基于特征条件扩散模型的雷达回波外推算法

随着外推时效的延长,回波强度愈发衰减,且对于强回波的预报性能迅速下降。这是当前雷达外推结果不准确的两个典型特征。为改善上述问题,提出了一种通过雷达回波帧驱动的扩散雷达外推算法(diffusion radar echo extrapolation,DiffREE)。该算法利用条件编码模块将过去雷达回波帧的空间信息和时效信息深度融合,通过Transformer编码器自动提取回波的时空特征,并作为条件扩散模型的条件,驱动扩散模型重建当前雷达回波帧。实验结果表明,该方法可以生成高精度、高质量的雷达预报帧,较最好的基线算法在CSI、ETS、HSS和POD上分别提升42.2%、51.1%、49.8%和39.5%。

基于RUN-XGBoost算法的土石坝渗流预测模型

针对传统土石坝渗流预测模型存在局部最优、抗干扰性差和预测精度低等问题,通过RUN算法优化XGBoost算法得到RUN-XGBoost算法,构建了RUN-XGBoost模型以获得更优的土石坝渗流预测结果。该模型在种群初始化时采用RUN算法对XGBoost算法的3个主要参数进行改进,使预测结果有较高的有效性;通过自动寻找最优参数增进算法的整体收敛速度和预测精度,同时引入随机解,使算法能够排除局部最小值并继续搜索,从而获得全局最优结果。工程实例验证结果表明,RUN-XGBoost模型具有简洁、高效、预测精度高、鲁棒性强等优点。

基于遗传算法的磨削力模型系数优化及验证

在磨削力模型求解问题中,目前大多使用分段计算法或列方程组直接计算各个待求系数,不仅计算量大且其精度也无法保证。另外,传统的回归模型容易陷入局部最优,难以描述非线性关系。为此,将遗传算法引入到非线性优化函数参数优化中,基于外圆横向磨削力模型、平面磨削力模型、外圆纵向磨削力模型等现有的模型数据,开展磨削力理论模型的系数优化方法研究。相关性分析结果表明:通过计算得到的3种模型磨削力的预测精度提高了14.69%~42.54%,且3种模型所预测的法向磨削力的平均误差分别为5.9%、9.13%、3.23%,切向力平均误差分别为6.78%、8.36%、3.69%。经对比知,优化后的模型拟合度较好,模型预测精度显著提高。遗传算法优化后的非线性优化函数GA-LSQ算法更适合磨削力模型的求解,可对磨削力的预测及实际加工生产中的参数优化提供参考。

创新生态系统不确定性条件下后发企业何以实现颠覆性创新——基于SOR模型的动态能力中介作用

创新生态系统被视为培养颠覆性创新的沃土,其日益增加的不确定性为后发企业提供了实现颠覆性创新的机会窗口。将动态能力细分为认知性动态能力与非认知性动态能力两个维度,利用SOR模型构建“条件刺激—能力构建—颠覆行为”的理论框架,试图打开创新生态系统不确定性条件下后发企业实现颠覆性创新的“黑箱”。基于创新生态系统中376份后发企业的样本数据,研究发现:①创新生态系统不确定性不仅对颠覆性创新有显著正向影响,而且对认知性动态能力和非认知性动态能力也有显著正向影响;②认知性动态能力与非认知性动态能力对颠覆性创新有显著正向影响,并且分别在创新生态系统不确定性与颠覆性创新关系中起部分中介作用;③创新生态系统开放度能够正向调节创新生态系统不确定性与认知性动态能力关系。研究有助于指导面对不确定性的后发企业实现“弯道超车”,并且为创新生态系统突破创新迟滞困境提供新思路。

基于逆向云算法的同行评议评价模型建设探析

同行评议本质上依然是一种量化的主观定性评议,其基石是参与评议活动的每位评议者,只有做到对评议者的有效评估、监督、规范与约束,才能保证同行评议结果的客观和公正。但同行评议过程始终存在着不确定性,如何处理不确定性是同行评议需解决的难点问题。为此,在论述同行评议中评议者评价的必要性和当前发展概况的基础上,利用同行评议的评价数据分析评议者和评议影响因素,基于数据构建科学的同行评议评价模型。运用云模型理论,针对同行评议特点,选择符合正态分布统计性质、无确定度的逆向云生成算法,将方案分解为评议者评议评价与多任务协同评议评价2个层次,提出同行评议评价模型;并利用中国某省2018—2022年某类人才项目同行评议在技术、前瞻、产出、风险、经济和社会6个方向共18个评议指标的数据,通过该模型分类分层次计算出其云模型数字特征,根据数字特征构建云图和数字画像进行分析。结果表明:基于逆向云算法的同行评议评价模型对于评价评议者各方面的评议能力和整体评议效果、评价同行评议活动开展成效以及监管同行评议中的异常数据具有实操意义,能据此科学构建评议者个性化权限,能发挥评议者最大优势,并最大限度减小人为因素造成的误差,缓解当前同行评议评价面临的困境。

基于模型质量评分的联邦学习聚合算法优化

在联邦学习环境中,客户端数据的质量是决定模型性能的关键因素。传统的评估方法依赖于在中心节点的验证集上衡量客户端模型的损失,从而对数据质量进行评估。在缺乏有效验证集的情况下,数据质量的评估是困难的。为了解决上述问题,提出了一种根据同伴信息进行模型质量评分的方法。通过对客户端上传的模型参数进行裁剪处理,基于正确评分规则的相关理论设计模型质量评分机制,并在此基础上优化聚合算法,降低低质量客户端对全局模型的影响。在MNIST、Fashion-MNIST和CIFAR-10等数据集上的实验表明,提出的评分机制无须复杂的算法,且能有效辨别搭便车、噪声、错误标签三类低质量数据客户端,提高联邦学习性能的鲁棒性。

基于K-means算法的建筑群震害分析模型缩减方法

基于建筑群模型和弹塑性时程分析的精细化城市震害模拟技术能够为防震减灾及应急救援决策提供必要的依据和参考。为了减小城市建筑群震害模拟的计算量和计算时间,本文提出一种基于聚类算法的建筑群模型缩减方法。该方法采用K-means聚类算法,首先基于建筑结构属性向量对建筑群进行聚类,将相似的建筑结构聚为一组;然后从每组选取一个代表建筑组成建筑群缩减模型,通过减少需要分析的建筑结构数量来减少建筑群震害模拟的计算量。本文对传统的K-means算法进行改进,通过设定组内建筑结构的差异上限自动调整聚类分组数量;提出将具体地震动作用下结构地震损伤指数作为结构属性向量进行聚类,并通过算例对比分别采用两种缩减模型,即基于损伤指数聚类的缩减模型与基于结构力学模型参数聚类的缩减模型,计算结构损伤状态准确程度。对比结果表明:在聚类分组数量相同的情况下,基于损伤指数的分组明显优于基于模型参数的分组,采用模型缩减方法能够在保证足够计算精度前提下显著减少建筑群震害模拟计算量和计算时间。

基于随机森林算法的重型颅脑损伤患者并发急性胃肠损伤的现状及风险模型构建

目的探讨重型颅脑损伤患者并发急性胃肠损伤的危险因素,为预防急性胃肠损伤提供借鉴。方法2021年1月至2023年1月,便利抽样法选取某院收治的重型颅脑损伤患者150例为研究对象,建立基于重型颅脑损伤并发急性胃肠损伤的危险因素的随机森林算法的预测模型。结果150例重症颅脑损伤患者中,并发急性胃肠损伤患者94例,占62.67%。是否并发急性胃肠道损伤的患者在糖尿病、白蛋白、APACHE-Ⅱ评分、休克指数、液体负平衡、酸中毒、深度镇静、呼吸衰竭方面的差异均有统计学意义(均P<0.05)。构建重型颅脑损伤并发急性胃肠损伤的随机森林模型,树的数量为103时出现的错误率最低;影响重型颅脑损伤并发急性胃肠损伤的因素重要性排序为糖尿病、液体负平衡、急性生理与慢性健康评分、白蛋白、深度镇静及酸中毒;随机森林模型预测重型颅脑损伤并发急性胃肠损伤的受试者工作特征曲线(receiver operating characteristic,ROC)下面积(area under curve,AUC)为0.798,Logistic回归模型的AUC为0.773。结论构建的重型颅脑损伤并发急性胃肠损伤的风险预测模型预测效能较高,临床值得推广应用。

单步无条件稳定显式结构动力学算法

在结构动力学分析中,数值积分方法通常被用来高效和准确地求解复杂结构系统在动态负载下的响应。基于量纲分析的原理,提出一种求解结构动力学问题的单步无条件稳定显式算法。首先对所构造的关于位移和速度的函数关系式进行无量纲化处理,然后通过算法精度要求、无条件稳定条件和数值阻尼可控条件确定了其最终递推格式,并根据算法最终递推格式分析得出算法耗散与弥散特性、超调和自启动特性和多自由度系统计算步骤,最后通过数值算例验证了算法的收敛精度、可控数值阻尼和计算效率优势。研究结果表明:对于线性和非线性系统,该算法都兼具显式算法的非迭代特性和隐式算法的无条件稳定特性;该算法能实现真正意义上的自启动并且在速度和位移上均无超调;该算法的数值阻尼由单自由参数控制,数值耗散和弥散对系统低模态响应的影响可以忽略不计,与具有代表性的非迭代显式算法KR-α法相比,该算法在引入数值阻尼滤除虚假高频模态的同时更真实地保留了低阶振型的贡献,从而表现出更好的计算精度;该算法在求解非线性结构动力学问题时相较于常用隐式算法有着显著的计算效率优势,并略优于两求解器非迭代显式算法KR-α法。研究结果很有希望成为求解非线性结构动力学问题的最新且更加有效的显式算法。

基于Deep Forest算法的对虾急性肝胰腺坏死病(AHPND)预警数学模型构建

为预报池塘养殖凡纳对虾(Penaeus vannamei)急性肝胰腺坏死病(AHPND)的发生,自2020年开始,笔者对凡纳对虾养殖区开展了连续监测工作,包括与疾病发生相关的环境理化因子、微生物因子、虾体自身健康状况等18个候选预警因子指标,通过数据标准化处理后分析病原、宿主与环境之间的相关性,对候选预警因子进行筛选,基于Python语言编程结合Deep Forest、Light GBM、XGBoost算法进行数据建模和预测性能评判,仿真环境为Python2.7,以预警因子指标作为输入样本(即警兆),以对虾是否发病指标作为输出结果(即警情),根据输入样本和输出结果各自建立输入数据矩阵和目标数据矩阵,利用原始数据矩阵对输入样本进行初始化,结合函数方程进行拟合,拟合的源代码能利用已知环境、病原及对虾免疫指标数据对目标警情进行预测。最终建立了基于Deep Forest算法的虾体(肝胰腺内)细菌总数、虾体弧菌(Vibrio)占比、水体细菌总数和盐度的4维向量预警预报模型,准确率达89.00%。本研究将人工智能算法应用到对虾AHPND发生的预测预报,相关研究结果为对虾AHPND疾病预警预报建立了预警数学模型,并为对虾健康养殖和疾病防控提供了技术支撑和有力保障。

基于简化阻抗模型和比较元启发式算法的锂离子电池参数辨识方法

快速准确地辨识电化学参数对锂离子电池机理建模至关重要。而传统的参数辨识方法多采用直接拟合,难以精确反映电池的内部状态。为解决这一问题,本工作以37 Ah三元电池为研究对象,基于电化学反应中的法拉第过程、双层电容的弥散效应的非法拉第过程以及固相与液相的传导过程,构建了一个与电化学模型映射的修正简化阻抗模型,与伪二维(P2D)模型不同,该模型输入为不同荷电状态(SOC)下的三电极电化学阻抗谱(EIS),通过拟合EIS得到对应工况电化学参数,实现对电池模型准确的参数识别。通过拟合阻抗谱,辨识得到了16个高敏感度的电化学参数,其中正极7个、负极9个。我们进一步比较了66种元启发式算法在锂离子电池电化学参数识别中的性能表现,从识别精度、计算效率和鲁棒性等方面对其进行多维分析。研究结果表明,自适应差分进化算法在参数识别中综合效果最佳,其平均绝对百分比误差小于3%,非重复函数计算次数小于35000次,表明其达到最大准确度的同时运算量较低,提出的辨识方法不仅更好地反映了参数的物理意义,还为电化学模型的简化计算和在线辨识提供了有力支持。

基于模型驱动的密码算法可视化开发平台研究

针对密码算法开发平台普适性差、无法跨平台的问题,本文采用模型驱动实现密码算法开发的方法,设计了一种基于模型驱动的密码算法可视化开发平台,提出了一种基于模型驱动的密码算法开发的领域语言—MCL密码元语言;实现了基于模型的代码生成器和代码映射器.实验证明,该开发平台仅需要开发者拖拽图形块的操作就可以实现密码算法模型的建立,然后平台可以根据建立的密码算法模型生成不同编程环境下的代码.平台实现了C和python的代码映射器模块,密码算法模型可快速映射为C、python代码.平台有较好的实用性,开发者的密码算法实现过程简洁、高效,不同编程环境下的代码均可以通过平台自动生成,提高了密码算法实现的跨平台性.

基于修正J-A模型和改进遗传算法的变压器建模方法

变压器直流偏磁会导致铁心半周饱和,可能导致高压直流输电系统中谐波不稳定现象发生。为实现对直流偏磁条件下变压器运行工况的精确模拟,基于能量守恒式及Langevin方程对原Jiles-Atherton(J-A)模型进行修正;进一步提出了适用于修正J-A模型参数辨识的改进遗传算法,提高了传统遗传算法的全局搜索精度和收敛速度。在PSCAD/EMTDC中基于修正J-A模型搭建了非线性磁滞电感,在此基础上建立变压器仿真模型;基于等比缩小的变压器实物进行直流偏磁实验,将励磁电流仿真波形与实验波形进行对比。结果表明:修正的J-A模型物理意义更加明确,改进遗传算法具有更高的精度和更快的收敛速度,所建变压器模型与实验结果吻合度很高,验证了所提建模方法的准确性。

基于 SMOTE 算法的老年肌少症患者跌倒风险预测模型的建立

目的探讨老年肌少症患者跌倒的危险因素,并基于SMOTE算法构建风险预测模型。方法选取2020年12月至2022年9月某医院收治的256例老年肌少症患者为研究对象,根据跌倒发生情况分为跌倒组和未跌倒组。采用Logistic回归分析筛选老年肌少症患者跌倒的危险因素,应用SMOTE算法构建老年肌少症患者跌倒的预测模型,并对预测模型的预测效能进行分析。结果256例老年肌少症患者中65例发生跌倒,跌倒发生率为25.39%;年龄≥70岁、严重肌少症期、睡眠障碍、糖尿病、视力障碍及直立性低血压是老年肌少症患者跌倒的危险因素,原始预测模型Logit(P 1)=1.057×年龄+0.808×肌少症临床分期+0.901×睡眠障碍+0.835×糖尿病+0.828×视力障碍+1.221×直立性低血压-2.535,基于SMOTE算法的预测模型Logit(P 2)=1.043×年龄+0.879×肌少症临床分期+0.962×睡眠障碍+0.717×糖尿病+0.810×视力障碍+1.314×直立性低血压-1.445,ROC曲线显示,P 2模型ROC曲线下面积为0.952(95%CI:0.920,0.972),显著高于P 1模型的ROC曲线下面积0.761(95%CI:0.693,0.828),基于SMOTE算法预测模型的校准曲线显示预测值和实际值一致性良好。结论年龄、肌少症临床分期、睡眠障碍、糖尿病、视力障碍及直立性低血压是老年肌少症患者跌倒的危险因素,基于SMOTE算法的预测模型具有较好的预测效能,有助于临床护理人员识别老年肌少症跌倒高危人群。

基于SIF模型与Apriori算法的煤矿顶板事故致因关联分析

为更科学地预防煤矿顶板事故的发生,对煤矿顶板事故致因及其关联规则进行识别十分关键。首先,通过文本挖掘并结合SIF事故致因模型,确定56个影响顶板事故发生的致因;其次,通过构建顶板事故数据库并运用Apriori算法进行顶板事故致因关联规则挖掘;最后,绘制顶板事故致因关联规则复杂网络图,并综合分析顶板事故的核心致因及各致因间的关联规则。结果表明:安全培训教育和安全监督管理、作业人员安全意识淡薄和违反作业规程、当班管理人员在现场的管理不到位和其他事故致因之间有着很高的关联度以及提升度,这些因素是造成煤矿顶板事故发生的核心因素。

基于气象条件的上海悬铃木白粉病预报模型

白粉病是上海市悬铃木主要病害,气温和湿度是影响悬铃木白粉病发生发展的主要环境因子。本文基于上海市区2014—2020年悬铃木白粉病病情指数及同期气象资料(气温、相对湿度等),应用数理统计方法分析悬铃木白粉病病情指数与气象条件的关系,建立气象预报模型,为防控悬铃木白粉病提供依据。结果显示:悬铃木白粉病病情指数和6日滑动平均气温、最低相对湿度成正相关,相关系数分别为0.36和0.29(P<0.01);年内6日滑动平均气温首次≥19.2℃时,悬铃木白粉病开始发生;建立的悬铃木白粉病病情指数气象预报模型拟合效果为R2=0.96,RMSE=2.542,独立样本检验效果为R2=0.97,RMSE=1.661,模型效果较好,可用于白粉病气象预报服务。

基于深度生成模型的医院网络异常信息入侵检测算法

为保障医院信息网络的安全管理,避免医疗信息泄露,提出了基于深度生成模型的医院网络异常信息入侵检测算法。采用二进制小波变换方法,多尺度分解医院网络运行数据,结合自适应软门限去噪系数提取有效数据。运用最优运输理论中的Wasserstein距离算法与MMD(Maximun Mean Discrepancy)距离算法,在深度生成模型中,对医院网络数据展开降维处理。向异常检测模型中输入降维后网络正常运行数据样本,并提取样本特征。利用深度学习策略中的Adam算法,生成异常信息判别函数,通过待测网络运行数据与正常网络运行数据的特征对比,实现医院网络异常信息入侵检测。实验结果表明,算法能实现对医院网络异常信息入侵的高效检测,精准检测多类型网络入侵行为,为医疗机构网络运行提供安全保障。

自适应组合滤波算法在3D假肢模型中的应用

针对经典统计滤波算法无法自适应选取参数以及传统双边滤波算法难以兼顾保特征和光顺性的问题,提出一种自适应组合滤波算法。首先引入基于局部点云体积的自适应标准差倍数以灵活滤除假肢点云大尺度噪声;在滤除大尺度噪声的基础上,引入一种新的协方差矩阵加权方式,提高估计点云法向的准确性,并通过法向夹角变化程度的均值对特征权重因子进行改进,增强双边滤波因子的保特征性,旨在光顺三维假肢模型小尺度噪声。与单独使用统计滤波、双边滤波相比,所提算法在3个假肢模型的最大误差E_(max)至少降低了5%;平均误差E_(ave)至少降低了6.9%。仿真结果表明,该改进算法在有效剔除假肢模型大尺度噪声的同时又避免了过光顺和去噪不彻底,可以较好地保持模型中的几何特征。

基于不同算法筛选糖尿病足溃疡截肢预测模型的比较

目的 探讨不同算法筛选的糖尿病足溃疡(DFU)截肢预测模型。方法 收集2015年1月至2020年12月新疆医科大学第一附属医院收治的364例DFU患者的临床资料,按照截肢情况将其分为截肢组(n=213)和非截肢组(n=151),分别通过单因素分析、Boruta算法和随机森林-递归特征消除(RF-RFE)算法进行截肢危险因素分析,并构建临床预测模型,比较模型的c指数、F1分数和Brier分数,评估模型的预测效能和临床意义。结果 两组患者年龄、高血压病程、冠心病病程、Wagner评分、部位-缺血-神经病变-细菌感染-面积-深度(SINBAD)评分、国际糖尿病足工作组(IWGDF)分级比较,差异均有统计学意义(P﹤0.05)。实验室指标中截肢组患者低密度脂蛋白(LDL)、高密度脂蛋白(HDL)、甘油三酯(TG)、血钙、血磷、白蛋白与球蛋白比值(A/G)、平均血小板分布宽度(PDW)、血红蛋白(Hb)均低于非截肢组患者,截肢组患者球蛋白(GB)、中性粒细胞比例(N)、纤维蛋白原(FIB)、国际标准化比值(INR)、平均红细胞分布宽度(RDW)/白蛋白比率、中性粒细胞/淋巴细胞比值(NLR)、血小板与淋巴细胞比值(PLR)均高于非截肢组患者,差异均有统计学意义(P﹤0.05)。多因素分析结果显示,Wagner分级﹥2级、SINBAD评分﹥3分、FIB、Hb、PDW、INR、年龄均是DFU患者截肢的独立危险因素(P﹤0.05)。传统Logistic回归模型c指数、F1分数和Brier分数分别为0.771、0.809、0.163。采用Boruta算法得出对截肢影响最大的影响因素为年龄、Wagner分级﹥2级、SINBAD评分﹥3分、IWGDF分级﹥3级、A/G、INR、FIB、N、Hb、RDW比白蛋白比率、NLR和PLR,模型c指数、F1分数、Brier分数分别为0.686、0.744、0.163.RF-RFE算法得出DFU截肢危险因素为NLR、PLR、N、肌酐和PDW,模型c指数、F1分数和Brier分数分别为0.748、0.769、0.220。结论 不同算法从不同逻辑对DFU患者截肢的危险因素进行评估,可与传统统计学方法结合,为DFU的治疗决策提供依据互补。

人工智能时代的用户算法素养模型研究

文章在分析算法素养概念、人工智能时代的用户算法素养模型知识结构等内容的基础上,结合人工智能存在的算法风险问题,从态度与意识、伦理与道德、算法知识与技能、思维能力、应用能力五个维度,搭建了人工智能时代的用户算法素养结构模型,剖析其作用机理,进而提出培养用户算法素养的实施路径,包括增强算法的认知、明晰算法素养框架内涵、构建层次化算法素养教育体系、营造良好算法生态等方面,以为全面适应与提升人工智能时代的用户算法素养提供参考。