以大学生创新竞赛为牵引的算法学习第三课堂建设

算法学习是高校计算机类专业的必修课程,算法课程日益复杂,当前教学模式难以满足学生需求,算法学习第三课堂建设应运而生。当前算法学习第三课堂的建设面临一些困境,主要包括教学内容与实际应用脱节,教学方法难以满足多样化的学习需求,课程考核方式单一,难以保证学习效果。以大学生创新竞赛为牵引,分析算法学习第三课堂建设路径,通过慕课优化学习内容,基于大学生创新竞赛丰富第三课堂教学活动,建立管理、考核以及淘汰机制。将竞赛项目融入实践教学体系有效解决了学生算法学习无平台、无环境等问题,使学生的创新能力和实践能力得到全面提升。

基于ISD Models模型的算法学习设计研究

教学现场义务教育阶段有关算法的内容成为教师近期关注的热门话题之一,如何提升信息科技教学行为,最大程度地优化教学效能,提升算法教学的创新性?

基于NSGA-Ⅱ的进化算法学习研究

多目标优化问题又称多标准优化问题,进化算法作为解决多目标问题被广泛的应用,在实际应用中经常会遇到众多多目标问题如车间调度,轮船调度等。为使踏入进化计算领域的初学者提供一个简要的学习样例,降低学习的难度。简要介绍多目标进化算法NSGA-II、叙述其改进并对进化算法在多目标优化中应用的几个测试问题结果进行分析。使研究人员对NGSA-II以及其他进化算法有一定理解。在进一步的深度算法学习,解决现实问题上埋下理论基础。

算法学习报告在高职计算机数学教学中的应用

算法是数学及其应用的重要组成部分,是计算科学的重要基础,在现代社会发挥着越来越大的作用。对于高职计算机专业的学生来说,算法的学习尤为重要,因为它是学习程序设计语言等专业课的基础。可是,现在的高职数学教材没有这一内容,并且在实际教学中数学理论与专业课程之间严重脱节,让学生觉得数学学习学之无用。因此在高职计算机专业的数学教学中加入算法内容,可以让学生在初步感受算法思想的基础上,结合对具体数学实例的分析,撰写算法学习报告,体验程序框图在解决问题中的作用,为学习程序设计语言等专业课程打下坚实的基础。

算法学习在高中数学中的意义

随着现代信息技术的迅猛发展,算法已融入生活的众多方面,扮演着重要的角色。在高中数学教科书中也将算法作为一个独立的章节在学习,算法的思想和初步知识也正在成为普通公民的常识。主要论述了什么是算法以及学生学习算法的意义。

基于深度学习算法的胰腺癌CT自动分期系统的构建与应用

目的:构建基于深度学习算法的胰腺癌计算机断层扫描(CT)自动分期系统,并探讨其应用价值。方法:回顾性分析我院2014年01月至2021年12月收治的286例胰腺癌患者的临床资料,均经CT检查且明确TNM分期,利用CT检查信息基于深度学习算法的胰腺癌CT自动分期系统。另选取2022年01月至2023年02月胰腺癌患者92例,均经CT检查,并利用上述系统进行TNM分期,分析该系统的准确性。结果:基于深度学习算法的胰腺癌CT自动分期系统共包括7个模块,可以实现胰腺癌TNM自动分期;92例患者中共有Ⅰ期12例、Ⅱ期31例、Ⅲ期36例、Ⅳ期13例,经基于深度学习算法的胰腺癌CT自动分期系统诊断共有Ⅰ期10例、Ⅱ期31例、Ⅲ期38例、Ⅳ期13例;该系统诊断胰腺癌TNM分期的灵敏度、特异度和准确度高,且与金标准高度一致(Kappa值=0.912,P<0.001)。结论:本研究构建了基于深度学习算法的胰腺癌CT自动分期系统,诊断价值高。

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型｡首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。

基于机器学习算法的在线推荐系统设计与性能优化研究

传统运营方式已经难以应对日益复杂的业务场景。特别是电商领域,采用个性化推荐系统对于改善用户体验、促进商品销售、提高广告点击率具有重要意义。文章以电商场景为例,设计了基于机器学习算法的在线推荐系统,并对该系统进行了性能优化。

面向人体姿态图像关键点检测的深度学习算法

传统人体姿态检测方法提取图像信息能力弱,易受背景环境干扰,在图像辨识上具有一定的局限性。为解决由于背景干扰而导致的人体姿态识别准确率低、计算效率差的问题,提出了一种基于人体关键点骨架合成与上深度学习姿态识别算法相结合的框架体系。首先采用MobileNet残差网络优化Open Pose网络结构,降低人体骨骼关键点识别的计算复杂度,提高计算效率;然后通过PAF算法预测骨架的最优连通域,构建出最优人体骨架信息,并基于最优骨架信息生成人体骨架辅助框提取法则,提取人体姿态的相对位置,解决环干扰的问题;接着将人体关键点特征与HOG特征有机融合,基于深度学习网络构建出OP-GAN人体姿态识别模型。仿真结果表明,与传统SVM模型相比,OP-GAN模型的F1综合性能指标提升了6.85%;与其它深度学习算法相比,关键点特征的融合以及GAN网络的使用均与模型的性能指标呈正相关关系。因此,新构建的OP-GAN人体姿态识别模型通过解决背景干扰的同时,提高了人体姿态识别的准确率与效率。

基于机器学习算法的滑坡土壤含水率预测方法研究

土壤含水率是影响坡体稳定性的决定因素之一。针对滑坡体内部土壤水分信息难以准确感知的问题,建立了一种基于机器学习算法树突神经网络的土壤含水率预测模型(DDNN),通过分析土壤水分垂向变化特征和数据相关性确定关键的影响因子后,将水分预测模型DDNN与GA-BP、RF、RBFNN三种算法进行对比试验。发现DDNN预测模型的拟合优度R2最高为0.998,均方根误差和平均绝对误差均最小,分别为0.091、0.059,其预测精度明显高于其他三种算法。并采用关系谱探究了相关影响因素对土壤含水率的敏感程度。结果表明,敏感度由高到低依次为气温、降水、初始水分、风速、地温,研究结果可为滑坡体稳定性分析提供技术方法支撑。

基于认知负荷和机器学习算法的计算机教学平台设计与应用

为提升计算机教学质量,该研究基于认知负荷理论和机器学习算法进行计算机教学平台设计。平台采用分层架构设计,平台软件功能由内容管理、学习者模型、智能教学、互动与反馈及数据分析与报告等五个功能模块构成,并采用Apache JMeter模拟用户行为对本平台进行性能测试。结果表明,该平台在高并发处理、响应速度和智能功能的准确性等方面均优于传统平台,充分证明平台功能有效性,可为计算机教学改革提供技术支持。

基于深度强化学习算法的储能系统盈利策略研究

在高比例新能源接入下,配置储能可以辅助电力系统削峰填谷,平抑波动。然而目前储能系统成本较高,需要政府进行支持。为此,提出了一种储能盈利策略,以在电网、储能运营商和用户组成的电力市场中实现运营利润最大化。结合智能算法提出了一种考虑激励的盈利策略,为每个峰值时段的储能系统运营商提供不同权重的奖励分配。该算法一方面基于最小二乘支持向量机的深度学习,来建立价格和负荷预测模型;另一方面基于深度强化学习,考虑电网的峰值状态、用户负荷需求和储能系统运营商利润,确定最优充放电策略。最后通过案例分析,验证该策略可以显著提高储能系统运营商利润并减轻电网压力。

基于机器学习算法的胃癌淋巴结转移预测模型研究

目的基于4种机器学习(ML)算法构建胃癌淋巴结转移的预测模型并验证。方法回顾性收集531例胃癌根治术患者的临床资料,按3∶1比例将患者随机分为训练集399例和测试集132例。通过单因素分析筛选胃癌淋巴结转移的特征选择变量,分别建立逻辑回归、随机森林、K-邻近算法、支持向量机算法模型并进行变量重要性排序。将所有ML算法模型在测试集中进行验证,绘制受试者工作特征(ROC)曲线,基于曲线下面积(AUC)、灵敏度、特异度、准确度确定最优ML算法模型。基于最优ML算法模型的变量重要性排序构建列线图模型,通过ROC曲线、校准曲线、决策曲线评价列线图模型的区分能力、校准能力和临床适用性。结果4种ML算法模型比较结果显示,随机森林模型为最优算法模型,其在训练集中的准确度、灵敏度、特异度分别为72.7%、69.9%、75.0%,AUC为0.803,其在测试集中的准确度、灵敏度、特异度分别为64.4%、66.7%、62.5%,AUC为0.751。基于随机森林算法模型的变量构建列线图模型,ROC曲线显示列线图模型在训练集、测试集中的AUC分别为0.721、0.776,校准曲线和决策曲线显示列线图模型在训练集与测试集中均有较好的校准能力和临床适用性。结论随机森林模型是4种ML算法模型中的最优算法模型,基于随机森林模型构建的列线图模型能够较准确地预测胃癌淋巴结转移风险,从而更好地指导临床诊断和治疗决策。

深度学习重建算法联合低剂量增强CT对肝脏低对比度病灶显示的影响

目的:通过门静脉期肝脏图像质量评价,探究不同级别深度学习(DL)重建算法在低剂量CT增强对肝脏低对比度病变显示的影响。方法:前瞻性收集2022年4月—2022年8月行全腹部增强扫描的患者62例,随机分为A组和B组:A组(n=27)为常规辐射剂量组,管电压120 kV,自动管电流(剂量调制3级),重建Karl 5级图像;B组(n=35)为低辐射剂量组:管电压120 kV,自动管电流(剂量调制2级),重建DL(1~4)4个等级图像,记为B1~B4。记录A、B组剂量长度乘积(DLP),并计算有效辐射剂量(ED)。在轴位图像上测量肝实质、门静脉、病灶以及同层面竖脊肌的CT值和SD值,计算信噪比(SNR)和对比度噪声比(CNR);统计A、B组病灶检出数量并测量病灶的最大直径。2名观察者采用5分法评估A、B组图像质量以及病灶的显示情况。结果:A、B组患者性别、年龄及身高、体重及体重指数(BMI)差异均无统计学意义;B组ED相较于A组降低了33.96%(P<0.05);A、B各组CT值均无统计学差异(P>0.05)。B组组内肝实质、门静脉SNR、CNR随着DL等级升高逐渐升高(P<0.05);A、B两组比较,仅B3组肝实质、门静脉的SD值、SNR及CNR与A组无统计学差异,仅B4组病灶CNR与A组有统计学差异(P<0.05)。2名观察者对图像主观评分一致性较好(Kappa值为0.824~0.878,P<0.05),B3组与A组主观评分无统计学差异(P>0.05),其余各组均低于A组(P<0.05)。结论:DL算法可显著减少低剂量图像噪声,保证肝脏低对比度病灶的清晰显示,DL 3为推荐的最佳重建等级。

基于机器学习算法的中国近地面臭氧浓度模拟

目的探索基于多种机器学习模型的我国近地面臭氧浓度高精度模拟方法。方法基于2013—2017年的多源数据,建立基于多种机器学习算法的全国近地面臭氧浓度模拟模型。结果随机森林(random forest,RF)模型的性能最佳,R^(2)为0.752,RMSE和MAE分别为23.264和16.094μg/m^(3)。地面下沉短波辐射为近地面臭氧浓度模拟的最关键因素。结论基于气象、地理、排放等多元变量的RF模型可实现近地面臭氧高精度模拟。未来可进一步引入空气污染物的自然源排放量数据以提高模型精度。

基于SDGSAT-1 TIS的机器学习算法岩性分类

造岩矿物在热红外(TIR)大气窗口(7~14μm)中显示出特定的光谱特征为利用TIR影像进行岩性分类提供了理论基础(代晶晶等,2020)。然而,传统TIR遥感岩性分类数据源有限,且常用的基于光谱相似性和光谱特征的方法很难对类似的岩石类型进行分类,光谱吸收位置特征很容易受到矿物复杂化学成分的影响。2021年发射的可持续发展科学卫星1号(SDGSAT-1)在TIR区域具有3个波段.

基于集成学习算法的可持续模块划分方法

随着客户对可持续产品需求的增加,针对产品功能和结构属性的传统模块化设计,正逐步转向可持续模块化设计。然而当前的模块划分方法更注重于对模块化指数的优化迭代,忽略了产品多组件间的信息传递和反馈。为此,提出一种集成学习算法的可持续模块划分方法。首先,面向组件间的回收性、材料和寿命因素,构建产品的综合DSM模型。其次,提出集成学习算法的弱分类器构建规则和强分类器结合策略。最后,通过颚式破碎机案例验证了所提模块划分方法的可行性,集成学习算法同直接聚类和遗传算法的模块划分结果对比,表明所提方法各模块组件更接近DSM的对角线。

基于机器学习算法的高海拔地区臭氧影响因素重要性分析

臭氧(O_(3))是表征大气氧化性和衡量光化学污染程度的重要指标,长期暴露在高浓度O_(3)环境中,生物体会受到严重危害.银川市位于西北高海拔地区,夏季持续高温且紫外线辐射强烈,在光化学反应下极易生成O_(3),导致O_(3)污染频发.因此,亟待开展O_(3)污染的研究,探明影响O_(3)浓度变化的关键因子.本研究依托宁夏银川城市生态系统国家定位站,以银川市凤凰公园为研究对象,开展野外同步定位观测试验,获取O_(3)浓度、气象因子和大气污染物等数据,应用机器学习算法中的随机森林模型,研究影响O_(3)浓度变化的关键气象因子和大气污染物.结果表明:(1)建立的随机森林模型,其方差解释率在88%以上,且观测值与拟合值间的决定系数R^(2)为0.974,均方根误差为85.8,拟合效果良好;(2)通过对模型筛选出的影响O_(3)浓度的关键因子进行重要性排序,对模型贡献较大的4个变量分别为相对湿度(27.8)、NO_(2)(0.1)、NO_(2)(16.1)和PM_(2.5)(12.7);(3)各变量与O_(3)浓度之间存在显著的非线性关系,其中氮氧化物(NO、NO_(2))对O_(3)浓度影响的阈值效应最大,其次为相对湿度和温度.因此,应用随机森林模型可从非线性角度阐明O_(3)浓度与气象因子和大气污染物的关系,明确影响O_(3)浓度的关键因子及其阈值效应,从而为高海拔地区O_(3)污染防治提供科学依据和技术支撑.

机器学习算法在渔船数据挖掘技术中的应用

本文基于PCA_Word2Vec的渔船数据挖掘技术展开研究,构建了PCA_Word2Vec渔船数据挖掘模型并对渔船轨迹数据进行挖掘,在此基础之上通过将LightGBM模型与其他经典模型分类效果进行比较,以及对PCA_Word2Vec数据挖掘模型挖掘前后的数据展开对比,验证了渔船数据挖掘技术的有效性和实用性。

基于EMD与机器学习算法的近零能耗建筑负荷预测方法

采用皮尔逊相关系数法分析了不同特征变量与冷热负荷的相关性,确定了预测模型的输入特征变量。采用经验模态分解(EMD)对逐日冷热负荷按频分解,然后采用机器学习算法,即反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM),分别对不同频率的负荷量进行了训练、验证,最后重构得到了近零能耗建筑预测负荷。基于上述方法,以北京市某近零能耗居住建筑为研究对象,比较了不同算法预测结果的精确度。结果表明:采用EMD与RF算法相结合对近零能耗建筑冷热负荷的预测精确度较高。进一步采用穷举搜索法对模型初设参数进行了优化,冷热负荷预测结果精确度提高,冷负荷预测结果的决定系数R2、平均绝对百分比误差MAPE分别为0.996、1.32%,热负荷预测结果的R2、MAPE分别为0.997、0.79%。