基于Logistic回归和支持向量机的早发性结直肠癌风险预测模型

目的:通过Logis tic回归和支持向量机(SVM)探究早发性结直肠癌(EOCRC)和晚发性结直肠癌(LOCRC)的危险因素,建立针对不同年龄段人群的风险预测模型并比较预测效果。方法:选择2012—2022年诊断为结直肠癌患者,记录人口学特征、临床表现、既往史、家族史、生活方式、体格检查、实验室检查及病理诊断,分别建立风险预测模型,比较两模型的ROC曲线下面积(AUROC)、准确率、精确率、召回率、F1分数。结果:综合两模型结果,EOCRC风险与出现消化道出血、腹胀腹痛、大便习惯改变等临床表现、体重减轻、肿瘤标志物升高具有较强的正相关性,与婚姻状况、阑尾切除史、糖尿病史、血脂异常病史、结直肠癌家族史也存在较弱的正相关;LOCRC风险与婚姻状况、出现临床表现、体重减轻、血脂异常、肿瘤标志物升高具有较强的正相关性,与年龄、吸烟、阑尾切除史、结直肠癌家族史也存在一定的正相关性。两模型的AUROC、准确率、F1分数相差不大,但Logistic回归模型的精确率更高而SVM模型的召回率更高。结论:EOCRC和LOCRC的危险因素不完全相同,婚姻状况、吸烟、血脂异常、肿瘤家族史在EOCRC中的贡献低于在LOCRC中的贡献。相较Logistic回归,SVM能发现更多的结直肠癌危险因素,能尽可能多的找出结直肠癌的可能患者。

基于逻辑回归和支持向量机耦合模型的滑坡易发性分析

滑坡灾害的发生具有累进性,进行滑坡易发性评价是防灾减灾的前提。以四川省旺苍县为例,使用频率比法判断12个滑坡影响因子的各分级区间滑坡敏感性,经波段集统计确定11个滑坡影响因子作为滑坡易发性评价因子,通过建立逻辑回归-支持向量机(logistic regression-support vector machine,LR-SVM)耦合模型,搭建滑坡易发性评价体系,完成旺苍县滑坡易发性评价并进行模型精度比较。研究结果表明:逻辑回归-支持向量机耦合模型的评价指标结果均优于逻辑回归模型,易发性分区结果更合理,预测精度更高;在低易发区选取非滑坡点为提高滑坡易发性评价性能作用明显;研究区内道路、高程和NDVI对滑坡发育的敏感性较强;高易发区主要分布于低海拔的水系和道路两侧。

湖南高速公路基础设施碳排放峰值支持向量回归预测模型

本文选取湖南省的人口数、人均GDP、基础设施固定资产投资、单位产值能耗比和单位能耗碳排放量作为高速公路基础设施的碳排放影响因素,选用湖南省2003—2021年相关数据并采用支持向量回归(SVR)机器学习法,建立了湖南省高速公路基础设施碳排放预测模型,预测在基准、低碳和超低碳情景下的碳排放数据。结果表明:训练样本交叉验证均方误差为0.007011,模型的预测值和真实值的拟合回归效果良好,训练集和测试集的相关系数分别为0.9869和0.9870,即模型具有良好的学习和推广能力。本文识别了碳排放的影响因素,预测了未来碳排放趋势,对交通基础设施碳减排行动具有一定的参考意义。

基于随机森林和支持向量机的Mo-Nb合金本构模型

在变形温度为900~1200℃、应变速率为0.01~10 s^(-1)条件下,采用Gleeble-3800型热模拟试验机对Mo-Nb合金进行等温恒应变速率压缩实验,研究Mo-Nb合金的流动应力行为,并采用随机森林和支持向量机的方法建立该合金的本构关系模型。结果表明:Mo-Nb合金是负温度和正应变速率敏感型材料,其流动应力随变形温度升高和应变速率降低而减小;随机森林和支持向量机本构关系模型的训练样本的相关系数和平均相对误差分别为0.989、0.998及2.41%、0.94%,测试样本的相关系数和平均相对误差分别为0.991、0.996及2.47%、1.4%,二者都具有较好的预测能力;支持向量机本构关系模型精度高于随机森林,因此,支持向量机本构关系模型更适于预测Mo-Nb合金的流动应力。

糖尿病足溃疡复发风险预测模型的构建:基于Logistic回归和支持向量机及BP神经网络模型

背景全球范围内糖尿病足溃疡(DFUs)首次复发与再次复发率逐年上升,且早期复发风险高于远期风险。导致DFUs复发的风险因素较多,目前缺乏系统的筛选,因此需要探索DFUs复发的危险因素,以便早期识别复发高危人群。目的探讨Logistic回归、支持向量机(SVM)和BP神经网络(BPNN)模型在DFUs复发风险中的预测价值。方法选取2020年1月—2021年10月在宁夏医科大学总医院烧伤整形美容科、内分泌科和伤口造口门诊就诊的DFUs患者390例作为开发模型的研究对象。根据患者出院后1年内DFUs是否复发分为复发组116例(29.7%)和非复发组274例(70.3%)。收集两组患者的一般资料包括社会人口学特征、病史评估和临床病例资料并进行比较,采用糖尿病足部自我管理行为量表(DFSBS)评估患者糖尿病足部自我管理行为,采用慢性病风险感知问卷评估患者DFUs风险感知水平。采用多因素Logistic回归分析探讨DFUs患者出院后1年内DFUs复发的影响因素;将患者按照7∶3划分为训练集和测试集,运用Logistic回归变量筛选策略,分别建立Logistic回归、SVM和BPNN模型;绘制各模型预测DFUs复发风险的受试者工作特征(ROC)曲线。结果两组DFUs患者BMI、独居、糖尿病病程、吸烟史、饮酒史、受累足趾截肢史、足溃疡分级、踝肱指数、糖化血红蛋白、溃疡位置在脚底、足趾受累、足部存在行走障碍、骨髓炎、多重耐药菌感染、糖尿病周围神经病变、下肢动脉粥样硬化、足部自我管理行为、DFUs风险感知水平比较,差异均有统计学意义(P<0.05)。多因素Logistic回归分析结果显示,BMI[OR=0.394,95%CI(0.285,0.546),P<0.001]、糖尿病病程[OR=1.635,95%CI(1.303,2.051),P<0.001]、吸烟史[OR=0.186,95%CI(0.080,0.434),P<0.001]、足溃疡分级[OR=2.139,95%CI(1.133,4.038),P=0.019]、糖化血红蛋白[OR=2.289,95%CI(1.485,3.528),P<0.001]、溃疡位置在脚底[OR=3.148,95%CI(1.344,7.373),P=0.008]、足部自我管理行为[OR=0.744,95%CI(0.673,0.822),P<0.001]和DFUs风险感知水平[OR=0.892,95%CI(0.845,0.942),P<0.001]是DFUs患者1年内DFUs复发的影响因素。Logistic回归、SVM和BPNN模型在测试集中预测DFUs复发风险的正确率分别82.43%、94.87%、87.17%,ROC曲线下面积(AUC)分别为0.843、0.937、0.820。Logistic回归、SVM和BPNN模型预测DFUs复发风险的ROC曲线AUC比较,差异有统计学意义(Z=2.741,P<0.05);SVM模型预测DFUs复发风险的ROC曲线AUC高于Logistic回归和BPNN模型(Z=5.937,P=0.013;Z=3.946,P<0.001)。结论SVM模型预测DFUs患者出院后1年内DFUs复发风险的正确率、灵敏度、特异度、AUC等指标均较好,为相对最优的模型,建议进一步推广应用以验证预测模型的效能。

基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测

锡冶炼过程综合能源消耗占整个锡生产过程90%,存在很大节能潜力。针对锡冶炼过程综合能耗机理模型难以建立、导致预测准确度不高的问题,提出灰狼优化的支持向量机回归(GWO-SVR)模型用于锡冶炼过程综合能耗的预测,并以某锡冶炼厂为例,将所提模型与SVR、RF(随机森林)、BP(反向传播神经网络)、LR(线性回归)模型进行比较。结果表明,GWO-SVR模型可获得最理想的预测结果,在预测精度上相比于其他机器学习算法有着巨大优势。此外,使用SHAP值从全局解释和单样本解释两个方面解释所建立的GWO-SVR模型,可视化特征对输出的贡献,增加了GWO-SVR的可解释性,并以此制定可靠的节能策略。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

基于改进支持向量回归模型的高校学生成绩预测研究

为提高学生成绩预测的准确性,考虑到学生学习行为特征数据的高维和非线性特征,提出了一种基于改进支持向量回归模型的高校学生成绩预测。对支持向量回归(SVR)模型的核函数进行了改进;设计了变邻域搜索算法(VNS)对改进支持向量回归模型的参数进行了优化;将上述方法应用于某高校学生数学成绩数据,并与原始SVR和基于其他智能优化方法的SVR进行了对比,验证了所提方法的有效性。

基于支持向量机算法的重症患者压力性损伤分级预测模型的构建及应用价值

目的基于支持向量机算法构建并验证重症监护病房(ICU)患者压力性损伤(PI)分级预测模型。方法收集2020年12月至2022年12月157例在重庆市某三级甲等医院重症医学科住院患者的临床资料,采用χ~2检验和kruskal-Wallis H检验筛选PI分级的影响因素。再将数据以7∶3的比例随机分为训练组和验证组,基于训练组数据利用支持向量机算法建立ICU患者PI分级预测模型,并采用五折交叉验证法进行参数优化。训练好的模型在验证组数据集中进行内部验证,对前后结果进行混淆矩阵分析,采用准确率、精确率、召回率、F1值和受试者工作特征曲线的曲线下面积(AUC)评估模型的性能。结果初步确定10个影响PI分级的因素,在gamma=0.1、cost=2.2时模型的性能最佳,PI分级预测模型的准确率为81.25%,精确率为79.70%,召回率为80.30%,F1值为79.90%,受试者工作特征曲线的AUC为0.939。结论构建的PI分级预测模型预测性能良好,可为临床医护人员制订ICU患者预防PI的分级护理干预方案提供参考依据。

增量式稀疏密度加权孪生支持向量回归机

密度加权孪生支持向量回归机(DWTSVR)是一种能够反映数据内在分布的回归算法,具有预测精度高和鲁棒性强等优点,然而其并不适用于训练样本以增量形式提供的场景。针对该问题,提出一种增量式稀疏密度加权孪生支持向量回归机(ISDWTSVR)。首先,辨别新增数据是否为异常样本,并赋予有效样本适当的权重,减小异常样本对模型泛化性能的影响;其次,结合矩阵降维与主成分分析思想筛选出原始核矩阵中的一组特征列向量基代替原特征,实现核矩阵列稀疏化,以获得稀疏解;接着,借助牛顿迭代法和增量学习策略对上一时刻的模型信息进行调整,实现模型的增量更新,同时结合矩阵求逆引理避免增量更新过程中直接求解逆矩阵,进一步加快训练速度;最后,在UCI基准数据集上进行仿真实验,并与现有代表性算法进行比较。实验结果表明,ISDWTSVR继承了DWTSVR的泛化性能,在大规模数据集Bike-Sharing上,新增一个样本模型更新平均CPU时间为5.13 s,较DWTSVR缩短了97.94%,有效地解决了模型必须从头开始重新训练的问题,适用于大规模数据集的在线学习。

基于灰色支持向量回归的起伏管线临界携液流速预测模型

延安气田起伏的地理形貌特征,致使其内部采气管线在低点及上倾段容易产生积液问题,制约气田正常生产,开展起伏管线临界携液流速的预测对保障采气管线流动安全和指导地面采气管线布线具有重要价值。为此,基于扩展双流体分相模型和PR气体物性方程,采用最小压力梯度法结合均匀设计构建了临界携液流速样本数据集,同时采用灰色关联计算了样本标签权重,并将其引入支持向量回归算法,构建了临界携液流速的回归预测模型,随后利用网格寻优算法,通过采用K-CV(交叉验证)对模型中超参数进行了优化设计,最后采用延安气田现场运行数据进行了模型准确性验证。研究结果表明:管径大小对临界携液流速影响最大,其次为上坡倾角、含水率和运行压力,其他因素的影响差距相对较小,网格分段寻优对比遗传、粒子群算法在模型超参数优化上具有较强稳定性。该预测模型对延安气田内部采气管线的临界携液流速预测具有较强准确性,可对其积液预测和防治提供理论支撑。

一种基于支持向量机回归的制氧系统寿命预估方法

随着我国老龄化程度的加深及后疫情时代大背景下国内医疗系统市场规模的不断扩大,制氧系统行业的发展进入快速扩容阶段。同时,制氧系统突发故障对吸氧人群生命与心理造成不可逆损伤的问题接踵而至。制氧行业迫切需要一种针对制氧系统寿命的预估方法,以解决制氧系统突发故障影响吸氧人群生命与财产安全的问题。该研究提出一种基于支持向量机回归(SVR)的制氧系统寿命预估方法。首先,基于SVR原理建立一种寿命预估模型,通过对某制氧系统3500h的氧浓度监测数据进行SVR训练,得到制氧系统的寿命预估模型。然后,规律选取300组氧浓度数据分别进行训练集预测和预测集预测,结果显示,该预测模型的准确性较高,且模型对预测集样本的预测结果与氧浓度监测的真实值基本保持一致。最后,对该制氧系统的吸附塔进行拆机验证,发现分子筛确有失效现象,经实际测量失效程度为6%,表明该模型可应用于制氧系统的寿命预估,并取得了良好的结果。因此,基于SVR的制氧系统寿命预估方法可以准确、有效地预估制氧系统的使用寿命,避免其突发故障,同时也为后续制氧系统的寿命预估方法提供了思路。

基于支持向量回归模型的机器人误差补偿算法

较低的定位精度已然成为了工业机器人在高精度作业领域推广应用的重要阻碍之一。对机器人定位误差的补偿是解决此类问题的首要途径。本文通过研究支持向量回归模型,提出了基于支持向量回归模型的机器人误差补偿方法。同时,在模型训练过程中,采用粒子群算法对每一轮迭代中的参数进行适应度评估,从而优化了模型参数。最后根据本文所提出的预测方法进行了相关实验。实验结果表明,根据该方法所进行的机器人定位误差补偿,能够有效降低机器人定位误差,且该方法还具有快速性、便捷性等优势。

基于支持向量机回归算法的盾构下穿市政管线参数优化研究

随着盾构法施工在我国城市地铁隧道建设的广泛应用,盾构施工将面临越来越复杂的施工场景,尤其是在城市生活区的施工中,将不可避免地穿越各类复杂的市政管线。以合肥某地铁盾构工程下穿市政管线为背景,通过建立数值模型,构建了基于支持向量机回归(SVMR)算法的机器学习模型,并通过优化算法反向求解得到了符合施工要求的盾构参数优化方案。研究结果表明,方法的有效性通过了数值模拟试验和工程实践的验证,能够基于已有的少量盾构参数,针对关键掘进参数如推力、刀盘转速等进行优化,并提出最优组合方案,以确保施工的安全与高效,可为类似工程提供参考。

支持向量机回归算法的唐山市降水量空间插值研究

针对传统插值方法在处理小样本和非线性问题上的不足,运用支持向量机回归(SVR)算法对唐山市降水量进行空间插值研究,提出了SVR算法的解决方案,以提高降水预测的准确性。通过收集2020年唐山市32个气象站点观测数据,提取经度、纬度、经纬度乘积、海拔、坡度、坡向和GPM等参数作为特征变量,并利用SVR算法建立降水量空间插值模型。研究结果表明,SVR在解决小样本和非线性问题上具有显著优势,能够有效分析多维变量对降水量分布的影响;验证显示其插值精度R2为0.79, MAE和RMSE分别为33.57mm、39.29mm,该精度在可接受范围内。通过SVR插值法生成精确的降水量分布式信息,可为唐山市旱涝减灾、水资源利用及生态保护提供科学数据支持。

基于支持向量机回归的粉煤灰混凝土氯离子质量分数预测

基于自然潮差环境下粉煤灰混凝土长期暴露试验,获取了3150组自由氯离子质量分数数据,建立了基于支持向量机回归方法(Support Vector Regression,SVR)的粉煤灰混凝土中自由氯离子质量分数预测模型。该模型研究了数据预处理方法,核函数以及超参数优化方法对自由氯离子质量分数预测精度的影响,分析了水灰比、粉煤灰掺量、暴露时间和渗透深度4个输入参数对自由氯离子质量分数预测结果的影响大小。同时,开展基于未测参数的自由氯离子质量分数预测。结果表明:当采用归一化的数据预处理方式,并使用径向基核函数及贝叶斯优化算法时,自由氯离子质量分数预测结果最佳。当自由氯离子质量分数小于0.1%时,所构建的SVR模型得到的预测值与实际氯离子质量分数存在较大差距。

基于支持向量机的风力发电机组故障诊断预警模型

当前的风力发电机组故障诊断预警模型设置的矩阵一般为单元式的,预警的范围受到限制,导致预警响应时间延长,为此提出对基于支持向量机的风力发电机组故障诊断预警模型的设计与验证分析。根据当前的测定需求及标准,提取故障诊断预警特征量,采用多目标的方式,打破预警范围的限制,设计多目标诊断预警矩阵,以此为基础,构建支持向量机故障诊断预警结构,采用阶次分析实现故障诊断预警处理。测试结果表明:对比传统机器学习风力发电机组故障诊断预警模型测试组、传统MSK-CNN和多源机电信息融合风力发电机组故障诊断预警模型测试组,此次所设计的支持向量机风力发电机组故障诊断预警模型测试组最终得出的预警响应时间被较好地控制在0.25 s以下,说明在支持向量机的辅助下,所设计模型对故障诊断预警的效率较高,针对性更强,具有实际的应用价值。

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

基于支持向量机回归算法的旅游短时客流量数据预测模型

传统的客流量数据预测模型获取的数据维数较高,难以消除冗余数据,导致预测结果误差较大。为此本文提出了基于支持向量机回归算法的旅游短时客流量数据预测模型。首先利用局部线性嵌入算法对旅游短时客流量数据样本点进行局部重构,减小重构误差,降低数据维数,并消除客流量数据中存在的噪声数据和冗余数据。然后利用支持向量机回归算法构建旅游短时客流量数据预测模型。实验结果表明:该模型预测结果的最大百分比误差、平均百分比误差和均方误差均较低,证明该模型实现了设计预期。

基于人工蜂群算法的支持向量回归建模及其在污水处理中的应用

污水处理过程具有大时滞、非线性、多扰动等特点,运行过程中存在生化需氧量(Biochemical Oxygen Demand,BOD)等重要水质参数难以实时测量问题,软测量技术为解决该问题提供了有效方法。对此,文章提出基于人工蜂群算法的支持向量回归(Support Vector Regression,SVR)建模方法。该方法利用蜂群算法对支持向量机的参数gamma和C进行寻优,找到使均方误差最小的超参数组合,以提高模型预测精度。同时,利用加州大学欧文分校(University of California Irvine,UCI)数据库中的污水生产数据验证该方法的有效性,结果表明该方法的实际应用效果好,可为工业生产中难以测量变量的监测提供技术支持。