结构响应概率密度函数(probability density function,PDF)的关键步骤是求解广义概率密度演化方程(generalized probability density evolution equation,GDEE).对于GDEE的求解通常采用有限差分法,然而,由于GDEE是初始条件间断的变系数一阶双曲偏微分方程,通过有限差分法求解GDEE可能会面临网格敏感性问题、数值色散和数值耗散现象.文章从全局逼近的角度出发,基于Chebyshev拟谱法为GDEE构造了全局插值格式,解决了数值色散、数值耗散以及网格敏感性问题.考虑GDEE的系数在每个时间步长均为常数,推导了GDEE在每一个时间步长内时域上的序列矩阵指数解.由于序列矩阵指数解形式上是解析的,从而很好地克服了数值稳定性问题.两个数值算例表明,通过Chebyshev拟谱法结合时域的序列矩阵指数解求解GDEE得到的结果与精确解以及Monte Carlo模拟的结果非常吻合,且数值耗散和数值色散现象几乎可以忽略.此外,拟谱法具有高效的收敛性且序列矩阵指数解不受CFL (Courant-Friedrichs-Lewy)条件的限制,因此该方法具有良好的数值稳定性和计算效率.
