机器学习方法在热工学课程教学中的应用

随着人工智能和数据科学的迅速发展,机器学习方法在各个领域中均展现出巨大的潜力。在热工学教学中,机器学习的适当引入可以帮助学生更好地理解课程内热力学和传热学方向的关键理论,提高他们解决问题的能力和创新思维。本文将介绍机器学习方法在热工学中的应用前景,并探讨如何在具体的课程知识点中引入机器学习的内容,以提高学生的学习效果和促进热工学的教学改革。

基于机器学习方法的内容推荐系统探究

随着信息技术的日益发达,互联网上信息爆炸式增长。如何让用户在海量信息中找到自己感兴趣的内容已经成为了一个亟待解决的问题。在这样的背景下,内容推荐系统应运而生。本文详细描述了基于机器学习方法的内容推荐系统的架构、算法、设计和实现,希望能够为内容推荐系统的效果带来更大程度的提升。

基于可解释机器学习方法的RC深受弯构件开裂剪力预测

钢筋混凝土(Reinforced Concrete,RC)深受弯构件易发生脆性剪切破坏,斜裂缝产生及发展伴随全过程,开裂剪力是关键指标之一.建立了276根含开裂荷载信息的RC深受弯构件受剪试验数据库,采用机器学习XGBoost集成算法预测其开裂剪力,并采用5项统计指标评估机器学习模型的预测性能.从无腹筋和双向腹筋两类工况,对比了所建机器学习模型与5个半经验半理论计算公式的预测结果,表明所建预测模型的预测精度较高且离散性小,其R2为91%,预测值与试验值比值的均值为0.99,标准差为0.27.此外,采用SHAP(SHapley Additive exPlanations)可解释性方法对机器学习模型预测结果进行全局解释和局部解释,特征重要性排序由重要到一般依次为:加载板宽度、截面高度、混凝土抗压强度,表明所建模型及可解释性方法是符合机理的.

基于机器学习方法的安防系统探究

在现代智能化技术、计算机技术不断发展下,智能家居安防系统也迎来了新的发展契机,基于现代科学技术与高端设备进行智能家居安防系统的升级设计成为当前人们所关注的重点。本文在明确机器学习方法概念基础上,分析了当前智能家居安防系统现状,然后针对基于机器学习方法的智能家居安防系统设计与应用做出简要的论述。

自然语言信息抽取中的机器学习方法研究

信息抽取是一种用于处理各种类型文本文档的非常有效的方法,然而建立一个文本信息抽取系统却是非常困难和耗费时间的。近年来,基于统计的机器学习方法在信息抽取领域的研究受到了广泛关注。本文深入探讨了当前自然语言信息抽取领域广泛采用的几种非常有效的统计学习方法,比较分析了各种方法的统计推断过程和学习算法及其优缺点,讨论了各种统计学习方法所面临的训练语料匮乏问题的主要解决方法,并指出了今后进一步研究的方向。

基于分子描述符和机器学习方法预测和虚拟筛选乳腺癌靶向蛋白HEC1抑制剂

HEC1(癌症高表达蛋白)是纺锤体检查点控制、着丝粒功能、细胞存活的关键的有丝分裂调节器,与原发性乳腺癌的不良预后有关.筛选具有高亲和力的HEC1新型抑制剂对探索乳腺癌的靶向治疗具有重要意义.本文从结构多样性的化合物库中筛选HEC1抑制剂.通过对分子描述符的特征筛选,采用支持向量机(SVM)和随机森林(RF)方法分别对HEC1抑制剂和非抑制剂建立了分类模型.经对比,RF模型显示了更好的预测精度.我们采用RF模型对HEC1抑制剂进行了虚拟筛选,从"in-house"实体库筛选得到2个潜在的HEC1抑制剂分子.随后对筛出的化合物进行了体外活性实验,发现对乳腺癌细胞株MDA-MB-468和MDA-MB-231均有一定程度的抗肿瘤活性.研究结果表明,机器学习方法对于设计和虚拟筛选HEC1抑制剂有良好的效果.

采用机器学习方法建立Ⅰ类切口手术患者使用抗菌药物合理性的评价模型

目的:建立Ⅰ类切口手术患者使用抗菌药物合理性的评价模型,为临床药师进行处方点评提供依据。方法:以某院2017年1月1日-2017年12月31日住院的432例Ⅰ类切口手术患者作为研究对象,提取患者年龄、院内感染、使用抗菌药物的种类数等多项诊疗信息;结合临床药师对患者预防及治疗使用抗菌药物合理性的点评结果,以抗菌药物类别(预防或治疗使用)为因变量、患者诊疗信息为自变量,分别利用机器学习方法中的非条件Logistic回归法和支持向量机法,将药师点评结果转化为机器学习模型可识别的客观指标,建立Ⅰ类切口手术患者使用抗菌药物合理性的分类判别模型,并以灵敏度、特异度、约登指数等为指标,另采用61例Ⅰ类切口手术患者样本对建立的模型进行验证;收集使用模型前(人工点评,2017年1-12月)、后(2018年1-10月)Ⅰ类切口手术患者使用抗菌药物处方合理性点评情况,对模型效果进行应用评价。结果:以非条件Logistic回归法建立的模型的灵敏度为65.63%、特异度为75.00%、约登指数为40.63%;以支持向量机法建立的模型主要参数gamma为0.01、cost为10,其灵敏度为92.19%、特异度为87.50%、约登指数为79.69%,支持向量机法建立的模型优于非条件Logistic回归法;对采用支持向量机法建立的模型进行验证,结果灵敏度为100%、特异度为88.57%、约登指数为88.57%;与使用模型前比较,使用模型后处方点评比例由69.44%升高到100%,抗菌药物预防使用率由23.84%下降到16.43%,品种选用合理率由37.86%升高到54.39%,使用疗程由5.01 d缩短到3.26 d。结论:应用机器学习方法中的支持向量机法建立Ⅰ类切口手术患者使用抗菌药物的评价模型,可实现处方点评全覆盖,提高Ⅰ类切口手术患者使用抗菌药物的合理水平,同时为药师的处方点评工作提供了新思路。

基于机器学习方法的丙型肝炎病毒非结构蛋白5B聚合酶抑制剂活性预测(英文)

在丙型肝炎病毒(HCV)的基因复制和蛋白质成熟的过程中,非结构蛋白5B(NS5B)作为RNA依赖的RNA聚合酶起到了重要的作用.抑制NS5B聚合酶可以阻止丙型肝炎病毒的RNA复制,因此成为一种治疗丙型肝炎的有效方法.通过计算机方法进行虚拟筛选和预测NS5B聚合酶抑制剂已经变得越来越重要.本文主要采用机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5DT))对已知的丙型肝炎病毒NS5B蛋白酶抑制剂与非抑制剂建立分类预测模型.1248个结构多样性化合物(552个NS5B抑制剂与696个非NS5B抑制剂)被用于测试分类预测系统,并用递归变量消除法选择与NS5B抑制剂相关的性质描述符以提高预测精度.独立验证集的总预测精度为84.1%-85.0%,NS5B抑制剂的预测精度为81.4%-91.7%,非NS5B抑制剂的预测精度为78.2%-87.2%.其中支持向量机给出最好的NS5B抑制剂预测精度(91.7%);C4.5决策树给出最好的非NS5B抑制剂预测精度(87.2%);k-最近相邻法给出最好的总预测精度(85.0%).研究表明机器学习方法可以有效预测未知数据集中潜在的NS5B抑制剂,并有助于发现与其相关的分子描述符.

基于机器学习方法的激素敏感脂肪酶抑制剂活性预测(英文)

脂肪组织中,激素敏感脂肪酶(HSL)被认为是调节脂肪酸代谢的关键限速酶.HSL在糖尿病的发病过程中起重要作用,抑制HSL活性有助于糖尿病的治疗,因此探索新颖的HSL抑制剂成为当前研究的热门.在激素敏感脂肪酶的作用机制和三维结构缺乏的情况下,需要发展预测HSL抑制剂的方法.本文采用几种机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5DT))对已知的HSL抑制剂与非抑制剂建立分类预测模型.252个结构多样性化合物(123个HSL抑制剂与129个HSL非抑制剂)被用于测试分类预测系统,并用递归变量消除法选择与HSL抑制剂相关的性质描述符以提高预测精度.本研究对独立验证集的总预测精度为75.0%-80.0%,HSL抑制剂的预测精度为85.7%-90.5%,非HSL抑制剂的预测精度为63.2%-68.4%.支持向量机方法给出最好的总预测精度(80.0%).本研究表明支持向量机等机器学习方法可以有效预测未知数据集中潜在的HSL抑制剂,并有助于发现与其相关的分子描述符.

机器学习方法用于选择性环氧化酶-2抑制剂活性预测模型的建立

与传统的非甾体类消炎药相比,选择性环氧化酶-2抑制剂具有无胃肠道粘膜损伤,溃疡和肾功能障碍等严重的副作用,设计选择性环氧化酶-2抑制剂具有重要意义。本文用支持矢量学习机和神经网络两种机器学习方法建立选择性环氧化酶-2抑制剂的活性预测模型,以期为选择性环氧化酶-2抑制剂药物的合成提供先导化合物。我们将467个环氧化酶-2抑制剂用Kennard-Stone方法分为训练集,验证集和独立测试集,对每一抑制剂分子我们计算了463个包含组成描述符和拓扑描述符的分子描述符来表征其分子结构,并通过F-Score方法选取最重要的分子描述符用于分类模型的建立。结果表明,SVM方法通过变量筛选后具有很好的预测能力,其预测正确率达到93.30%。

核机器学习方法及其在生物信息学中的应用

核机器学习方法是一种基于统计学习理论和核函数的机器学习方法。本文阐述了核机器学习方法的基本原理,介绍了目前常用的几种核机器学习方法,给出了构造新的核函数的原则,总结了结构数据核函数的研究现状。在此基础上,以生物信息学为背景,着重指出了当前序列数据的核函数在生物信息学中的应用进展。

基于临床QCT影像的机器学习方法预测骨强度

当今人口老龄化现象日益显著,骨质疏松、骨质增生等骨退变疾病是中老年群体的常见病、多发病。2018年10月国家卫健委发布的调查结果显示,我国65岁以上人群骨质疏松症患病率高达32.0%;50岁以上人群低骨量率为46.4%。骨质疏松最严重的后果是骨折。骨折的原因是骨的强度/刚度降低,不足以承担外部载荷。临床上常用的评价骨强度的方法是双能X线骨密度仪测量骨密度,然而,测量得到的是二维面积密度,不能准确反映骨强度和相应的骨折风险。骨是具有多层次结构的活的组织,其整体强度由骨的几何形态(包括宏观形态,即宏观形状和大小等,和内部骨小梁结构的排列)和骨材料/骨质的强度(包括矿化程度、胶原特性、显微损伤情况等)决定。基于临床医学影像的生物力学建模仿真方法(又称生物力学CT),是当今技术上最先进的无创评价骨强度的方法。然而,这种生物力学建模仿真方法对于力学要求高,临床医学工作者不容易掌握。因此,迫切需要建立起更为简单方便操作的基于临床医学影像评价骨强度和骨折风险的方法。本研究建立了基于临床QCT影像的机器学习模型,首先根据临床QCT影像建立个体化非线性有限元模型(QCT/FEA)预测骨强度,作为机器学习模型的输出,然后选取临床QCT影像中可以提取的与骨强度高度相关的信息作为输入,并采用参数筛选和参数降维的方法对输入参数进行处理,机器学习模型采用广义回归神经网络(GRNN)和支持向量机(SVM)。具体流程如下:(1)建立基于临床QCT影像的非线性有限元模型计算骨强度:QCT扫描获得骨影像,在Mimics软件里建立三维几何模型,并生成体网格,赋予横观各向同性、非均匀、弹塑性材料属性,在ABAQUS软件中施加载荷和边界条件,给出合适的失效准则,进行非线性显微有限元分析,计算得到骨强度,作为机器学习模型的输出量。(2)机器学习模型的输入量:包括松质骨的材料分布(灰度分布在1、2、5、8、10、15、20、25、30、40、45、50、60、70和75%位点处的灰度值)、骨内区域灰度值(整体、皮质骨和松质骨分区域灰度值)、以及综合特征参数。利用训练集内骨结构的输入量和非线性有限元分析计算的骨强度作为输出量,建立广义回归神经网络和支持向量机两种机器学习模型,并用测试集内骨结构的输入量预测骨强度,用QCT/FEA计算的骨强度来验证机器学习模型的预测效果。即将测试集样本的QCT/FEA计算强度和机器学习模型预测强度绘制Bland-Altman图,分析QCT/FEA模型和机器学习模型所预测椎体强度之间的差异。结果表明,用参数筛选方法和参数降维方法获得一些参数的组合,两种机器学习模型对于骨强度的预测效果很好,且无显著性差异。为了验证训练好的机器学习模型对新样本强度的预测能力,从社区医院随机选取志愿者的QCT影像,运用QCT/FEA计算骨强度,机器学习模型预测骨强度,从相对误差可见机器学习模型预测骨强度准确性较高(相对误差小于8%)。本研究表明,采用基于临床QCT影像的机器学习模型可以有效地预测骨强度,为个体化骨折风险的评估提供了理论方法,便于临床制定相关治疗和干预策略。基于QCT影像预测骨强度不仅可以保证精度,而且对医护人员的操作技术要求较低,因此该方法具有广阔的应用前景。机器学习模型在股骨、脊柱、桡骨和胫骨等部位的强度预测、骨折风险评估方面具有很大的应用潜力。

生物信息学中机器学习方法对中医药复杂系统的研究

论述了机器学习方法的产生和基本内容,论述了中医药的复杂性,从事例到理论上说明两者之间的内在联系性,特别论述了现代基因决定论下中医理论的发展前景。

融合多机器学习方法的siRNA在线设计系统

siRNA设计是RNAi研究中的一个重要部分。由于靶向基因可分割成数以千计的候选siRNA,找到其中最有效的siRNA具有一定的挑战性。本文融合特征分析研究成果和多机器学习方法,设计并实现了一个siRNA在线设计系统。将目标RNA的二级结构作为影响siRNA干扰效率的评分因素,以挑选靶向合适位置的siRNA序列。对于给定的目标基因,系统经过设计得出若干高效siRNA序列的沉默效率及其相关信息。实验测试结果表明,本系统具有较高的siRNA有效性预测精度。

基于机器学习方法的H1N1神经氨酸苷酶抑制剂的分类预测

流感是一种主要的呼吸道传染病,在普通人群中有着较高的发病率,而对于一些年老和高危病人还有较高的死亡率.研究显示抑制神经氨酸苷酶(NA)可以阻断病毒RNA复制,因此NA是有效治疗H1N1型流感病毒的重要药物靶标.通过计算机方法进行虚拟筛选和预测NA抑制剂已经变得越来越重要.针对酶活性位点进行基于结构的合理药物设计,开发H1N1病毒神经氨酸苷酶抑制剂,已成为药物研究的热点之一.本文通过多种机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5DT))对已知的神经氨酸苷酶抑制剂(NAIs)与非神经氨酸苷酶抑制剂(non-NAIs)建立分类预测模型.其中227个结构多样性化合物(72个NAIs与155个non-NAIs)被用于测试分类预测系统,并用递归变量消除法选择与神经氨酸苷酶抑制剂分类相关的性质描述符以提高预测精度.本研究对独立验证集的总预测精度为75.9%-92.6%,NA抑制剂的预测精度为64.3%-78.6%,非H1N1抑制剂的预测精度为77.5%-97.5%.SVM法给出最好的总预测精度(92.6%).本研究表明支持向量机等机器学习方法可以有效预测未知数据集中潜在的NA抑制剂,并有助于发现与其相关的分子描述符.

基于分子描述符和机器学习方法预测和虚拟筛选MMP-13对MMP-1的选择性抑制剂

基质金属蛋白酶-13(MMP-13)为预防和治疗骨关节炎(OA)提供了充满希望的靶标.通过抑制剂来阻断MMP-13的活性将会对治疗OA疾病产生潜在的作用.然而,宽谱抑制剂同样抑制MMP家族的其它成员,特别是MMP-1,这将会导致肌与骨的综合症.因此,设计和发现潜在的MMP-13相对于MMP-1的高效选择性抑制剂,在对治疗OA新型药物的研发中具有相当重要的现实意义.本研究通过两种机器学习方法(ML):支持向量机(SVM)和随机森林(RF)来建立分类模型,用于预测不同结构的MMP-13对MMP-1的选择性抑制剂.所建这些模型的预测效果都已经达到了令人满意的精度.在这两种ML模型中,RF对于MMP-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%.同时,与MMP-13对MMP-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来.最后,用预测效果最好的RF模型虚拟筛选了ZINC数据库的"fragment-like"子集,从而得到了一系列潜在的候选药物.研究表明,机器学习方法,特别是RF方法,对于发现潜在的MMP-13选择性抑制剂十分有效.同时还得到了一些与MMP-13的选择性抑制相关的分子描述符.

基于信息量模型和机器学习方法的滑坡易发性评价研究--以四川理县为例

以阿坝藏族羌族自治州地质灾害频发的理县为研究区,从地形地貌、地质环境、水文条件和人类工程活动等方面选取11个影响因子,通过皮尔森相关系数研究各因子之间的相关性,从而构建滑坡易发性评价指标体系。利用信息量模型计算各影响因子的信息量值,从信息量模型得出的极低和低易发性分区中选取非滑坡样本,在此基础上将样本数据代入随机森林和径向基函数神经网络2种机器学习模型开展滑坡易发性评价,并通过接收灵敏度(Receiver Operating Characteristic,ROC)曲线进行精度验证。结果显示:随机森林模型预测出的高易发区单位面积内分布的滑坡点数量更为集中,在仅占6.666%的区域分布了74.026%的灾害点,评价结果优于径向基函数神经网络模型。ROC曲线中两模型AUC(Area Under Curve)值分别为0.893、0.874,说明随机森林模型具有更高的可靠性,比径向基函数神经网络在该区域地质灾害易发性评价中更具优势。

机器学习方法用于建立乙酰胆碱酯酶抑制剂的分类模型

我们构建了表征乙酰胆碱酯酶抑制剂分子组成、电荷、拓扑、几何结构及物理化学性质等特征的1559个描述符,通过Fischer Score排序过滤和Monte Carlo模拟退火法相结合进行变量筛选得到37个描述符,然后分别用支持向量学习机(SVM)、人工神经网络(ANN)和k-近邻(k-NN)等机器学习方法建立了乙酰胆碱酯酶抑制剂的分类预测模型.对于训练集的515个样本,通过五重交叉验证,各机器学习方法对正样本,负样本和总样本的平均预测精度分别为87.3%-92.7%,67.0%-81.0%和79.4%-88.2%;通过y-scrambling方法验证SVM模型是否偶然相关,结果正样本,负样本和总样本的平均预测精度分别为72.7%-82.5%,41.0%-53.0%和62.1%-69.1%,明显低于实际所建模型的预测精度,表明所建模型不存在偶然相关;对172个没有参与建模的外部独立测试样本,各机器学习方法对正样本,负样本和总样本的预测精度分别为93.3%-100.0%,74.6%-89.6%和86.1%-95.9%.所建模型中,SVM模型预测精度最好,且明显高于其它文献报道结果.

机器学习方法用于激素敏感脂肪酶抑制剂活性预测

对激素敏感脂肪酶,我们构建了表征分子组成、电荷、拓扑、几何结构及物理化学性质等特征的1559个描述符,通过Fischer Score排序过滤和Monte Carlo模拟退火法相结合进行变量筛选得到35个描述符,然后分别用支持向量学习机(SVM)、人工神经网络(ANN),k-近邻(k-NN),连续核密度估计(CKD)和逻辑回归(LR)等机器学习方法建立了激素敏感脂肪酶抑制剂的分类预测模型。对于训练集的200个样本,通过五重交叉验证,各机器学习方法对正样本,负样本和总样本的平均预测精度分别在78.0%-94.0%,69.0%-91.0%和73.5%-92.5%;通过y-scrambling方法验证SVM模型是否偶然相关,结果正样本,负样本和总样本的平均预测精度分别在60.0%-74.0%,58.0%-71.0%和61.0%-69.5%,明显低于实际所建模型的预测精度,表明所建模型不存在偶然相关;对52个没有参与建模的外部独立测试样本,各机器学习方法对正样本,负样本和总样本的预测精度分别在84.6%-92.3%,88.5%-92.3%和86.5%-92.3%。所建模型中,SVM,CKD和LR较好,且明显高于其他文献报道结果。

基于机器学习方法的英文事件代词消解研究

与实体指代不同,事件指代因为其先行词候选是一个事件,与名词性的指代词具有完全不同的语义分类体系,因此适用于实体指代消歧的大多数特征都不能用于事件指代消歧。该文给出了一个基于机器学习方法的事件代词指代消歧平台,详细介绍了平台的实例生成和特征选择过程,并给出了平台在OntoNotes3.0语料上的事件代词指代消歧的结果,对结果进行了分析。从实验结果可以看到,给出的平台获得了较好的系统性能。