基于MATLAB GUI的食品取向度检测系统的建立和验证

具有取向结构的食品在自然界中普遍存在,而食品取向度对食品本身的质构特性和消费者的喜爱度有重大影响。为了定量表征食品取向度,本研究基于MATLAB GUI构建了一种食品取向度检测系统。借助已建立的激光传输成像装置,使用相机捕获样品上的激光散斑,运用MATLAB GUI进行食品取向度检测系统的编程设计,将激光散斑图像经过一系列的计算机视觉操作处理成椭圆拟合图,并计算样品取向度。然后以不同取向程度的面团为例对该系统进行了验证。实验结果表明,检测系统对激光散斑图像识别准确率为96.33%,实际运用效果良好。测得的不同面团取向度排序和显微结构图结果一致。此外,面团的取向度和面筋蛋白横纵长度比之间存在高强度的正相关关系(R=0.99,P<0.05)。建立的食品取向度检测系统具有良好的准确性,能够有效应用于食品取向度的检测。

面向物联网的分布式联邦学习加密验证研究

人工智能与物联网(Internet of Things,IoT)结合,可以改善物联网中应用的使用体验。在物联网中,数据共享可以改善应用的质量,但是同时也带来了数据安全问题,比如数据在共享过程中存在泄露和无法验证等问题。文中提出一种结合分布式联邦学习和区块链以及具备加密验证的方案,用来保护物联网中共享数据的隐私和数据的有效性。首先,利用联邦学习和区块链将物联网中由直接共享原始数据转化为共享加密的模型参数。接着,提出具备加密验证的方法,在模型聚合阶段对链上参数进行验证和挑选。最后,将所提方法与其他方法进行对比。实验结果表明,所提方法能够有效保证数据隐私并可以实现加密数据的验证,保证最终模型的精度,为物联网中数据高质量共享提供保障。

云-边融合的可验证隐私保护跨域联邦学习方案

联邦学习技术的飞速发展促进不同终端用户数据协同训练梯度模型,其显著特征是训练数据集不离开本地设备,只有梯度模型在本地进行更新并共享,使边缘服务器生成全局梯度模型。然而,本地设备间的异构性会影响训练性能,且共享梯度模型更新具有隐私泄密与恶意篡改威胁。提出云-边融合的可验证隐私保护跨域联邦学习方案。在方案中,终端用户利用单掩码盲化技术保护数据隐私,利用基于向量内积的签名算法产生梯度模型的签名,边缘服务器通过盲化技术聚合隐私数据并产生去盲化聚合签名,确保全局梯度模型更新与共享过程的不可篡改性。采用多区域权重转发技术解决异构网络中设备计算资源与通信开销受限的问题。实验结果表明,该方案能够安全高效地部署在异构网络中,并在MNIST、SVHN、CIFAR-10和CIFAR-1004个基准数据集上进行系统实验仿真,与经典联邦学习方案相比,在精度相当的情况下,本文方案梯度模型收敛速度平均提高了21.6%。

使用动态数据增强和对比学习进行虹膜验证

虹膜验证因其独特性、稳定性和非侵入性而受到广泛关注。深度学习技术在虹膜验证领域取得了重要的进展,通过使用卷积神经网络(Convolutional neural network,CNN),可以自动提取和学习虹膜图像的特征,实现高精度的身份验证。然而,类内变异性和有限的数据规模等挑战可能会影响验证准确性。为了解决这些问题,我们提出了一种基于动态数据增强和对比学习的虹膜验证方法。设计了四种数据增强策略,用于在线虹膜增强和数据集扩展,通过使用数据增强概率调度器(Data augmentation probability scheduler,DAPS),进一步提高了虹膜验证的准确性。采用MobileNetV3作为骨干网络,并通过对比学习对其进行优化,用于处理3通道的虹膜对。提出的方法在两个基准虹膜数据库,CASIA-V4-Interval和CASIA-V4-Thousand上进行了评估,准确性分别达到了99.85%和98.82%。实验结果表明,在训练样本数量较少的情况下,该方法可获得具有竞争性的性能。

学科核心素养学习进阶的效度验证

建构有效的学科核心素养学习进阶,对贯彻和落实新的课程标准具有重要意义。借鉴国际学习进阶效度验证框架,依托质性和量化的混合实证研究方法,对已开发的学科核心素养学习进阶模型进行效度验证。基于证据中心设计研发情境任务,选取北京市30所中小学校测试41103人次,对作答数据开展基于言语报告的文本分析和基于心理测量模型的Rasch分析。结果验证了学科核心素养学习进阶模型的有效性,为学习进阶在课程、教学和评价上的应用提供理论支撑和实证依据。

机器学习在调强放疗计划剂量验证中的作用

目的:探讨机器学习对调强放疗计划剂量验证中的作用。方法:选取2019年3月至2020年8月在温州医科大学附属第一医院接受双弧容积调强放射治疗(VMAT)的141例患者,提取调强计划的13个复杂度参数并收集不同条件下的伽玛通过率(GPR),将数据按照7:3随机划分为训练集与测试集。通过Pearson相关性分析和套索回归(LASSO)筛选参数,利用支持向量机的机器学习方法进行建模,对GPR分别进行数值和分类预测。均方根误差(RMSE)和平均绝对误差(MAE)用来评估模型数值预测的准确性,曲线下面积(AUC)用来评估模型分类的准确性。结果:在GPR数值预测中,在3%/3 mm、3%/2 mm、2%/2 mm条件下,测试集中RMSE分别为2.22、3.51、4.59;MAE分别为1.56、2.68、3.67。在GPR分类预测中,在3%/3 mm、3%/2 mm、2%/2 mm条件下测试集的AUC结果分别0.79、0.78、0.77。结论:基于机器学习对调强放疗计划进行剂量验证具有一定的临床应用价值,为质量保证提供了一种新思路。

N6-甲基腺苷相关调节因子与骨关节炎:生物信息学和实验验证分析

背景:越来越多证据表明N6-甲基腺苷(N6-methyladenosine,m6A)调节因子与骨关节炎密切相关,被认为是防治骨关节炎新方向,但具体作用机制不明。目的:通过对骨关节炎基因芯片数据集进行生物信息学分析,探讨m6A对骨关节炎的作用,解析骨关节炎发病机制。方法:首先利用R软件提取GEO数据库中GSE1919数据集中骨关节炎相关m6A调节因子及其表达量,进而对提取结果行基因差异分析及GO、KEGG富集分析;接着对PPI网络拓扑学分析结果和机器学习结果取交集得到m6A关键调节因子,并通过体外细胞实验验证。结果与结论:①提取得到16个骨关节炎相关m6A调节因子表达量,通过差异分析获得ZC3H13、YTHDC1、YTHDF3、HNRNPC等11个m6A差异调节因子;②GO富集分析显示,骨关节炎相关m6A差异调节因子在生物过程中主要于mRNA转运、RNA分解代谢、胰岛素样生长因子受体信号通路调控等发挥作用;③KEGG富集分析显示,差异调节因子主要参与p53、白细胞介素17和AMPK信号通路;④综合PPI网络拓扑学分析和机器学习结果获得m6A关键调节因子——YTHDC1;⑤体外细胞实验结果表明,m6A关键调节因子——YTHDC1在对照组与骨关节炎组中表达存在显著差异(P<0.05);⑥结果显示,YTHDC1与骨关节炎发生发展密切相关,有望成为m6A治疗骨关节炎的分子靶点。

基于Stacking集成学习的声波时差测井曲线复原研究

声波时差测井曲线在石油勘探中发挥着不可或缺的作用,但是受地质或仪器的影响,经常会出现部分甚至完整的声波测井曲线缺失的情况。针对这一问题,提出了一种基于Stacking集成学习的声波时差测井曲线复原方法,该模型使用随机森林(RF)、梯度提升决策树(GBDT)、轻量梯度提升机(LightGBM)和极限梯度提升(XGBoost)作为基学习器,支持向量回归(SVR)作为元学习器,同时采用5折交叉验证的方法。实验选取了大庆油田某区块的实际测井数据,分别进行了同井和异井间的缺失声波时差测井曲线复原实验,结果表明,所提方法比单一模型预测更加准确,验证了此方法的可行性。

基于改进Xception网络的验证码识别

验证码是一种公共自动化程序,用于区分用户和计算机.为了从网站大量获取信息,机器必须自动识别网站的验证码.为了自动识别验证码,研究基于深度学习的验证码识别,提出基于Xception网络和MLP的验证码识别方法.先利用Xception提取验证码特征,再经MLP标定不同权重,最终得到网络的最优权重分布.这种端到端的深度学习具有从输入到输出的预测,可以省去预处理、字符分割等步骤.经对不同验证码数据集的测试,该算法识别正确率在95%以上.

基于数值天气预报因子扩充和改进集成学习的高寒地区短期光伏功率预测

高寒地区光伏系统因气象条件影响,其光伏功率表现出更显著的波动性。本文以黑龙江某光伏电站为例,提出基于数值天气预报(NWP)因子扩充和改进常规Stacking集成学习的高寒地区短期光伏功率预测方法。针对高寒地区光伏功率波动大的特点,引入NWP差分因子作为交叉特征,提升模型对天气变化的敏感性。随后,以极致梯度提升(XGBoost)和长短期记忆(LSTM)网络为基学习器,时间卷积网络(TCN)为元学习器,构建集成学习模型,并利用前向验证优化模型结构。最后,进行对比实验分析,结果表明本文所提方法具有更高的预测准确度和稳定性。

一种基于同态签名的可验证联邦学习方案

联邦学习作为一种新兴的分布式机器学习技术,允许用户通过服务器协同训练全局模型,而无需共享其原始数据集.然而服务器可以对用户上传的模型参数进行分析,推断用户隐私.此外,服务器还可能伪造聚合结果,诱导用户发布敏感信息.因此用户需要对参数进行保护,同时对聚合结果进行正确性验证.本文设计了一种可验证的联邦学习方案.首先,基于公开可验证秘密共享设计了双掩码安全聚合协议,在保护用户模型参数的同时还能支持用户的动态退出和共享验证功能,确保服务器解密的正确性.其次,基于同态签名构建验证公钥更短的聚合结果验证方案,使用户可以验证服务器聚合结果的正确性.实验结果表明,同现有方案相比,方案验证聚合结果时的计算开销和通信开销同时处于较低水平.安全性分析证明了方案在隐私保护方面能够有效防止恶意攻击和数据泄露,保障了联邦学习训练的安全性.

基于交叉验证的集成学习误差分析

目前关于集成学习的泛化性能的研究已取得很大成功,但是关于集成学习的误差分析还需要进一步研究.考虑交叉验证在统计机器学习中对于模型性能评估有重要应用,为此,应用组块3×2交叉验证和k折交叉验证方法为每个样本点进行赋予权重的预测值的集成,并进行误差分析.在模拟数据和真实数据上进行实验,结果表明基于组块3×2交叉验证的集成学习预测误差小于单个学习器的预测误差,并且集成学习的方差比单个学习器方差小.与基于k折交叉验证的集成学习方法相比,基于组块3×2交叉验证的泛化误差小于基于k折交叉验证的泛化误差,说明基于组块3×2交叉验证的集成学习模型稳定性好.

基于学习型粒子群算法的巡航导弹路径规划仿真验证

巡航导弹路径规划旨在提高巡航导弹突防能力和生存能力,确保命中精度,在保证作战任务的有效完成方面起着重要作用。其问题实质是在给定的约束条件下确定一条飞行路线,在满足巡航导弹机动特性的情况下,使巡航导弹能够最大程度下安全地到达目标位置。针对巡航导弹路径规划问题中易陷入局部最优、收敛性能较差、生成路径效能较低等问题,提出基于学习型粒子群算法的巡航导弹路径规划方法。首先对巡航导弹路径规划空间进行划分,确定生成路径的适应度函数;借鉴强化学习思想,在粒子群算法中引入Q学习机制,实现算法局部搜索和全局搜索的平衡。仿真结果表明,基于学习型粒子群算法的巡航导弹路径算法能够比较好地解决巡航导弹路径规划问题,相比经典粒子群算法,能够更加快速、稳定地搜索到最优路径。

基于区块链隐私增强的联邦学习可验证安全存储方案

在传统的联邦学习系统中,中央服务器在接收到参与方上传的本地模型后,没有对本地模型的合法性进行验证,可能导致后续模型不可靠即模型存储可靠性问题。针对该问题提出一种基于区块链隐私增强的联邦学习可验证安全存储方案(blockchain-based federated learning for model verified security storage, BFL4MVSS)。利用区块链技术,提出验证者投票机制,保证存储模型的可靠性;引入一种奖励机制,允许系统在一定数量的恶意节点存在下正常运行。采用PyTorch框架在MNIST数据集上进行仿真验证,结果表明,其能够在15%的恶意节点的参与下确保模型具有良好的表现。

基于学习索引的图式区块链高效可验证查询机制

区块链技术近年来受到了广泛关注,并应用于各个领域,数据查询是其在应用过程的一个重要技术,如物流链中的数据溯源等.随着区块链系统中交易数据量的持续增长,支持高并发事务处理的图式区块链成为区块链技术的研究热点.图式区块链的高并发区块使得数据查询难以像传统链式结构依次遍历,可以根据图式结构采用广度优先或深度优先遍历策略,但这种查询方式存在效率低、验证难等问题.针对图式区块链数据查询的效率和可验证性问题,提出了一种基于学习索引的高效可验证的图式区块链查询机制Lever.该机制通过引入学习索引技术对图式区块链中时序数据分布特征进行学习以实现对索引过程的优化,旨在提高图式区块链查询的效率和可验证性.学习索引是通过学习数据分布来减少索引存储空间和查询时间的新型索引技术,将学习索引应用于图式区块链的纪元高度与时间戳的映射关系中,通过函数运算的方式定位查询数据,提高查询速度和效率.同时,为了加快纪元内多个区块数据的过滤速度,在每个区块头部添加布隆过滤器,并为每个纪元生成一个聚合布隆过滤器,从而提高纪元内的数据遍历速度.此外,为保证查询结果的正确性和完整性,该机制结合布隆过滤器和排序默克尔树生成可验证对象,通过部分默克尔树分支实现对布隆过滤器假阳性的不存在证明,有效减小验证对象的规模,从而提高图式区块链查询过程的数据传输效率.实验结果表明,Lever能有效提高基于DAG的图式区块链查询效率和可验证性,与Conflux的基本查询机制相比,该机制的查询性能最高提升了10倍,可验证对象大小开销可以降低90%.

基于Stacking集成学习的机械钻速预测方法

机械钻速是评估石油天然气钻井作业效率的重要指标。为准确预测新疆工区某油田钻井机械钻速,基于该工区的历史钻井数据,利用局部离群因子检测算法对数据进行预处理,建立了基于Stacking集成学习的机械钻速预测模型,该模型通过Stacking集成策略融合K近邻算法(KNN)、支持向量机算法(SVM)和随机森林算法(RF)进行预测验证。预测验证结果显示,分类准确度不高。运用遗传算法进行各基础模型参数优化。优化后,基于KNN、SVM、RF及Stacking集成4种算法,预测机械钻速准确率分别为73.7%、78.9%、81.6%及97.4%,其中Stacking集成模型预测准确率最高。基于Stacking集成学习的机械钻速预测方法开发了机械钻速预测软件,运用软件预测其他2套施工参数下的机械钻速,结果表明,预测机械钻速与实际机械钻速一致,且性能稳定,表明该模型拥有较强的泛化性和较高的预测精度。该智能算法可为新疆工区的该油田机械钻速预测与钻井施工参数优化提供一种新手段。

基于同态代理重认证的可验证联邦聚合方法

联邦学习可以通过共享梯度参数训练模型,但在模型聚合过程中面临恶意服务器进行不诚实数据聚合的风险,同时不受信任的用户参与联邦学习还可能会毒害全局模型,模型训练过程中的可靠性和安全性受到威胁。针对联邦学习中用户不可信、聚合结果不可信等问题,首次引入同态代理重认证,提出了适用于多方聚合计算的双向认证方法,并结合双掩码技术构造了具有隐私保护、高效可信联邦学习聚合方法,不仅可以实现用户对全局模型聚合结果的正确性验证,还能够使聚合服务器完成对用户上传模型来源的可信性验证和模型完整性验证,防止攻击者恶意操控用户破坏安全聚合,同时在验证过程中不会泄露用户隐私数据。通过形式化的安全性分析证明了可验证联邦聚合方法的安全性,有效抵抗了伪造攻击和Sybil攻击,且具有良好的鲁棒性。通过仿真实验进一步表明了所提方法能够在不影响联邦训练的情况下实现聚合结果的可信性验证,且验证不会受到用户中途退出的影响。

基于机器学习的数字土壤制图研究进展

通过数字土壤制图可以高效、精准地获取土壤信息。近年来,随着计算机学科的快速发展和土壤-景观模型被广泛认同,采用机器学习方法进行数字土壤建模已成为数字土壤制图的主流思路,这为土壤空间分布的定量解释提供了一种不同于地统计学、专家知识和个体代表性等传统制图技术的新模式。本文综述了国内外数字土壤制图领域的研究成果,从利用机器学习技术进行土壤制图的基本理论、制图方法、展望三个方面完整系统地阐述了数字土壤制图领域的主要进展,其中数字土壤制图方法包括特征信息的选择、制图模型的选择和土壤图的精度验证。研究结果为全面、实时和精确获取土壤信息空间分布提供参考。

基于异常负荷回归学习算法的电力物联网安全强化验证建模分析

传统电力物联网安全强化验证方法误差较大,因此,提出基于异常负荷回归学习算法的电力物联网安全强化验证建模分析方法。优化异常负荷的回归学习算法,求解回归学习算法函数。确定参数后建立异常负荷信道检测模型,通过模型辨识和修正异常负荷,完成电力物联网安全强化验证建模分析。实验结果表明,所提方法的平均相对误差与负荷预测精度指标优于传统方法。

基于OOD泛化性验证和深度全连接神经网络的泥石流易发性评价方法

提升易发性评价精度有助于山区泥石流灾害早期的识别和监测预警。大部分机器学习模型在训练、测试集合上表现良好,但实际应用过程精度较差,不利于工程选址规划和防灾减灾,如何提高机器学习模型评价精度与泛化性具有重要意义。选取深度全连接神经网络,与梯度提升树、随机森林模型和贝叶斯网络等机器学习方法共同进行模型精确性评价和OOD(out-of-distribution)泛化性验证,从而找出在训练、预测和应用中均具有较高精度的方法。以四川省雅安市为例,采用小流域单元进行区域网格划分,将数据集合按7∶3比例随机分为训练集和测试集,使用经验法则(3-sigma)剔除异常数据,并基于多变量(Iterative Imputer)和K-近邻法对缺失值填充进行泥石流灾害易发性评价。在泥石流易发性因子的共线性、敏感性和预测能力的分析结果基础上,选定14个易发性因子构建模型评价指标体系,进行泥石流易发性评价与对比。通过对模型的精确性评价及OOD泛化性验证发现:深度全连接神经网络模型曲线下的面积(AUC)、准确率(Acc)、召回率(Recall)的值比梯度提升树等的计算结果分别超出了0.027、0.02、0.02,而平均绝对值误差(MAE)降低了0.003;OOD泛化性验证准确度超出了0.056。研究表明,深度全连接神经网络对于泥石流易发性评价的预测效果较好,能够提高泥石流评价的精度,增加评价的适应性,可为泥石流易发性评价提供新思路。