Use of Support Vector Regression Based on Mean Impact Value Model to Identify Active Compounds in a Combination of Curcuma longa L.and Glycyrrhiza extracts

A support vector regression based on the mean impact value (MIV) model was constructed to identify the bioactive compounds inhibiting proliferation of HeLa cells in a combination of turmeric (Curcuma longa L.) and liquorice (Glycyrrhiza) extracts. The quantitative chemical fingerprint from 50 batches of turmeric and liquorice extracts was established using high performance liquid chromatography hyphenated to an ultraviolet visible detector. Qualitative results were obtained using ultra performance liquid chromatography coupled with electrospray ionization quadrupole time-of-flight tandem mass spectrometry. A total of 46 peaks (peaks 1–15 from turmeric and 16–46 from liquorice) were selected as “common peaks” for analysis. The inhibitory effect of the combined extracts on HeLa cells was measured by MTT (3-(4,5-dimethylthiazol-2-yl)-2,5-diphenyltetrazolium bromide) assay. It was found that 15 compounds (peaks: 8, 12, 30, 24, 46, 11, 14, 9, 3, 1, 44, 18, 7, 45 and 43) possessing high absolute MIV exhibited a significant correlation with the cytotoxicity against HeLa cells; most of these have already been confirmed with potential cytotoxicity in previous research. The important potential application of the present model can be extended to help discover active compounds from complex herbal medicine prior to traditional bioassay-guided separation. It is considered that this could be a useful tool for re-developing herbal medicine based on the use of these active compounds. © 2017, Tianjin University and Springer-Verlag Berlin Heidelberg.

基于仿生算法联合优化BP的燃煤发热量预测

【目的】燃煤发热量的精准预测和评价是煤质分析和热工计算的重要基础,目前神经网络预测燃煤发热量的模型虽能有效拟合非线性关系,但存在易陷入局部最小值、收敛速度慢等问题。【方法】为精准预测煤炭在工业锅炉燃烧过程中的发热量,提出一种由仿生算法FA-GA联合优化BP神经网络的燃煤发热量预测方法。将774组燃煤锅炉常用煤的工业分析及元素分析数据进行预处理,根据平均影响值对煤质指标进行特征变量筛选,最终建立FA-GA-BP的发热量预测模型,并从误差评价指标、迭代次数等方面对优化算法寻优能力和模型预测精度进行了检验。【结果】经过特征变量筛选后模型的预测精度提升至0.956 1;FA-GA联合算法与单一优化算法FA、GA、PSO相比,迭代次数显著减少,算法的全局搜索能力得到有效提升;FA-GA-BP模型与单一优化模型FA-BP、GA-BP、PSO-BP以及目前常用的发热量模型MLR和SVR相比,精度更高,相关系数可达0.984 5.【结论】FA-GA算法优化BP模型,针对燃煤锅炉中来自不同地区、不同煤种的发热量预测具有良好的效果,在理论上满足了工业误差要求。改进后的燃煤发热量预测模型可为有效监测入炉煤质实时变化提供一种新方法。

基于MIV的BP神经网络磷酸铁锂电池寿命预测

针对锂离子电池循环寿命衰减问题,为了能更加准确地对锂离子电池的循环寿命进行预测,对磷酸铁锂电池全生命周期进行循环充放电测试,获得其相关性能参数,提出基于BP神经网络分析方法建立寿命预测模型。在预测模型基础上,运用平均影响值(MIV)算法筛选模型的输入参数。结果表明,所建立的电池循环寿命预测模型具有较高的精度,符合电池的实际运行特性,对解决电池寿命评估周期长和成本高等问题具有重要意义。

基于MIV特征筛选和BP神经网络的三维人体参数转换

在BP神经网络建模技术的基础上,提出引入平均影响值(MIV)算法筛选采集的变量参数,构建三层前馈神经网络求解三维人体建模参数的方法.结果表明,通过逐步删除后10%序位的参数变量,所建模型的最大误差为0.23,平均误差为0.058 667,训练精度为4E-3,预测精度为94.2%,可用于实际三维试衣时的参数计算.

滑坡位移预测的SVR-MIV变量筛选方法研究

支持向量回归机(Support Vector Regression,SVR)在滑坡位移预测研究中已得到广泛应用,但SVR具有模型可解释性差的缺陷,即无法直接获得并筛选最佳预测变量,从而影响预测精度。为此,将较广泛应用于评价神经网络模型变量影响大小的平均影响值(Mean Impact Value,MIV)方法与SVR模型相结合,实现基于SVR-MIV的变量筛选,该方法不但能对所有预测模型初始变量影响大小进行排序,还可以进一步结合反向逐变量剔除分析实现变量筛选。为验证该方法的有效性,选择三峡库区两类典型水库滑坡代表的累积位移监测数据,在采用移动平均法将位移分解为趋势项和波动项的基础上,重点针对波动项位移,选择包括降雨及库水位变动特征在内的12项初始变量,采用SVR-MIV方法进行变量筛选分析。结果表明,该方法筛选出的变量理论上符合对应滑坡变形影响机理分析结论,且可以提高滑坡位移实际预测精度。

基于MIV-改进RBF神经网络的大坝变形监测模型

针对常规径向基函数(RBF)神经网络模型无法选择显著预报因子和易陷入局部最优解的问题,建立一种融合平均影响值(MIV)、改进果蝇算法(FOA)和RBF神经网络的大坝变形监测模型.通过引入MIV对水压、温度、时效三类预报因子进行筛选,并利用改进FOA算法获得RBF神经网络模型中最佳的spread值,以提高模型的稳定性和预报精度.为验证模型的有效性,以某混凝土重力坝位移监测数据为例,分别建立多元线性回归模型、常规RBF模型、MIV-RBF模型和MIV-改进RBF模型.研究结果表明MIV-改进RBF神经网络大坝变形监测模型预测稳定、精度高,预报效果好.

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。

生物发酵过程变量的NN-MIV软测量模型

针对生物发酵过程中关键生化参量的在线检测问题,提出一种基于平均影响值的神经网络(NN-MIV)变量选择方法。发酵过程初始软测量模型含有多个辅助变量,MIV方法计算辅助变量对主变量的外部贡献率,NN方法计算辅助变量对主变量的内部贡献率,文中将两种方法综合提出了NN-MIV方法,其计算出的辅助变量对主变量的贡献率稳定性好。利用筛选出最优辅助变量建立软测量模型,对青霉素发酵过程做了数值仿真实验,与传统的变量筛选方法相比,该方法筛选出的辅助变量少,建立的软测量模型估计精度高。

基于MIV-PSO-SVM模型的矿井突水水源识别

为减少及防治矿井突水事故的发生,迅速、准确地判别突水水源,提出一种基于MIV(Mean Impact Value)混合粒子群优化支持向量机PSO-SVM的识别水源算法,以更有效地消除地下水源指标间的信息重叠,筛选出更好的指标体系,从而进一步提高水源识别准确率。首先,利用包含全体特征变量的水样本训练PSO-SVM网络,其次将样本分别加减一定比例构成新样本输入已训练好的网络,根据识别结果获取各影响因子的平均影响值MIV。再按照优先选取高权重变量的原则,依次剔除低权重变量,通过判断均方根误差确立最优指标体系,反馈至PSO-SVM中进行训练与预测。选取新庄孜矿实测样本进行50次试验,并与传统PSO-SVM等其他模型比较,结果表明:MIV-PSO-SVM模型可以更科学、客观地考量特征变量对预测结果的权重影响,构建更为合理的指标体系。模型预测平均准确率为94.667%,均方根误差为0.196 3,平均绝对误差百分率为3.413%,与其他模型相比,预测平均准确率明显提高,均方根误差和平均绝对误差百分率明显降低。

基于MIV与RBF神经网络的滚珠丝杠故障诊断

滚珠丝杠故障特征值引入平均影响值(MIV)的特征值筛选方法,剔出冗余特征值,减少了特征向量数;设计了径向基(RBF)神经网络,并建立了基于MIV与RBF神经网络的滚珠丝杠故障识别模型。经试验,对"未筛选-BP"、"未筛选-RBF"和"MIV-RBF"三种诊断模型进行对比分析研究,结果表明:"MIV-RBF"训练步数少、收敛快、诊断精度高,是一种较为理想的滚珠丝杠故障诊断方法。

基于MIV-BP模型和AIC准则的盾构掘进参数优化研究

为解决水下隧道和隧洞工程盾构施工关键掘进参数在复合地层中难以控制的问题,以广东陆丰核电站1、2号机组排水隧洞工程盾构施工为背景,将平均影响值(Mean Impact Value,MIV)算法引入BP神经网络模型,筛选出对施工效果影响显著的关键掘进参数,在此基础上,基于AIC准则对其进行最优分布拟合,提出以50%和90%置信水平下的置信区间,分别作为掘进参数的控制区间和预警区间的掘进参数优化设计方案,并基于Python脚本语言自带的开源Scikit-Learn、SciPy模块库开发了相应的程序。分析结果表明,刀盘扭矩、总推力等参数对隧洞拱顶沉降起重要的控制作用,所开发程序具有良好的统计分析、快速指导施工的功能,可以为同类型盾构在相似复合地层下掘进参数的选取、优化和隧洞拱顶沉降量的控制提供参考。

基于BP-MIV的风电调峰受阻电量影响因素贡献度分析

随着风电装机容量的不断增长,弃风电量也随之增加,研究弃风电量的影响因素势在必行。为此,提出了一种风电调峰受阻电量影响因素贡献度计算方法。以影响因素为输入,风电调峰受阻电量为输出,构建了反向(back propagation,BP)神经网络模型;应用平均影响值(mean impact value,MIV)算法,计算各影响因素的贡献度;利用我国西北某电网2018年运行数据进行案例分析。结果表明,本文所提方法能对风电调峰受阻电量影响因素进行量化分析,明确影响因素的重要程度,为促进风电消纳提供理论基础。

基于支持向量机MIV值的水路运输货运量影响因素识别

客观识别水路运输主要影响因素是科学预测水路运输货运量的先行工作,传统的统计学、计量经济学研究方法具有严格的统计假设,在一定程度上限制了分析方法的使用。文中把MIV值引入到支持向量机回归模型,以福建省水路运输货运量影响因素识别为实证研究,并利用识别的影响因素对水路运输货运量进行模拟预测,结果表明,总体的相对误差为2.85%,精度较高,该方法有助于识别水路运输货运量的主要影响因素,对于识别此类经济变量的主要影响因素具有借鉴意义。

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(MIV)算法对预测模型的输入变量进行了分析和筛选。在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差。测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优。

基于MIV-Elman神经网络的海洋生物酶发酵软测量

针对海洋生物酶发酵过程关键生物参数(基质浓度、菌体浓度、产物浓度)难以在线测量的问题,根据其发酵过程特征,采用平均影响值(MIV)和Elman动态回归神经网络相结合的方法,结合Elman神经网络并应用MIV方法进行变量筛选,找到对关键生物参数有较大影响的输入变量,将这些输入变量作为Elman神经网络的输入,关键生物参数作为Elman神经网络的输出,进而建立了基于MIV-Elman神经网络的软测量模型。以典型的海洋生物酶—海洋蛋白酶为研究对象,利用其实验数据,验证了基于MIV-Elman神经网络软测量模型在关键生物参数预测中的可行性,通过与Elman神经网络、径向基函数(RBF)神经网络、反向传播(BP)神经网络对比表明,MIV-Elman神经网络软测量模型预测性能优于以上3种模型。

MIV和GA-SVM在葡萄酒类识别的应用研究

因葡萄酒中含有许多化学成分因子,而这些因子之间有非线性和冗余的特点,所以如何从这些因子中选取主要的特征因子来代替诸多因子来识别出葡萄酒的种类是有必要的。为此,提出了一种基于MIV和GA-SVM的模型来解决以上问题。首先,采用4组的交叉验证法(CV)和遗传算法(GA)对训练集样本进行分类测试,从而找出支持向量机(SVM)神经网络的最佳参数;接着采取平均影响值算法(MIV)计算出13种葡萄酒的化学成分特征因子的平均影响值,根据影响值的排序采取不同的因子组合,并根据训练好的SVM神经网络对测试集进行网络仿真。结果表明,选取MIV排序值的前6或7个作为葡萄酒的主要特征因子,以此减少了神经元的输入变量,而分类准确率非常高,完全可以达到分类效果。证明了该模型的有效性。

基于MIV-GA-BP神经网络的我国棉价预测研究

探究了MIV-GA-BP神经网络模型对我国棉花价格预测的情况。以国家棉花价格指数B作为棉价反映指标,选取了棉花产量、进口量、消费量等13个影响棉花价格的因素,采用平均影响值(MIV)、遗传算法(GA)与BP神经网络相结合的方法,按照15%的淘汰率进行筛选,得出我国棉价波动的主要影响因素,并在此基础上构建了MIV-GA-BP神经网络模型。以2015年1月—2017年12月的3128B棉花月度平均价格为样本数据,进行MIV-GA-BP模型拟合精度评估和预测精度评估。认为:基于MIV-GA-BP神经网络模型拟合精度良好,预测精度较高,训练样本可反映99%的样本特征。

基于MIV-BP神经网络的成品烟丝质量预测模型构建

目的:构建卷烟制丝过程成品烟丝质量模拟预测模型。方法:使用平均影响值法(the Mean Impact Value,MIV)对制丝加工过程工艺参数进行筛选,然后通过反向传播(Back-Propagation,BP)神经系统构建起制丝关键工艺参数和成品烟丝质量的模拟模型。结果:通过模拟数据与实测数据比较,填充值的模拟预测平均相对误差为3.16%;整丝率的模拟预测平均相对误差为0.67%;碎丝率的模拟预测平均相对误差为5.33%。结论:该模型预测值与实测值之间相对误差较小,精确性高,该模型适用于卷烟制丝生产过程工艺参数仿真优化。

基于CARS-MIV-SVR的库尔勒香梨可溶性固体含量预测方法

为了实现库尔勒香梨依据可溶性固体含量(SSC)分级定等和按质论价,推动采后处理向标准化、产业化方向健康发展,利用高光谱成像技术研究出了一种快速、有效、无损检测库尔勒香梨SSC的方法。以表面无损伤的157个库尔勒香梨作为研究样本,应用高光谱成像采集系统获取400~1 000nm波长范围内高光谱图像并用ENVI5.3软件提取感兴趣区域(ROI),获得高光谱数据。采用Kennard-Stone(KS)样本集划分方法将全部样本按照2∶1的比例划分为校正集(105)和预测集(52)。对比标准变量变换(SNV)、多元散射校正(MSC)、一阶导数(FD)和二阶导数(SD)等数据预处理方法对建模精度的影响,最终选用SNV方法对光谱曲线进行平滑去噪。该研究提出竞争性自适应重加权算法与平均影响值算法的组合算法(CARS-MIV)选择特征波长。在竞争性自适应重加权算法(CARS)方法中,建模样本由蒙特卡罗算法随机选择生成,变量回归系数会随之发生变化,因而回归系数的绝对值不能全面反映变量重要性,从而影响模型检测精度。为降低这种影响,应用平均影响值(MIV)算法对选出的自变量进行二次筛选,筛选出相关性较大的变量用以建模分析,并与CARS、连续投影算法(SPA)、蒙特卡罗无信息变量消除算法(MCUVE)等经典特征波长选择算法进行比较。最后分别以全波长(FS)光谱信息和四种特征波长选择方法得出的光谱信息作为输入矢量,应用支持向量回归(SVR)建立库尔勒香梨可溶性固体含量定量预测数学模型,以校正集相关系数(Rc)、校正集均方根误差(RMSEC)、预测集相关系数(Rp)和预测集均方根误差(RMSEP)四个参数来评估模型的预测精度。比较分析发现,CARS-MIV-SVR模型效果最佳,校正集相关系数(Rc)为0.985 94,预测集相关系数(Rp)达到0.946 31,校正集和预测集均方根误差分别为0.185 85和0.403 33。结果证明:CARS-MIV特征波长选择方法能够有效增强库尔勒香梨光谱数据特征波长选择的稳定性和精确性,提高模型的预测精度。利用高光谱技术结合CARS-MIV-SVR模型能够满足库尔勒香梨可溶性固体含量测定需求,实现库尔勒香梨的分级定等和按质论价。

人工神经网络模型预测药物性肝损伤的临床转归及影响因素MIV值评价

目的:利用人工神经网络方法,对药物性肝损伤(DILI)的转归建立人工神经网络反向传播(Back propagation-Artificial Nerual Network,BP-ANN)预测模型,预测DILI患者的临床转归并对相关影响因素进行平均影响值(mean impact value,MIV)评价。方法:收集某三甲医院全部科室2014年6月1日~2017年6月1日以"药物性肝损害"、"药物性肝损伤"、"药物性肝炎"、"药物性肝病"、"药物性肝衰竭"、"药物性肝硬化"其中之一为主要诊断的266例住院患者资料。符合纳排标准的,对其临床各项指标与转归情况之间的关联性进行Spearman相关性分析,筛选出具有相关性的指标将其作为输入神经元,将转归情况作为输出神经元,构建BP-ANN模型。模型构建训练完毕后,从2017年7月1日起收集70例符合纳入排除标准的DILI住院患者进行临床转归预测,并监测其实际转归情况,将预测结果与实际结果进行对比。进一步用已经训练好的BP-ANN预测模型对有相关性的指标即影响因素进行MIV评价,分析各影响因素对于DILI影响的重要性大小。结果:266例住院患者中,最终符合纳入排除标准的有190例。Spearman相关性分析结果显示共有17项指标有统计学意义,提示有相关性。预测结果显示70例患者中有64例的预测转归与实际转归相符,模型预测的符合率为91.43%。经BP-ANN分析,根据MIV值,直接胆红素首次异常值、血清白蛋白含量、γ-谷氨酰转肽酶首次异常值、体重指数、天冬氨酸转氨酶首次异常值是对DILI患者临床转归影响最大的5个相关指标。结论:人工神经网络模型预测药物性肝损伤临床转归符合率较高,药物性肝损伤的临床转归大部分趋于痊愈或好转。