基于最小绝对收缩与选择算子模型稀疏恢复的多目标检测

针对地面多径环境下运动目标检测,使用最小绝对收缩与选择算子(LASSO)算法在参数估计时会出现伪目标的问题,提出一种基于LASSO模型框架的设计矩阵降维构造方法。首先,信号的多径传播能够带来目标检测的空间分集,信号在不同的多径上有不同的多普勒频移;此外,使用宽带正交频分复用(OFDM)信号能够带来频率分集。由于空间分集和频率分集的引入造成目标的稀疏特性。利用多径的稀疏性和对环境的先验知识,去估计稀疏向量。仿真结果表明,在一定信噪比(SNR,-5 d B)下,基于设计矩阵降维构造方法的改进的LASSO算法比基追踪算法(BP)、DS(Dantzig Selector)、LASSO等传统算法的检测性能有明显提高;在一定虚警率(0.1)条件下,改进的LASSO算法比原LASSO算法检测概率提高了30%。所提算法能够有效去除伪目标,提高雷达目标检测概率。

最小绝对收缩和选择算子回归筛选急性缺血性脑卒中溶栓患者症状性脑内出血预测因素分析

目的探讨基于最小绝对收缩和选择算子(LASSO)回归筛选急性缺血性脑卒中溶栓患者症状性脑内出血(sICH)发生的预测因素。方法选取2019年6月至2022年6月于鄂州市中心医院收治的428例急性缺血性脑卒中患者作为研究对象,静脉溶栓后24 h采用CT观察脑内出血情况,根据有无sICH分为sICH组36例和无sICH组392例。记录两组人口社会学资料、溶栓前实验室检查资料、影像学相关资料,采用LASSO回归分析筛选变量初步筛选重要预测因素,将非零回归系数的变量纳入多因素Logistic回归分析,确定影响急性缺血性脑卒中溶栓后发生sICH的独立预测因素。结果36例(8.41%)患者在溶栓后24 h内出现sICH归为sICH组,其余392例(91.59%)未出现sICH归为无sICH组。两组患者发病至溶栓时间、糖尿病、心房颤动、入院时美国国立卫生研究院卒中量表(NIHSS)评分、入院时血糖、C反应蛋白、CT显示大动脉高密度征象比较差异有统计学意义(t/χ^(2)=2.163、3.911、4.092、3.087、3.156、3.937、8.553,均P<0.05);LASSO回归算法共筛选出入院NIHSS评分、入院时血糖、C反应蛋白、大动脉高密度征象4个具有非零系数的显著相关指标;进一步多因素Logistic回归分析显示:入院NIHSS评分、入院时血糖、C反应蛋白、大动脉高密度征象为急性缺血性脑卒中溶栓后sICH的危险因素[OR(95%CI)=1.123(1.029~1.226)、1.391(1.086~1.781)、1.901(1.362~2.652)、3.112(1.364~7.104),均P<0.05];ROC曲线显示,基于LASSO-Logistic构建的模型预测急性缺血性脑卒中溶栓后sICH发生的AUC为0.802(95%CI=0.722~0.882),特异度为61.20%,敏感度为88.90%。结论基于LASSO回归筛选出的入院NIHSS评分、入院时血糖水平、C反应蛋白、大动脉高密度征象为急性缺血性脑卒中溶栓后sICH的预测因素。

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明:传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。

基于多变量模式分析的飞行学员脑功能连接的识别研究

目的基于多变量模式分析(multivariate pattern analysis,MVPA)对飞行学员和健康的普通人的大脑功能连接进行有效识别。材料与方法采集了40名已经取得执照的飞行专业在校学生与39名地面专业在校学生的功能磁共振数据。通过网络功能连接分析得到功能连接矩阵作为特征,分别通过最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)算法与独立样本t检验方法对特征降维。使用不同核函数的支持向量机(support vector machine,SVM)进行训练和预测,使用留一交叉验证法进行模型性能评估,最终根据训练后SVM模型中的权重定位对应脑区之间的功能连接。结果使用LASSO特征筛选的线性(linear)核SVM模型准确率为81.82%,敏感度82.05%,特异度81.58%,曲线下面积(area under the curve,AUC)为0.88。核函数对模型准确率的影响不大。模型中右侧中央旁小叶、双侧中央后回、双侧顶下缘角回、右侧梭状回、左侧眶部额中回、左侧顶上回、右侧眶部额下回有较高的权重,模型中的权重集中在感觉运动网络(somatomotor network,SMN)与默认模式网络(default mode network,DMN),分别占用所有权重的25.62%和25.27%。结论结合LASSO算法进行特征筛选的SVM可以对飞行学员大脑进行有效识别,并且有更好的可解释性和更小的过拟合。模型权重信息反映了飞行学员主要在运动能力和感知能力有别于普通人。

基于LASSO算法的光谱变量选择方法研究

光谱分析技术由于具有简单、快速、无损等优势,在复杂体系的定性和定量分析中得到了广泛应用。然而光谱中往往包含成百上千的波长点,有些波长点与研究的目标性质并不相关,加大了计算量并降低了模型的预测准确度。因此,在建立模型前需要进行变量选择。最小绝对收缩与选择算子(LASSO)可将回归系数收缩为0,进而达到变量选择的目的。该研究将LASSO用于三元调和油样品近红外光谱和生物样品拉曼光谱的变量选择,基于偏最小二乘(PLS)和多元线性回归(MLR)模型,分别对香油和肌氨酸的含量进行定量分析,并与无信息变量消除-PLS(UVE-PLS)、蒙特卡罗结合UVE-PLS(MCUVE-PLS)和随机检验-PLS(RT-PLS)3种变量选择方法进行比较。结果表明,基于LASSO的变量选择方法保留的变量数最少,运算速度最快。对三元调和油样品,LASSO-PLS预测的准确度最高;对生物样品,LASSO-MLR预测的准确度最高。因此,基于LASSO的变量选择算法有望在光谱分析领域中得到良好应用。

基于变量选择-神经网络模型的复杂路网短时交通流预测

针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面;结合神经网络(NN)的非线性特性,提出了Lasso-NN组合模型.结果表明:Lasso-NN模型在路网交叉口对未来15min交通流数据预测的误差率低于9.2%;在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.

高尿酸血症与慢性肺源性心脏病的相关性研究:基于LASSO回归与倾向性评分匹配法

背景近年来众多研究表明高尿酸血症(HUA)是某些疾病的影响因素,然而HUA是否为慢性肺源性心脏病(CPHD)的影响因素仍需进一步研究。目的探讨HUA与CPHD的相关性,旨在为CPHD患者血尿酸(SUA)水平的管理提供理论依据。方法纳入2019—2023年新疆医科大学第一附属医院收治的1171例慢性阻塞性肺疾病(COPD)患者为研究对象,根据其是否患有CPHD分为CPHD组(470例)和COPD组(701例)。收集患者一般资料和实验室检查及超声心动图检查结果。采用LASSO回归法对变量进行筛选,采用倾向性评分匹配法(PSM)排除混杂因素影响。采用多因素Logistic回归分析探究COPD患者合并CPHD的影响因素。结果CPHD组女性、汉族、吸烟、饮酒、特发性肺纤维化、慢性支气管炎、支气管哮喘比例、淋巴细胞百分比、左心室舒张末期内径、左心室收缩末期内径、心输出量、左心室射血分数低于COPD组,心功能3~4级、HUA、肺栓塞、先天性心脏病比例、红细胞计数、中性粒细胞百分比、SUA、血尿素氮、D-二聚体、N末端-B型利钠肽前体、右心房内径、右心室内径、左心房内径、右心室流出道内径、肺动脉内径高于COPD组,差异有统计学意义(P<0.05)。LASSO回归筛选出变量后进行PSM,最终得到COPD组469例、CPHD组469例。匹配后CPHD组心功能3~4级、HUA占比、右心房内径、右心室内径、右心室流出道内径、肺动脉内径大于COPD组,支气管哮喘、淋巴细胞百分比低于COPD组,差异有统计学意义(P<0.05)。多因素Logistic回归分析结果显示,HUA升高、心功能3~4级、右心房内径、右心室内径、肺动脉内径增加是COPD患者合并CPHD的危险因素(P<0.05),患有支气管哮喘、左心室舒张末期内径增加为COPD患者合并CPHD的保护因素(P<0.05)。将SUA水平按四分位数分层,多因素Logistic回归分析结果显示,与Q1(SUA<237.31μmol/L)比较,Q4(SUA>381.29μmol/L)患者患有CPHD的风险增加1.421倍。结论HUA是CPHD疾病发生、发展的影响因素,积极控制SUA水平有助于预防CPHD的发生、发展。

基于LASSO回归和Cox比例风险模型探讨血红蛋白与颈动脉斑块形成的关联

目的利用体检人群数据库,通过最小化绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归算法筛选与颈动脉斑块形成的关键因子,并探索血红蛋白(hemoglobin,Hb)对颈动脉斑块形成的诊断价值,通过Cox比例风险模型验证HB与颈动脉斑块形成的关联及关联强度。方法采用海军青岛特勤疗养中心体检中心体检数据,以2014年体检人群资料为队列随访基线,以2020年为随访时间终点,随访事件结局为该人群新发颈动脉斑块,利用LASSO回归算法筛选颈动脉斑块影响因素,并通过Cox比例风险模型分析HB与颈动脉斑块的关联。结果共纳入977名未患有颈动脉斑块的体检人群,经过6年体检定期随访,随访新发颈动脉斑块326例,累计患病率为33.4%。LASSO回归筛选变量年龄和吸烟等9个变量时,模型均方根误差最小,其对应的λ=0.0113,LASSO回归模型筛选变量通过ROC预测新发颈动脉斑块的曲线下面积AUC为0.762。通过Cox比例风险模型进一步验证血红蛋白是颈动脉斑块发病的独立危险预测因素。结论体检人群高水平血红蛋白可能与颈动脉斑块发病相关,应重点关注中老年体检人群血红蛋白水平,提示较高的营养水平的人群是防控颈动脉斑块新发的重点人群。

改进随机蛙跳算法在大豆品种快速鉴别中的应用

大豆品种快速准确的鉴别,对于鉴定种子品质、净化种业市场以及保障粮食安全具有重要意义。为解决传统农作物品种鉴别方法中存在精度差和效率低等问题,采用拉曼光谱结合特征波长提取方法建立偏最小二乘(PLS)鉴别模型,对黑龙江省4个高蛋白大豆品种(黑农88、黑农98、绥农71以及绥农76)进行快速鉴别。随机蛙跳(RF)算法是一种通过迭代计算变量被选概率,以确定变量重要性的新型特征波长选择算法,可以有效剔除全光谱数据中的冗余信息。该方法存在初始变量集随机性、所需迭代次数大、阈值选取不确定的问题,因此提出一种基于最小绝对收敛与选择算子(LASSO)回归的改进随机蛙跳(MRF)算法。采用LASSO算法提取与属性变量最相关的特征波长点作为RF初始变量集F0,消除初始变量的随机性,在此基础上开始迭代计算,可以减少无用迭代次数,提高模型的预测精确度。RF算法通过设定阈值的方法选择变量,因此提取的特征波长往往具有不确定性。改进如下:首先去除被选概率为0的变量,对于排序后变量以10个波长点为间隔,每次增加1个间隔建立特征波长与大豆品种属性的偏最小二乘回归模型,当交叉验证均方根误差(RMSECV)取最小值时的建模波长为优选特征波长。以MRF优选特征波长作为输入变量建立PLS鉴别模型,并与全光谱以及常用的RF、LASSO和ElasticNet特征波长选择算法建模结果进行对比分析。结果表明,MRF算法提取300个特征波长点,仅占全谱波长的9.37%,有效筛选了关键特征变量,简化了模型复杂度。预测结果中均方根误差(RMSEP)和决定系数(Rp2)分别为0.246 9和0.951 2,识别准确率达到100%,为所有模型中最优。拉曼光谱结合MRF算法可以实现大豆品种的快速鉴别,同时也为其他农作物品种的快速鉴别提供了一种新思路。

大坝变形预测的最优因子长短期记忆网络模型

面对海量的大坝安全监测数据,快速合理地确定大坝变形预测模型的变量因子能够有效提高模型预测的效率和精度。为此,本文提出一种基于最小绝对值收缩和选择算子(least absolute shrinkage and selection operation,LASSO)变量选择和长短期记忆(long short-term memory,LSTM)网络的大坝变形预测模型。首先,通过大坝变形机理分析确定影响大坝变形的相关影响因子集。然后,通过LASSO算法剔除不显著的因子,筛选出最优影响因子作为模型输入变量,并利用LSTM网络建立大坝变形预测模型。最后,以皂市水利枢纽工程的碾压混凝土重力坝为例,对本文方法进行了验证和讨论。结果表明,本文方法具有较高的预测精度,其平均绝对误差(MAE)、均方误差(MSE)与均方根误差(RMSE)均相对较小;与常规预测模型相比,基于LASSO算法的变量选择使模型建立过程更加简单高效,有利于海量监测数据的处理分析。

心力衰竭重症患者院内死亡率的预测模型:基于MIMIC-Ⅲ数据库的回顾性研究

[目的]基于重症监护医学数据库(MIMIC-Ⅲ)分析心力衰竭重症患者院内死亡率的预后因素并构建预测模型。[方法]从MIMIC-Ⅲ数据库中提取心力衰竭患者的相关数据。随机将研究对象(n=8604)按7∶3分为训练组(n=6022)和验证组(n=2582),结局为院内死亡率。对训练组进行LASSO-Logistic回归分析,确定心力衰竭患者院内死亡率的预后因素,并据此构建列线图模型。受试者工作特征(ROC)曲线评估列线图模型的区分度,校准曲线评估列线图模型的校准能力,决策曲线分析(DCA)和临床影响曲线(CIC)评估列线图模型的临床疗效。[结果]LASSO-Logistic分析表明,红细胞分布宽度(RDW)、呼吸频率、血氧饱和度、急性生理评分Ⅲ(APSⅢ)评分和简化急性生理评分Ⅱ(SAPSⅡ)是心力衰竭重症患者院内死亡率的独立预测因素。在训练组和验证组中,ROC曲线下面积(AUC)分别为0.775(95%CI:0.757~0.792)和0.767(95%CI:0.742~0.793),校准曲线与对角线均高度重合,平均绝对误差为0.009和0.016,表明预测模型具有较好的区分度和校准度。同时,DCA和CIC曲线显示,预测模型在大部分的阈值概率范围内提供了显著的净收益。[结论]列线图模型能简单而准确地预测心力衰竭重症患者院内死亡率。

基于WGCNA联合LASSO筛选宫颈癌预后枢纽基因

目的运用生物信息学方法筛选宫颈癌预后相关的分子标志物,为宫颈癌的预后预测提供依据。方法从GEO、TCGA和GTEx数据库下载宫颈癌转录组表达数据和相应的临床数据。在GSE9750和GSE52903数据集中,通过WGCNA和LASSO两种方法联合筛选宫颈癌枢纽基因,GEPIA数据库进一步筛选与预后相关的枢纽基因。在GEO数据集(GSE9750和GSE52903)和TCGA联合GTEx数据集中比较预后相关的枢纽基因在宫颈癌和正常宫颈组织中的表达情况,并在HPA数据库中验证其蛋白水平的表达。利用ssGSEA分析宫颈癌肿瘤微环境(tumor microenvironment,TME)中免疫细胞浸润情况,探究预后相关的枢纽基因与免疫细胞浸润和免疫检查点基因表达的相关性。结果WGCNA和LASSO两种方法共筛选出7个宫颈癌枢纽基因,GEPIA数据库进一步筛选得到3个预后相关的枢纽基因MCM2、APOD和RAD54L。在GEO数据集(GSE9750和GSE52903)和TCGA联合GTEx数据集中,与正常宫颈组织比较,MCM2和RAD54L在宫颈癌组织中表达上调,而APOD则表达下调,与HPA数据库中免疫组化结果基本一致。3个预后相关的枢纽基因与免疫细胞和免疫检查点的表达有相关性。结论MCM2、APOD和RAD54L基因可能是与宫颈癌预后相关的分子标志物,与TME中免疫浸润相关。

基于LASSO变量选择联合贝叶斯网络构建乳腺癌患者5年预后风险模型的建立与预测

目的利用最小绝对收缩和选择算法(LASSO)回归和贝叶斯网络构建乳腺癌患者5年预后风险预测模型,以期探讨乳腺癌预后的因果联系和危险因素。方法回顾性分析新疆医科大学附属肿瘤医院乳腺癌专病库系统中2010年1—12月首诊为乳腺癌的17104例患者的病例资料,包括人口统计学、病理、免疫组织化学、治疗信息等共76个指标。通过LASSO回归筛选出与乳腺癌预后明显相关的影响因素,借助贝叶斯网络分析影响因素间的相互作用并评价模型预测性能。结果LASSO回归筛选出18个与乳腺癌患者5年预后强相关的变量,分别是年龄、民族、初潮年龄、肿瘤分期、肿瘤家族史、是否绝经、手术分组、复发转移、组织学分级、雌激素受体状态、孕激素受体状态、Ki-67表达水平、HER2 Fish状态、放疗、化疗、靶向治疗、内分泌治疗、新辅助治疗。贝叶斯网络模型发现雌激素受体状态、孕激素受体状态、Ki-67表达水平与放疗、化疗等中间节点联系,间接地影响乳腺癌患者5年预后情况,Ki-67表达水平与HER2 Fish状态间接连接靶向治疗,而靶向治疗又是乳腺癌患者生存结局的父节点。模型评价发现贝叶斯网络模型的分类准确率为82.0%,曲线下面积为0.813。结论本研究构建的基于LASSO变量选择联合贝叶斯网络构建的乳腺癌5年生存预后风险预测模型具有良好的预测价值。

重尾噪声环境下的扫描雷达稳健角超分辨方法

扫描雷达由于天线孔径受到平台尺寸限制,存在角分辨率低下的缺陷。角超分辨技术能够在不改变雷达硬件系统的前提下,通过信号处理方法,获得超越雷达实孔径波束宽度的角度分辨能力。近些年研究表明,基于最小绝对收缩和选择算子(LASSO)的稀疏角超分辨方法能够获得比传统方法更高的分辨能力。然而,该方法基于高斯白噪声假设,在残余项中主要基于l2范数进行约束。当回波数据中存在重尾分布的噪声时,该方法中的l2范数约束无法有效抑制重尾分布噪声,导致目标分辨能力下降,甚至产生虚假目标。针对该问题,本文提出一种扫描雷达抗重尾噪声角超分辨成像方法。首先,本文引入一种最小绝对偏差(LAD)-LASSO约束准则以抑制重尾分布噪声;更进一步的,针对模型中存在的正则化参数自适应选取难题,本文基于稀疏自相关迭代准则导出正则化参数的最优表达。最后,针对LAD-LASSO非平滑代价函数最优化求解难题,本文提出一种基于迭代重加权最小二乘(IRLS)算法的求解方法,通过将l1范数替换为重加权的l2范数,并在每次迭代中计算权值实现最优求解。仿真结果表明,相比传统稀疏角超分辨方法,本文提出的方法在不同信噪比下均能够有效抑制重尾分布噪声,并有效提升扫描雷达角分辨率。同时,本文采用岸基X波段雷达实测数据验证了本文提出方法的有效性。

Nomogram预测模型在针灸治疗卵巢功能不全妊娠结局中的价值

目的探讨基于最小绝对收缩和选择算子(LASSO)-Cox回归构建的Nomogram预测模型在针灸治疗卵巢功能不全(POI)妊娠结局中的价值。方法选取2019年1月至2021年1月在湖北省第三人民医院接受针灸治疗的POI病人137例,收集相关资料,采用LASSO回归与Cox回归相结合的方法筛选针灸对POI病人妊娠结局的主要影响因素,采用R软件(R3.6.3版)构建预测针灸对POI病人妊娠结局的Nomogram预测模型,采用受试者操作特征(ROC)曲线与校准曲线评估模型的预测效能。结果妊娠组与未妊娠组在月经情况、基础卵泡刺激素(FSH)水平、FSH与黄体生成素(LH)比值、基础AFC、行针次数、留针时间、针具方面比较,差异有统计学意义(P<0.05)。构建多因素Cox回归模型结果显示,月经情况、基础FSH水平、FSH与LH比值、基础窦卵泡计数(AFC)、行针次数为针灸对POI病人妊娠结局的独立影响因素。ROC曲线显示,6个月妊娠概率和12个月妊娠概率曲线下面积分别为0.78[95%CI:(0.69,0.88)]和0.74[95%CI:(0.63,0.85)],校准曲线显示该预测模型校准曲线与标准曲线极为接近。结论基于LASSO-Cox模型筛选出的月经情况、基础FSH水平、FSH与LH比值、基础AFC、行针次数等5个因素构建的Nomogram预测模型,能个体化预测POI病人针灸后妊娠结局。

基于磁共振前列腺平扫T_(1)WI影像组学预测前列腺良恶性病变的可行性研究

目的探讨磁共振前列腺平扫T_(1)WI影像组学预测前列腺良恶性病变的可行性。方法回顾性分析2021年10月—2023年5月济宁市兖州区人民医院诊断的105例前列腺结节患者的磁共振平扫图像影像组学特征。前列腺癌为A组(n=42),前列腺良性结节为B组(n=63),比较两组前列腺平扫T_(1)WI图像影像组学特征,将两组特征进行单因素分析,单因素分析具有差异的特征采用最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,Lasso)回归进行降维,降维后特征纳入二元Logistics回归分析,筛选出预测前列腺结节良恶性的独立危险因素并建立模型。对独立危险因素与Logistics预测模型进行受试者工作特征曲线(receiver operating characteristic curve,ROC)分析诊断效能。结果两组205个影像特征值具有统计学意义(P<0.05),927个影像特征值无统计学意义(P>0.05),Lasso回归特征降维后获得10个特征。二元logistics回归方程结果显示同质性、逆差矩、前列腺特异抗原(prostate specific antigen,PSA)为预测前列腺结节良恶性的独立危险因素,模型为:Logit(P)=6.235+同质性×1.123+逆差矩×2.235+PSA×4.623,当阈值取124.35时,敏感性为95.3%,特异性为91.5%,Delong检验分析示Logit(P)ROC明显优于同质性、逆差矩、PSA,差异有统计学意义(P<0.05)。结论磁共振前列腺平扫T_(1)WI图像影像组学能准确预测前列腺结节良恶性,可为临床筛查前列腺结节良恶性结节提供依据。

针对Lasso问题的多维权重求解算法

最小绝对收缩和选择算子(Lasso)在数据维度约减、异常检测方面有着较强的计算优势。针对Lasso用于异常检测中检测精度不高的问题,提出了一种基于多维度权重的最小角回归(LARS)算法解决Lasso问题。首先考虑每个回归变量在回归模型中所占权重不同,即此属性变量在整体评价中的相对重要程度不同,故在LARS算法计算角分线时,将各回归变量与剩余变量的联合相关度纳入考虑,用来区分不同属性变量对检测结果的影响;然后在LARS算法中加入主成分分析(PCA)、独立权数法、基于Intercriteria相关性的指标的重要度评价(CRITIC)法这三种权重估计方法,并进一步对LARS求解的前进方向和前进变量选择进行优化。最后使用Pima Indians Diabetes数据集验证算法的优良性。实验结果表明,在更小阈值的约束条件下,加入多维权重后的LARS算法对Lasso问题的解具有更高的准确度,能更好地用于异常检测。

用于在线预测静态电压稳定性的SIPSS-Lasso-BP网络

快速求解系统负荷能力极限是在线评估电力系统电压稳定性的基本要求。提出一种用于离线拟合并在线预测负荷能力极限的SIPSS-Lasso-BP网络。该网络由基于电网状态相似度指标(similarity index of power system state,SIPSS)的样本筛选方法、最小绝对值收缩选择(least absolute shrinkage and select operator,Lasso)方法和BP(back propagation)神经网络共同组成。基于SIPSS的样本筛选方法以样本负荷能力极限值和电网状态相似度量化指标为依据,对训练样本进行筛选。Lasso方法对训练样本进行回归分析,确定各状态量中对负荷能力极限最具有解释性的系统状态量。BP神经网络通过精简后的训练样本来离线拟合负荷能力极限并用于在线预测。通过新英格兰39节点算例和某省实际算例对SIPSS-Lasso-BP网络的测试结果表明,该方法能够在保证预测精度的情况下明显提高BP神经网络的离线训练效率。

双参数纹理分析结合机器学习在高级别前列腺癌中的诊断价值

目的对比MR双参数与多参数成像纹理及定量分析结合机器学习对高级别前列腺癌的诊断价值。资料与方法回顾性分析疑似前列腺癌并行前列腺多参数MRI和经直肠超声引导穿刺活检取得病理结果的194例患者,采用Omni-Kinetics软件分别在T2WI、表观扩散系数(ADC)、T1加权动态磁敏感增强(T1WI_DSC)序列勾画病灶所在全部层面兴趣区,提取病变区纹理及定量特征数据后采用多因素Logistic回归分析。应用受试者工作特征(ROC)曲线评价双参数(T2WI+ADC)与多参数(T2WI+ADC+T1WI_DSC)诊断高级别前列腺癌的差异。结果双参数诊断高级别前列腺癌的敏感度为82.61%,特异度为86.11%,准确度为84.75%;多参数诊断高级别前列腺癌的敏感度为86.97%,特异度为86.11%,准确度为86.44%。两验证组ROC曲线下面积差异无统计学意义(0.918比0.946,P=0.077)。结论MR双参数纹理分析结合机器学习诊断高级别前列腺癌有较高的准确性。

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。