基于机器学习算法的青少年电子烟使用及影响因素分析

目的:了解广西某市15岁以上青少年吸电子烟现状及影响因素,为控制电子烟在青少年中的流行提供资料参考。方法:通过多阶段分层整群随机抽样对广西某市15岁以上青少年进行问卷调查,综合运用logistic回归、随机森林、XGboost、支持向量机模型、单隐藏层神经网络、KNN模型进行影响因素分析。结果:广西某市15岁以上青少年电子烟使用率为1.68%,其中高中生、职高生电子烟使用率分别为1.08%、1.74%;不同的机器学习模型在各项评价指标的表现上各有优劣;青少年使用电子烟的9个主要影响因素包括:过去30 d是否在互联网上看到电子烟广告、朋友是否吸烟、学习压力水平、是否看到过老师吸烟、抑郁情况、性别、公共场合是否看到有人吸烟、吸烟是否使年轻人具有吸引力、是否有人给免费烟草产品。结论:广西某市15岁以上青少年电子烟使用率相对较低,可将6种机器学习模型的结果结合起来对青少年电子烟使用行为进行预测,判断使用人群的特征。

基于极致梯度提升和支持向量机的高速公路服务区供暖系统健康状态评估

为保障高速公路服务区供暖系统的健康运行,本文结合供暖系统的构成和运行特征,设计了一种用于评估服务区供暖系统运行健康状态的极致梯度提升(Extreme Gradient Boosting,XGBoost)和支持向量机(Support Vector Machine,SVM)的双层机器学习模型,并将系统运行健康状态分为健康、亚健康、故障和异常四个等级。首先,分析电压、电流、水温、机组运行状态、蓄热泵、循环泵和泵运行状态7个子系统的运行特征,使用随机函数和欠采样处理构建特征向量集。其次,采用XGBoost构建下层各子系统健康状态评估模型,并输出各子系统的健康状态。然后,融合各子系统健康状态的评估结果,输入至上层SVM系统评估模型,得到整个供暖系统的健康状态。最后,将实验与决策树、AdaBoost和XGBoost等模型进行对比,结果表明所提出的XGBoost+SVM双层机器学习模型相较对比模型而言,不仅判断精度更高,同时还可评估整个供暖系统以及各子系统的健康状态。

基于机器学习的油气水层随钻识别模型优选

为了解决基于测井数据对油气水层的实时识别这一技术难题,利用计算机科学与现代数学,结合随钻测井技术与机器学习算法进行油气水层的随钻识别。首先,对训练集数据进行相关性分析,剔除弱相关或冗余数据;其次,选择一对多支持向量机、一对一支持向量机以及随机森林算法分别建立油气水层分类识别模型,并使用网格搜索方法及10折交叉验证法对3种分类识别模型参数进行优选;最后,运用参数优选后的各分类识别模型,对随钻测井数据进行油气水层的识别。研究结果表明,3种分类识别模型对研究区块油气水层随钻识别的准确率均达到75%以上。在训练样本较少的情况下,优先选用一对一支持向量机分类识别模型进行油气水层的随钻识别。

基于半监督MPSVM的电力系统暂态稳定评估

半监督学习可借助有标签和部分无标签样本数据来构建电网暂态稳定评估模型,有效利用输入样本数据,可提高电网暂态稳定评估准确率,为此提出基于半监督近似流形支持向量机(manifold proximal support vector machine,MPSVM)的暂态稳定评估方法。首先,在MPSVM的正则项中引入判别变量,可最大限度捕捉样本数据内部的几何信息,并通过最大距离理论表征电力系统稳定类和不稳定类之间的差异,进而转化为求解特征值问题;然后,采用贝叶斯非线性分层模型确定最优参数,可进一步提高评估准确率;最后,采用IEEE 39标准系统和鞍山电网的仿真分析验证所提评估模型的有效性和准确性。

基于Web2.0的课程学习支持服务模型的实践与反思

学习支持服务是远程学习成功的重要保证,其发展趋势是日益网络化。课程学习支持直接影响学生的学习和远程教育机构人才培养目标是否达成。"基于WEB2.0的数字化教学环境与资源建设模型"课题为实验课程所建构的学习支持服务系统取得了积极效果。本文对分层多元学习支持服务模式的构建过程、所提供的学习支持服务特点进行了深入分析,同时提出了需要进一步研究的问题。