量子机器学习综述

近年来,机器学习一直是被关注和探讨的研究热点,被应用到各领域并在其中起着重要作用.但随着数据量的不断增加,机器学习算法训练时间越来越长.与此同时,量子计算机表现出强大的运算能力.因此,有研究人员尝试用量子计算的方法解决机器学习训练时间长的问题,量子机器学习这一领域应运而生.量子主成分分析、量子支持向量机、量子深度学习等量子机器学习算法相继被提出,并有实验证明了量子机器学习算法有显著的加速效果,使得量子机器学习的研究展现出逐步走高的趋势.对量子机器学习算法进行综述.首先介绍量子计算基础;然后对量子监督学习、量子无监督学习、量子半监督学习、量子强化学习以及量子深度学习5类量子机器学习算法进行介绍;接着对量子机器学习的相关应用进行介绍并给出了算法实验;最后进行总结和展望.

可解释机器学习在油气领域人工智能中的研究进展与应用展望

人工智能作为战略性新兴产业及新质生产力正迅速地渗透入油气领域,并有望成为行业发展的新引擎和制高点。“黑盒”的机器学习模型缺乏透明度和可解释性,导致现有机器学习方法在油气领域的认可度和信任度不高,制约了以机器学习为核心的人工智能在油气田中的融合和发展。为此,系统介绍了可解释机器学习方法在油气田勘探开发过程的研究现状,阐述了机器学习模型的可解释性是促进油气领域人工智能大规模应用的关键,以及事后可解释方法在油气机器学习方法上的局限性,并对技术的应用进行了展望。研究结果表明:(1)利用Shapley加性解释(SHAP)和模型无关局部解释(LIME)等事后可解释方法进行煤层气产能主控因素实例验证,指出了可解释的油气田特征指标还不足以完全指导可解释模型的构建和分析,需要基于本质可解释思路建立符合油气田勘探开发自身特点的本质可解释机器学习方法;(2)利用机理模型、因果推断和反事实解释等本质可解释方法,分析油气田数据和模型参数之间的因果关系,构建了本质可解释机器学习方法;(3)选取典型煤层气压裂数据进行产能预测实例验证,发现因果推断能有效挖掘地质参数、施工参数和产能之间的本质关系,且基于因果关系建立的机器学习模型可以实现预测泛化性能提升。结论认为,基于事后可解释和本质可解释机器学习方法不仅是未来油气领域人工智能发展的必然趋势,而且是解决人工智能在油气领域现场落地的“瓶颈”问题及关键技术。

机器学习安全推理研究综述

【目的】对机器学习安全推理现有的研究工作进行分析,对未来的研究方向进行展望。【方法】以不同方案的安全假设为分类依据,对采用不同的技术组合、应用于不同机器学习场景的安全推理技术进行分析比较。【结果】目前的方案可实现机器学习的安全推理,但在计算效率、安全保护能力、可扩展性以及实际应用场景的适应性方面存在局限。【局限】受限于能够获取到的资料,未能对所分析的方案在同一基准下进行实验及比较。【结论】根据应用场景进行机器学习安全推理的方案设计,在确保安全的前提下提高可用性并降低开销成本,将是该领域的长期发展方向。

机器学习方法在盾构隧道工程中的应用研究现状与展望

随着盾构隧道工程信息化水平的提升,隧道掘进设备作业过程监测技术日益完善,记录的工程数据蕴含了掘进设备内部信息及其与外部地层的相互作用关系。机器学习因其数据分析能力强,无需先验的理论公式和专家知识,相较于传统的建模统计分析方法具有更大的应用空间。通过机器学习方法对收集的信息与数据进行深度挖掘并分析其内在联系,有助于提升盾构隧道工程建设的效率和安全保障水平。简述机器学习方法的基本原理,总结和分析机器学习方法在盾构工程中的应用研究状况,综述基于机器学习的盾构设备状态分析、盾构设备性能预测、围岩参数反演、地表变形预测和隧道病害诊断等5个方面的进展,并分析当前研究的不足。最后,分析盾构隧道工程向智能化方向发展需重点攻克的难题。

基于机器学习的空气源热泵干燥能耗回归预测

为了降低空气源热泵干燥过程能耗,研究了空气源热泵干燥能耗特性,采用多元线性回归模型(multivariate linear regression model, MLRM)和BP神经网络(back propagation neural network, BPNN)模型来预测干燥工艺能耗。在分析干燥能耗影响特征参数的基础上,提出将干燥工艺过程进行切分处理的方法以降低数据获取难度。选取烘房设定温度、烘房设定湿度、烘房初始温度、烘房初始湿度、环境平均温度、环境平均湿度、物料质量和初始含水率8个特征参数作为模型输入,能耗和物料结束含水率作为模型输出。使用MLRM模型、BPNN模型和其他机器学习模型进行能耗预测,MLRM模型对能耗拟合的决定系数为0.739,对物料结束含水率拟合的决定系数为0.931;BPNN模型使用Sigmoid函数作为激活函数时对能耗拟合的决定系数最高,为0.828,使用Identity函数作为激活函数时对物料结束含水率拟合的决定系数最高,为0.942,拟合效果优于其他机器学习模型,能够满足实际生产需求。以复水豌豆为干燥对象设计加载物料65 kg、持续时间4 h的完整变温变湿干燥工艺进行验证试验,结果表明:试验总能耗为15.066 kW·h,MLRM模型和BPNN模型的预测总能耗分别为14.476 kW·h、15.183 kW·h,预测精度分别为96.08%、99.23%;试验结束含水率为8.541%,MLRM模型和BPNN模型的预测结束含水率分别为9.560%、8.889%,预测精度分别为88.07%、95.93%。该研究提出了一种使用MLRM模型和BPNN模型对空气源热泵干燥能耗进行分段精准预测的有效手段,对于优化干燥工艺和降低干燥能耗具有实际意义。

基于机器学习的数据库系统参数优化方法综述

参数优化是影响数据库性能和适应性的关键技术,合理的参数配置对于保障数据库系统的高效运行至关重要,但由于参数较多且参数间具有强关联性,传统参数优化方法难以在高维连续的参数空间中寻找最优配置,机器学习的发展为解决这一难题带来新的机遇。通过总结和分析相关工作,将已有工作按照发展时间和特性分为专家决策、静态规则、启发式算法、传统机器学习方法和深度强化学习方法。对数据库参数优化问题进行定义,并说明启发式算法在参数优化问题上的局限性。介绍基于传统机器学习的参数优化方法,包括随机森林、支持向量机、决策树等,描述机器学习方法解决参数优化问题的一般流程并给出一般实现。由于需要大量带标注的数据,传统机器学习模型在适应性和调优能力等方面存在不足。侧重介绍深度强化学习模型的工作原理,定义参数优化问题与深度强化学习模型的映射关系,比较基于深度强化学习的相关工作对数据库性能提升、模型训练时间和涉及的技术,描述基于深度神经网络构建和训练智能体的具体流程。最后,总结已有工作的特点,对当前机器学习在数据库参数优化方面的研究热点和发展方向进行展望,指出多粒度调优、自适应算法和自运维是未来的研究趋势。

机器学习在人工增雨效果统计检验中的应用

利用福建省古田人工增雨试验基地2014年1月—2023年1月小时自然降水数据,结合线性拟合、多项式回归和样条回归等多种数学统计方法,开展决策树、支持向量机(SVM)和卷积神经网络(CNN)3种机器学习方法在估测目标区自然降水中的应用研究。目标区和对比区自然雨量关系模型对比结果表明:以区域平均面雨量为统计变量时,CNN和四项式回归效果相对较好,其中CNN的确定系数为0.516,均方根误差为1.097 mm;对平均面雨量进行六次方根变换后,各模型的精准度大幅提升,CNN表现最优,确定系数为0.658,其次为SVM;为克服目标区和对比区雨量时间序列效应及空间分布不均等问题,以面雨量空间格点数据作为研究对象,采用CNN 3种优化器(自适应矩估计、均方根传递和梯度随机下降)算法进行对比,发现基于自适应矩估计优化器建立目标区和对比区雨量关系模型最优,其降水估测值与实测值更接近,均方根误差最小,为0.61 mm。因此,利用CNN方法能够进一步优化目标区和对比区雨量关系模型,可为定量评估人工增雨效果提供参考。

基于机器学习的成本法在专利价值评估中的应用研究--以“新能源汽车”为例

[目的/意义]构建基于机器学习的成本法专利价值评估方法,快速识别海量专利的实际成本,并预测其价值区间,在为专利价值评估提供新研究思路的同时,也为专利转移转化定价提供了参考借鉴。[方法/过程]通过Innography数据库与Incopat数据库下载“新能源汽车”领域多指标专利数据,提取专利成本影响因素与专利价值影响因素,并形成专利数据训练集与专利数据预测集;构建AutoGluon机器学习分类算法,将包含成本数据的Innography专利数据训练集导入模型进行训练,并将训练好的模型对Incopat专利数据预测集进行成本预测;最后使用成本法并结合本研究提出的专利价值指数对预测结果进行计算,估算其价格区间。[结果/结论]通过实证分析与结果验证可知,本研究构建的基于机器学习的成本法专利价值评估方法在预测专利价值区间中具备一定有效性,为促进专利价值评估研究深化及专利转移转化定价实践发展提供了参考。

机器学习视角下风味分子研究及其在茉莉花茶中的应用

旨在探讨机器学习在风味分子研究领域的应用,尤其是其在茉莉花茶风味分析中的实践。风味分子的研究是理解和优化食品、特别是茶类饮品味道和品质的基础。机器学习技术的引入为风味分子的识别和分析打开了新的视野。概述了风味分子的基本概念和研究方法,详细讨论了机器学习在解析分子结构与风味特性关系、茉莉花茶品质预测与控制、风味分析、预测与优化、智能化加工等方面的应用,并提出了研究展望,以期为提升茉莉花茶的品质和茶产业发展提供技术支持。

基于不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki⁃67表达的价值

目的:基于动态增强磁共振成像(DCE⁃MRI)探究不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki⁃67表达状态的价值。方法:回顾性分析于本院行双乳磁共振检查患者,按照纳入排除标准最终纳入患者156例,按照7∶3比例分为训练集和测试集。通过单因素分析、最小绝对收缩和选择算子法和递归特征消除进行特征筛选,筛选出不同数量特征分别通过5种机器学习算法建立影像组学模型来预测浸润性乳腺癌Ki⁃67表达状态。比较不同模型的受试者工作特征曲线下面积(AUC)并计算准确率和F1度量值评估其性能,校准曲线评估模型拟合度,并应用DeLong检验比较不同模型间的差异性。结果:同一分类器在不同的特征数下预测性能不同。在基于DCE⁃MRI提取的3个特征下,5种模型的预测性能相对较好,其中支持向量机的整体性能最优,AUC、准确率和F1度量值在训练集分别为0.95、0.95、0.90,在测试集分别为0.88、0.79、0.74。DeLong检验显示,在基于3个特征的5个模型中,支持向量机与逻辑回归的性能差异有统计学意义(P<0.001),与其余3个模型无统计学差异。结论:基于DCE⁃MRI所构建的影像组学模型可以预测浸润性乳腺癌Ki⁃67表达状态,该方法有望为临床医生对浸润性乳腺癌的术前干预和预后提供指导。

基于机器学习的“一带一路”投资国别风险预测研究

“一带一路”倡议提出十年间,中国对沿线国家的投资规模持续扩大。然而,企业在抓住机遇,进行“一带一路”沿线国家投资的同时,也需要重点关注“一带一路”投资国别风险。本文从政治、经济、社会和对华关系4个维度构建“一带一路”投资国别风险预测指标体系;运用灰色关联分析计算样本国家的综合风险评价值;基于2012~2022年间“一带一路”沿线国家的数据,利用机器学习构建GA-BP神经网络、支持向量回归和随机森林3种预测模型;通过对比预测精度,确定最佳预测模型,利用2021年的指标数据,对2022年的投资国别风险进行预测。研究结果表明:(1)在“一带一路”投资国别风险的研究背景下,支持向量回归模型预测效果最优,证明机器学习模型能够有效应用于风险管理领域;(2)“一带一路”投资国别风险存在明显的地区差异,中东欧地区和东南亚地区投资国别风险普遍较低,而南亚地区投资国别风险普遍较高,但都存在特例。本文研究结果可为“走出去”企业在“一带一路”沿线国家的投资决策提供参考。

建筑基本周期多因素机器学习预测模型

建筑物基本周期是其最重要的动力特性参数,影响因素众多。受限于曲线拟合的传统建模手段,目前的基本周期预测模型表达式中仅能包含高度或层数等单一因素,而忽略其他因素的影响。数据驱动机器学习方法的出现,为建筑周期多因素预测模型的建立提供了新思路。研究从大量文献中收集整理了2561条建筑周期的实测数据,形成了包含建筑高度、层数、材料、功能、地区等多因素的建筑周期实测数据库。建立了具有自学习能力的建筑基本周期多因素机器学习预测模型,避免了一般机器学习模型中繁琐的参数调节过程,提升模型的鲁棒性和适用性。与传统模型结果的对比表明:所提预测模型的适用结构类型范围广、准确性更高,配合云端服务器可形成一种全新的、开放式自学习的建筑周期预测模式。

机器学习驱动锅炉燃烧优化技术的现状与展望

伴随可再生能源发电装机容量快速增加,深度调峰过程中负荷多变、燃烧失稳等不稳定工况对火电机组的燃烧优化控制提出了更高要求,快速发展的人工智能技术与深度学习算法为锅炉参数预测建模及优化提供了重要手段。在机器学习算法方面,总结了特征筛选与建模算法的研究现状,提出了传统统计学方法与线性降维方法的科学解释性较差且不能很好地辨识高维数据,结合深度学习算法的特征筛选方法在处理复杂的火电机组数据时优势更明显;对比了多种神经网络在NO_(x)排放浓度建模中的优缺点,其中长短期记忆神经网络与卷积神经网络在处理时序数据时效果更好、集成模型通过组合不同学习器的优势可提高整个模型的泛化能力和鲁棒性。在预测模型的应用方面,通过对SCR脱硝系统建立预测模型可以方便运行人员模拟并修正可调参数,同时作为软测量手段监测燃烧系统运行状态;引入NO_(x)排放浓度预测模型的前馈控制和模型预测控制等先进控制手段可有效改善火电机组传统PID控制效果较差的问题;在多目标优化中NO_(x)脱除效率通常与锅炉效率或脱硝成本共同作为优化目标,以期实现经济效益与社会效益的和谐统一。

基于机器学习的上市公司审计风险识别

审计风险的准确识别有助于提高会计师事务所执业质量、规范上市公司行为,对于促进资本市场健康运行至关重要。因此,本文提出了一种机器学习框架,主要由因变量增强、自变量筛选和LightGBM模型训练三部分组成,以准确识别上市公司的审计风险水平。通过利用沪深两市A股上市公司2005—2019年的28918个样本进行实证分析,结果表明本文所提出的机器学习框架在高审计风险样本中的识别准确性达到94%,显著优于传统的审计风险识别方法,并且发现真实盈余管理、市场化程度、会计稳健性、预付账款和其他应收款占总资产的比重、每股经营活动现金流量等变量对于准确识别审计风险起到重要作用。

基于机器学习的耐碳青霉烯类肠杆菌感染风险因素分析

目的探讨医院耐碳青霉烯类肠杆菌(CRE)感染的机器学习模型及风险因素分析。方法回顾性收集2018—2022年在该院治疗的451例产超广谱β内酰胺酶(ESBL)的肠杆菌感染患者病例资料,根据其对碳青霉烯是否耐药分为CRE组(115例)和敏感组(336例)。用Logistic回归分析、随机森林、支持向量机、神经网络4种机器学习方法构建预测模型并绘制受试者工作特征曲线进行评估,根据性能最好的预测模型分析CRE感染的风险因素。结果随机森林模型性能最优,其曲线下面积最大,为0.9523。随机森林模型预测CRE感染的风险因素为发热超过3 d、有脑损害、引流液标本、躯干手术、一级或特级护理、ICU治疗、降钙素原、抗厌氧菌治疗、用3代头孢、年龄、前清蛋白、肌酐、白细胞计数和清蛋白15项临床资料。结论该研究得出的CRE预测模型具有较好的预测价值,其风险因素对于临床防治CRE早期感染有指导意义。

机器学习预测有机水污染物光催化降解速率

为了预测有机污染物的光催化降解速率,探究污染物分子结构与其降解速率之间的构效关系,设计了一种基于分子指纹的机器学习模型。该模型使用81种有机污染物的523条记录作为模型数据,将污染物MACCS分子指纹与5种实验条件(辐照度、温度、催化剂用量、污染物初始浓度和pH值)作为输入特征,采用10种机器学习算法进行建模。结果显示LightGBM算法性能最佳(R~2=0.909 4)。利用沙普利加法解释(Shapley additive explanations, SHAP)框架评估了各输入特征对光催化降解速率的贡献程度,探讨了各输入特征影响光催化降解速率的具体原因。分析表明,在光催化降解中污染物本身结构特征是影响光催化降解速率的主要原因。而且结构中含有卤素原子、N原子和不饱和碳的污染物分子降解速率最快,而结构中含有醚键或羰基的污染物分子降解速率最慢。

基于机器学习的软土压缩模量预测及沉降分析

目前,常规土体试验及预测方法都难以准确获得压缩模量E_(s)。现基于机器学习理论建立一种非参数集成优化法计算E_(s),并与传统回归模型对比分析。从昆明地铁5号线会展中心场地选取203组泥炭质土物理力学指标样本,结合工程经验,选取其中8个重要的物理指标作为输入集,利用遗传算法优化BP神经网络输入层、隐含层及输出层之间的权值及阈值,采用相关系数R、正确率ACC及均方根误差RMSE多个评估指标优化确定算法的重要参数,将建立好的模型应用于多种土体,并与目前应用较多的方法对比分析,最后比较经验公式与本文方法预测地基沉降的性能。结果显示,GA-BP神经网络方法对分析样本适应性强、算法收敛快、所得结果精准可靠,具有较大优越性。该方法对软土场地多参数预测具有一定的指导意义。

机器学习在膀胱癌影像学诊断中的研究进展

膀胱癌早期诊断和准确分期是提高患者生存率的关键。传统的影像学诊断方法存在一定的局限性,且受诊断医师主观因素影响。近年来,机器学习技术在医学影像领域取得了快速发展,在膀胱癌影像学诊断中也显示出良好的应用前景。现就机器学习应用于膀胱癌分期分级、预后、治疗反应性等方面的研究进展、局限及展望作一综述。

基于机器学习的寒区渠道冰情的遥感监测方法

寒区渠道冬季运行时常出现冰情,控制平封的封冻过程会大幅降低渠道输水能力,调控不当甚至可能产生冰塞、冰坝等灾害。国内外开展了大量渠道冰情研究,以期提升渠道冰期输水能力,但受限于观测资料的时空密度,数值模拟结果难以验证,调度决策缺少依据。遥感技术因其具有监测范围大、时效性高的特性,在渠道冰情监测中具有较大的应用潜力。为探索适用于寒区渠道冰情遥感监测的方法,该研究以南水北调中线京石段明渠段为研究区,基于Sentinel-2影像的11个波段反射率构建了完全特征、优选特征和组合特征3类特征空间数据集,作为支持向量机(support vector machine,SVM)、最大似然估计(maximum likelihood estimation,MLE)、随机森林(random forest,RF)分类算法输入,训练得到了9个地物分类器,用于渠道结冰范围识别,并采用北拒马闸前影像渠道结冰范围提取试验,对比不同分类算法和输入特征组合下的分类性能。结果表明:在渠道结冰范围识别中,近红外、可见光和短波红外是关键波段。在样本数量有限的条件下,SVM算法结冰范围识别精度最高,不同特征输入下制图精度(producer’s accuracy,PA)可达85.10%~87.91%,错分误差(commission error,CE)为10.84%~16.08%;RF算法在完全特征和优选特征输入下分类精度与SVM接近,PA为84.67%~86.61%,CE为13.76%~14.41%,但其在组合特征下分类结果严重偏离实际;MLE算法在3类特征下的分类精度均较低,不适宜作为渠道结冰范围识别算法。综合来看,SVM算法对特征空间敏感性较低,在不同的特征输入下均能实现渠道结冰范围的高精度提取;RF算法对特征空间敏感性较高,当输入特征发生变化时,结冰范围识别精度不稳定。最后以完全特征下的SVM算法为例,进行了分类器的时空泛化性验证,结果表明模型在不同时间、不同渠段下,制图精度不低于82.09%,错分误差不高于13.82%,分类模型精度均较好,能有效识别渠道结冰范围。该研究方法可为寒区输水工程冰情监测提供新思路,亦可为类似工作提供参考。

新文科背景下基于Blockly的机器学习实验教学平台设计与实现

在新文科建设背景下,针对文科学生编程经验少、机器学习实验上手难的问题,设计并实现一种基于Blockly编程的机器学习实验教学平台。该实验平台由教师管理端、学生实验端、系统管理端和公共模块四部分构成,采用B/S架构,由计算机编程语言Python和可视化编程工具Blockly实现。并以机器学习中的“自然语言处理”为实验教学案例,全面呈现该实验教学平台与实验教学任务结合的具体应用实践。