基于KPCA⁃XGBoost机器学习的大跨体育场风荷载预测

大跨空间结构风荷载的取值是该类结构抗风设计关注重点,通常借助风洞试验或数值风洞确定,但其费用高周期长等特点限制其广泛应用.机器学习方法近年受到关注,逐渐应用于结构的风荷载预测并取得了不错的效果.利用核主成分分析(Kernel Principal Component Analysis,KPCA)对数据进行降维处理,借助可以集成学习的XGBoost机器学习模型,采用十折交叉验证对超参数进行选择,编写了基于机器学习的大跨空间结构风荷载预测程序.通过对多个已有工程项目风洞试验结果的学习训练和预测结果比对,证明该方法具有处理数据能力较强、预测效率较高及泛化能力较强等特点.随机选取未参与模型训练的风向角下数据进行模型准确性验证,结果表明模型的R2值均达到0.9左右,预测值与试验值较为接近,体型系数在迎风区的预测精度略低于背风区,而极值风压则在背风区的预测精度好于迎风区.

XGBoost-SHAP机器学习可解释框架用于轻度认知障碍分类研究

目的利用机器学习算法对轻度认知障碍(mild cognitive impairment,MCI)亚型分类有利于患者的个性化治疗,而复杂模型常因分类过程的内部机制不可洞察而饱受诟病,本研究借助可解释技术梳理模型的输出结果,以期为相关领域研究者的决策提供统计支持。方法本研究联合极限梯度提升(eXtreme Gradient Boosting,XGBoost)与沙普利可加性(SHapley Additive exPlanations,SHAP)构建可解释性框架,用于遗忘型MCI(amnestic MCI,aMCI)和非遗忘型MCI(non-amnestic naMCI)的分类,并根据联合框架输出结果进行解读。结果联合框架输出aMCI和naMCI的最佳分界值为0.51,XGBoost分类准确率、灵敏度、特异度、F1值、AUC分别为92.81%、94.94%、90.54%、0.93、0.96。SHAP个性化预测结果,7号和31号示例个体被预测为aMCI的概率分别为0.27和0.91;全局性解释结果,不同个体随着CEREALL、ORIENT、CDRSUM、LCMF、RSUPMAR、RMEDORBF、LPOSCENM等指标的shapley值增大,患aMCI的风险越大,上述指标可以解释为aMCI发生的危险因素,而RENT、MMSEORDA、CRAFTVRS等则相反,可以解释为aMCI发生的保护因素。结论XGBoost-SHAP联合框架用于MCI亚型分类效果较为理想,实现了特定个体不同特征预测效果的比较、不同个体给定特征预测能力的判断,为相关研究者打开了洞察复杂模型内在机制的大门。

基于XGBoost算法的机器学习模型在可疑交易监测领域的应用

当前洗钱手段复杂多样、变化迅速,基于规则的传统模型部分失效,可疑交易监测难度加大,对金融机构的可疑交易监测能力提出了新的挑战。文章创新性地提出基于XGBoost算法的机器学习模型在可疑交易监测领域的实际运用,从结果来看,预测效果优于传统模型。同时,文章将算法与业务相结合,分析了模型的可解释性,并提出金融机构应积极运用基于XGBoost算法的机器学习模型、高度重视构造有效特征集合和持续迭代模型参数的工作建议。

基于XGBoost机器学习算法的肺结节浸润性预测模型构建与验证:一项双中心研究

目的采用XGBoost机器学习算法构建一个临床影像模型,预测肺结节病理浸润性,并在一个外部验证组中对模型进行泛化性验证。方法回顾性纳入CT诊断为孤立性肺结节患者248例,分别提取肺结节区域和结节周围3mm、5mm区域的放射组学特征。经过从粗到细的特征选择后,使用最小绝对收缩和选择算子(LASSO)方法计算Radscore。采用单因素和多因素Logistic回归分析筛选与肺结节浸润性相关的临床放射学因素。然后,利用Logistic和XGBoost算法构建临床-放射组学联合模型,在一个独立的外部验证组(n=147)中评估模型的泛化性能。结果综合Radscore、CT值、肺结节长度、月牙征的临床放射学XGBoost联合模型对肺结节浸润性的预测效果优于放射组学模型、临床放射学Logistic联合模型,在训练队列中的曲线下面积AUC为0.889(95%CI,0.848~0.927),在外部验证组中曲线下面积AUC为0.889(95%CI,0.823~0.942)。结论我们采用XGBoost机器学习算法构建了一种预测肺结节浸润性的临床放射学模型,结果显示出令人满意的预测效能,并在一个独立外部验证组中得到了良好的泛化性验证,可以帮助临床医生指导肺结节的诊疗并制定评估策略。

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。

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。

基于机器深度学习的小麦播种机控制系统研究

针对我国小麦播种机自动控制系统的可靠性及灵敏度不高的问题,基于机器深度学习对小麦播种机的控制系统进行了设计和改进。小麦播种机的主要组成包括控制系统、排种系统、监控系统、电力系统、机架和驾驶室、覆土镇压和排肥装置。为了使播种机的控制系统能有效进行图像检测识别,提升播种机的控制精度,采用机器深度学习中的卷积神经网络算法对控制系统进行设计,并采用迁移学习的方式对模型进行训练和检测。为了验证播种机控制系统的性能,对其进行播种精度控制和播种性能测试试验,结果表明:播种机的精度和性能均符合播种机的设计要求。

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。

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。

基于生成式人工智能技术的对话机器人能促进在线协作学习绩效吗?

近年来,人工智能技术迅猛发展,对教育教学产生了巨大的冲击和影响,最引人注目的是基于生成式人工智能技术的对话机器人的兴起。为进一步提高在线协作学习绩效,研究旨在检验基于生成式人工智能技术的对话机器人对在线协作学习绩效、批判性思维意识及其知识激活量和贡献度的影响。研究邀请大学生参与在线协作学习,综合采用定量和定性相结合的研究方法,深度分析对话机器人的影响。研究结果表明,基于生成式人工智能技术的对话机器人不仅在其知识激活量、贡献度方面明显优于传统媒体,而且也能够显著提升在线协作学习绩效和批判性思维意识。文章深入分析和讨论了研究结果,并提出若干启示和建议。

基于深度学习的移动机器人语义SLAM方法研究

为了给移动机器人提供细节丰富的三维语义地图,支撑机器人的精准定位,本文提出一种结合RGB-D信息与深度学习结果的机器人语义同步定位与建图方法。改进了ORB-SLAM2算法的框架,提出一种可以构建稠密点云地图的视觉同步定位与建图系统;将深度学习的目标检测算法YOLO v5与视觉同步定位与建图系统融合,反映射为三维点云语义标签,结合点云分割完成数据关联和物体模型更新,并用八叉树的地图形式存储地图信息;基于移动机器人平台,在实验室环境下开展移动机器人三维语义同步定位与建图实验,实验结果验证了本文语义同步定位与建图算法的语义信息映射、点云分割与语义信息匹配以及三维语义地图构建的有效性。

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。

基于深度学习与机器视觉的起重机吊装安全监测方法

随着我国经济的快速发展,各类大型工程层出不穷,对起重机吊装作业的需求不断增加。然而,吊装作业过程中依然存在众多的安全隐患,极易造成人员伤亡等安全事故。因此,该文提出一种基于深度学习和机器视觉的起重机吊装安全监测方法。将深度学习与机器视觉相结合对监控图像中的被吊物和工人进行识别和定位,同时可自主判断工人是否佩戴安全帽。根据监测模型的识别和定位信息,获得工人与被吊物之间的空间关系,为起重机吊装过程提供安全预警信息。为了提高所提方法的实用性和便携性,开发一个起重机吊装安全智能监测系统,不仅可以实时显示监控图像的识别结果,而且能够输出场景的语义描述、发出安全预警信号。

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。

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。

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。