基于混合神经网络的突发公共卫生事件微博谣言识别研究

[研究目的]提高突发公共卫生事件中微博谣言识别效果,分析微博特征对谣言识别的影响,为公众识别谣言、政府及相关部门干预治理提供参考。[研究方法]在用户基本特征和内容特征、传播特征的基础上引入用户历史特征,构建基于混合神经网络的多特征融合谣言识别模型,该模型采用BiLSTM+CNN抽取代表性深度语义特征,与其他特征融合后,使用DNN网络进行谣言识别。[研究结论]实验结果表明:该模型的准确率、查准率、查全率、F1值均高于94%,准确率、查全率、F1值优于其他谣言识别模型;语义特征是谣言识别的关键特征,在此基础上融合单一特征能够大幅提高谣言识别效果,提高程度由高到低,依次为统计特征、传播特征、用户基本特征、用户历史特征和情感特征。递进融合特征越多,模型平均性能、泛化能力越强,谣言识别效果越好。

基于遗传算法-生成对抗神经网络模型的宁夏自流灌区水资源优化调度研究

针对宁夏自流灌区灌溉用水存在农作物耗水量大、用水集中、灌溉效率低等现象,面向宁夏区域用水实际,围绕渠道进水闸和出水口,以满足农田基本灌溉用水为前提,以灌溉效率最大化为目标,采用机器学习方法,构建遗传算法-生成对抗神经网络的宁夏自流灌区水资源优化调度模型,并在宁夏秦汉渠管理处农场渠所管辖的30余公里渠道及其灌区进行验证和应用。结果表明,模型在学习传统调度方案的基础上深度挖掘各取水口用水规律,实现高效的取水口联合调度,月节约灌溉用水315109-1050362 m^(3),显著提高了宁夏水资源利用效率。

基于GA优化的RF-Softmax水质预测模型研究

针对水质检测周期长、成本高等问题,提出了基于遗传算法优化的RF-Softmax水质预测模型。采用机器学习的方法,使用随机森林算法进行特征选择建立水样本中氨氮、总磷2项水质参数与水质类别的数学关系模型方法对水质类别进行预测。采用遗传算法替代传统Softmax回归算法训练过程中使用的梯度下降法,解决了逻辑回归算法在目标函数不是严格凸函数的情况下,容易陷入局部最优解的问题。以江阴市南闸街道地区地表水作为研究对象进行验证,结果表明,使用GA优化的RF-Softmax回归模型预测的准确率最高,其预测正确率相比传统Softmax回归和BP神经网络分别提高11.73和8.40百分点,平均误差分别降低58.68%和34.92%,平均均方根误差分别降低39.02%和23.62%。优化效果显著,能够实现高效、准确、低成本、快速的地表水质预测,为水质监测与预警提供了新思路,对于水质管理与环境保护具有重大意义。