基于梯度上升算法的丢失放射源搜寻方法

梯度向量在辐射场中总是指向剂量率升高的方向,结合现有的放射源搜寻方法,本文简述了基于梯度上升算法的放射源搜寻方法,并使用计算机编程对方法进行了验证。验证结果表明,本方法理论上可行,还应结合实际应用场景进一步验证和完善。

非凸-凹极小极大问题的双尺度交替梯度下降上升算法

针对一类非凸-(强)凹极小极大问题,基于双尺度梯度下降上升算法,用交替梯度更新来替代同步梯度更新,从而提出了一种新算法-双尺度交替梯度下降上升算法.通过数值实验结果表明,新算法在MNIST数据集上的分类准确率明显高于原算法,从而验证了新算法的有效性.

非凸极小极大问题的优化算法与复杂度分析

非凸极小极大问题是近期国际上优化与机器学习、信号处理等交叉领域的一个重要研究前沿和热点,包括对抗学习、强化学习、分布式非凸优化等前沿研究方向的一些关键科学问题都归结为该类问题。国际上凸-凹极小极大问题的研究已取得很好的成果,但非凸极小极大问题不同于凸-凹极小极大问题,是有其自身结构的非凸非光滑优化问题,理论研究和求解难度都更具挑战性,一般都是NP-难的。重点介绍非凸极小极大问题的优化算法和复杂度分析方面的最新进展。

凸-凹极小极大优化问题的零阶梯度下降上升算法

[目的]为了解决基于梯度下降上升算法在某些应用中,目标函数的梯度信息计算昂贵或难以获取的问题。[方法]基于此,针对一类凸-凹极小极大优化问题,在梯度下降上升算法(OGDA)的框架下,基于均匀分布的平滑化方法用差商来近似函数梯度信息,提出了一类零阶梯度下降上升算法(ZO-OGDA)。[结果]基于带误差的邻近点算法的收敛性分析理论,证明得到所提算法ZO-OGDA取得ε-稳定点的迭代复杂度为O(ε-1)。[结论]最后通过数值仿真,实验结果表明所提出的算法ZO-OGDA在数值上与算法OGDA表现相近。

Logistic回归法和机器学习算法构建子痫前期预测模型的比较

目的利用医院电子病历系统首页信息和临床检验数据通过logistic回归(logistic regression,LR)法和机器学习算法构建子痫前期(preeclampsia,PE)预测模型,同时比较机器学习算法和LR构建模型的预测性能。方法基于2012年1月1日至2019年12月31日在广州医科大学附属第三医院就诊孕产妇的围产期数据和柔济妊娠检验数据库信息,根据临床诊疗指南和相关文献报道关联整合后选取数据量较为完整的孕24~28周共2736例孕妇的28项临床相关指标作为PE预测模型构建数据。将其中PE患者作为PE组(n=245),其余非PE患者中采用欠采样法选择255例为对照组。使用随机森林算法(random forest,RF)及极端梯度上升算法(eXtreme Gradient Boosting,XGB)和LR模型分别构建PE疾病预测模型。模型构建完成后,在2019年6月至2022年12月开展的PE前瞻性队列研究获得数据中(PE组38例,对照组80例),进行PE预测准确性的外部验证。采用准确度、灵敏度、特异度、受试者工作特征曲线下面积比较不同模型的预测效能。结果3种预测模型构建时纳入的指标提示,尿酸、肌酐、年龄、孕早期体重指数、尿素、甘油三酯、红细胞计数、嗜酸性粒细胞计数、总胆固醇、中性粒细胞计数、尿蛋白、丙氨酸氨基转移酶以及尿潜血是影响PE预测模型的指标。RF、XGB和LR模型在训练集和测试集中的受试者工作特征曲线下面积分别为0.851(95%CI:0.730~0.891)、0.955(95%CI:0.865~0.987)、0.884(95%CI:0.767~0.923)和0.845(95%CI:0.723~0.868)、0.907(95%CI:0.791~0.919)、0.851(95%CI:0.755~0.893)。在测试集中,RF、XGB和LR模型的准确度、灵敏度与特异度分别为0.803、0.607、0.958,0.864、0.790、0.927和0.832、0.661、0.971。在外部验证集中RF、XGB和LR预测模型的准确度分别为0.822、0.814和0.763;灵敏度分别为0.737、0.789和0.605;特异度分别为0.863、0.825和0.838,其中XGB模型的约登指数最高,为0.614。结论相对于传统的建模方法,利用机器学习算法可以在真实临床检测数据中建立更加有效的PE预测模型。

具有模糊系数约束的多目标线性规划

研究了一类具有模糊系数约束的多目标线性规划问题.根据各目标函数的梯度方向来量化目标之间的冲突程度,以此提出了一种确定目标权重的新方法,然后基于惩罚函数运用梯度上升算法求问题的有效解.最后给出了一个数值例子.

基于节点地位和相似性的社交网络边符号预测

边符号预测即根据网络拓扑结构挖掘符号相关隐含信息,旨在揭示用户之间的潜在关系。节点地位和相似性能够较好地体现边符号属性,为改善预测效果提供了理论基础。通过探究两者与边符号属性之间的强相关性,建立符号预测模型。首先,利用排序算法prestige评估用户节点的社会地位,同时使用余弦相似度表示用户的社交偏好;然后,在逻辑回归学习模型的基础上融合两者建立边符号预测模型LR-SN;最后,在模型训练过程中采用随机梯度上升算法优化求解。三个真实网络数据集的实验结果表明,相比于现有基准方法,LR-SN模型的符号预测准确率显著提高且具有一定的推广性,说明通过融合局部信息与全局信息能够进一步改善预测效果。

机器学习在综合管廊规划中的应用

综合管廊作为目前城市现代化市政基础设施的标志之一,其规划路径选择至关重要,但目前综合管廊的规划工作主观性过强而科学性不足。文章以某地区的管廊规划工作为例,建立了一种基于机器学习方法的管廊规划方法,分别利用神经网络算法和梯度上升算法完成管廊规划适建性的评价工作,为管廊规划路径提出一种较为科学的方法。

基于Hi-c数据的酵母染色体三维结构重构

通过染色体交互频率数据(Hi-c)来预测染色体三维空间结构是近年表观遗传研究热点。研究表明染色体三维空间结构在生物基因表达、调控等方面起到重要作用,对其进行三维重构是研究细胞代谢过程的基本途径。针对酵母Hi-c数据在不同染色体所呈现出的统计特征,拟合出每条染色体交互频率数据分布的数学模型,然后利用梯度上升迭代算法预测并重构其三维结构,并给出模型评估指标。实验结果表明,模型具有较高可重复性和预测精确度。

一种改进的舰船合成孔径雷达图像分割方法

针对舰船合成孔径雷达(SAR)图像识别中的图像分割问题,运用数理统计领域的方法,以舰船合成孔径雷达图像为研究对象,在深入分析经典K–Means聚类算法以及高斯混合模型之后,提出一个改进的高斯混合模型,用来对舰船合成孔径雷达图像进行分割。该方法采用马氏距离对经典K–Means方法进行改进,同时,将传统高斯混合模型的每一个概率分布,进一步再细分成单个的概率成分,在辅助变量计算过程中,采用梯度上升算法。仿真实验结果显示,研究得到了比使用经典K–Means算法和普通高斯混合模型的分割方法精确度更高、稳定性更好的分割结果。