关键词： 牛膝   炮制品   炮制程度   红外光谱   正交偏最小二乘法-判别分析   机器学习算法  

摘要： 目的采用红外光谱技术结合机器学习算法建立牛膝Achyranthes bidentata炮制品类别与炮制程度的定性判别模型。方法采集不同炮制品与不同炮制程度牛膝的中红外光谱(midinfraredspectroscopy,MIRS),运用BP神经网络(back propagation neural network,BPNN)、遗传算法优化BP神经网络(GA-BP)、随机森林(random forest,RF)、径向基神经网络(radial basis function network,RBFN)、卷积神经网络(convolutional neural networks,CNN)等机器学习算法建立牛膝炮制品类别与炮制程度的定性判别模型;采集不同炮制品与不同炮制程度牛膝的近红外光谱(near infrared spectroscopy,NIRS),使用TQAnalyst软件中的判别分析法建立牛膝炮制品类别与炮制程度的定性分析模型。结果机器学习算法模型结果显示CNN判别模型较优秀,BPNN、RF及RBFN性能相近,GA-BP模型性能相对较差。3个NIRS定性模型结果显示验证集准确率均为100%,可准确预测炮制品类别与炮制程度。结论通过红外光谱技术建立的定性分析模型可作为牛膝炮制品类别与炮制程度的鉴别手段。同时提供了快速、无损的检测手段及可靠的数据分析方法,为中药材炮制品类别与炮制程度精准识别提供新的方法参考。

关键词： 机器学习   高空数据质控   XGBoost  

摘要： 【目的】建立一套基于机器学习方法的探空数据的自动化质量控制检测算法模型,为提高大气探空数据质量控制的效率及质量提供参考。【方法】本模型使用大气探空观测原始数据,以三西格玛准则完成初步质控,基于三西格玛准则检测结果标记生成机器学习数据集,应用XGBoost机器学习算法完成最终质控模型的构建。【结果】实现了对大气探空观测数据温度、气压、湿度、仰角、方位角、斜距素数的异常数据检测,模型异常数据检测精确率96.7%,识别率比人工检测提高了43.5%。【结论】模型对要素异常值检测具有较好的效果,较人工识别性能有明显提升。

关键词： 图像特征   遥感影像分类   变化检测   遥感技术   机器学习方法   细粒度   遥感数据   直接提取  

摘要： 遥感技术革命性地拓展了人类观测地球的手段和能力,遥感数据理解已成为当前认知地球变化、了解人类活动的重要工具。遥感影像分类是遥感图像理解的基石,在地物观测和变化检测等领域正发挥着关键作用。现有机器学习方法多基于图像直接提取图像特征预测类别标签,然而图像特征与类别标签之间存在较大的语义鸿沟,面向少样本、细粒度的遥感影像进行分类仍是当前非常具有挑战性的任务。

关键词： 抑郁症   人工智能   预测   血细胞分析参数  

摘要： 通过机器学习算法挖掘常规检验的血细胞分析参数,构建抑郁症诊断及与焦虑症鉴别诊断的预测模型。利用2020—2021年北京朝阳医院和河北医科大学第一医院血细胞分析参数进行研究,收集研究对象22项血细胞分析检验项目及年龄、性别参数,探索采用支持向量机、决策树、朴素贝叶斯、随机森林和多层感知器多种机器学习技术构建抑郁症预测模型。结果显示,基于健康人群和抑郁症组血细胞分析参数,构建的随机森林模型预测抑郁症发生准确率高达0.99,F1为0.975,受试者工作特征曲线下面积和平均精准度分别为0.985和0.967。血小板参数变化是影响抑郁症发生的重要因素。而基于抑郁症组和焦虑症组的血细胞分析数据,构建的随机森林鉴别诊断模型显示出最高的预测准确性(0.68)和AUC(0.622)。年龄和血细胞参数及红细胞平均体积对该模型贡献最大。综上,本研究通过挖掘血细胞分析项目,初步建立了抑郁症预测及与焦虑症的鉴别诊断模型,显示了机器学习模型在精神疾病中更为客观的评估价值。

关键词： 机器学习   气象归一化   大气污染物   长期趋势   随机森林模型  

摘要： 选取2015~2021年长三角地区4个代表性城市污染物浓度,利用机器学习的气象归一化方法解耦气象因素对污染物的影响,量化气象和排放对污染物浓度变化的贡献.结果表明,长三角地区PM_(2.5)、NO_(2)和SO_(2)排放下降影响贡献较大(57.2%~68.2%、80.7%~94.6%和81.6%~96.1%),抵消了气象因素带来的不利影响,致使污染物浓度降低.而气象条件对于臭氧日最大8 h(MDA8O_(3))的贡献强于其他污染物(23.5%~42.1%),其中气象因素促进污染物浓度上升(4.7%),排放变化促进污染物浓度下降(-3.2%).NO_(2)和MDA8O_(3)在2019~2021年降幅更快,主要原因是2019~2021年排放起到较2015~2018年更强的促进污染物浓度降低作用.PM_(2.5)和SO_(2)在2019~2021年的降幅较2015~2021年整体有所减弱.基于机器学习的气象归一化方法可以解耦气象对污染物的影响,量化排放变化对污染物浓度的影响,为评估污染控制政策的有效性提供了很好的研究手段.

关键词： Failure modes  

摘要： Traditional machine learning models have difficulties in balancing the prediction accuracy and model interpretability‚ as well as have inconsistent results between model predictions and actual physical laws. In order to overcome these limitations‚ a physics-supervised interpretable machine learning approach was proposed to predict the seismic failure modes of reinforced concrete (RC) columns. The physical laws between key characteristic parameters and seismic failure modes of RC columns were revealed first based on the seismic failure modes evolution mechanism of RC columns‚ laws analysis of test data‚ and engineering experience. Then‚ an interpretable model for predicting the seismic failure modes of RC columns was proposed by multiclass logistic regression algorithm. Furthermore‚ the optimal hyperparameter satisfying the physical laws and with the minimum error were obtained by encoding the physical laws and equal proportion K-fold cross-validation algorithm. Finally‚ a physics-supervised multiclass logistic regression (PMLR) prediction model for failure modes of RC columns was established based on the multiclass logistic regression interpretable model and optimal hyperparameter. The results show that the proposed model has satisfactory accuracy and natural interpretability. The prediction results not only meet the actual physical laws between key characteristic parameters and seismic failure modes of RC columns‚ but also reflect the competitive relationship between seismic failure modes of RC columns. The proposed model overcomes the limitation that the prediction results are inconsistent with actual physical laws by traditional logistic regression (LR) model. The prediction accuracy of the proposed model is improved by 12% -35% and 4% -9% respectively when compared with traditional empirical classification methods and machine learning models. © 2023 Science Press. All rights reserved.

关键词： IgA肾病   铁死亡   机器学习  

摘要： 目的本研究利用机器学习探索IgA肾病(IgAN)铁死亡的潜在诊断标志物及其生物学过程,并研究其与IgAN免疫细胞浸润的关系。方法从GEO数据库中下载来自IgAN患者和对照组的肾小球组织的微阵列数据集(GSE93798,GSE104948),通过FerrDb数据库获取全部铁死亡相关基因数据,获得IgAN组和对照组中有差异表达的铁死亡相关基因(P<0.05)。用LASSO回归、支持向量机和随机森林三种机器学习策略来确定潜在的IgAN铁死亡诊断标志物。为了评估这些潜在生物标志物的诊断效果,分别绘制了训练集和验证集的ROC曲线。此外,还采用CIBERSORT算法评估了IgAN肾组织的免疫细胞浸润情况,并研究了生物标志物和免疫细胞浸润之间的关系。结果共鉴定出157个IgAN组中的差异表达基因分析(DEGs);其中64个基因明显上调,93个基因明显下调。IgAN组和对照组中有特别显著差异表达的铁死亡相关基因52个。使用LASSO回归、支持向量机和随机森林三种机器学习策略最终确定了ZFP36被鉴定为IgAN的潜在诊断标志物。ZFP36在训练集的ROC曲线下面积为0.874,在验证集的ROC曲线下面积为0.874。免疫细胞浸润分析结果表明,静止树突细胞、中性粒细胞、单核细胞和静止的NK细胞可能参与了IgAN的发展。此外,ZFP36与这些免疫细胞亚型有不同程度的关联。结论铁死亡与IgAN的发生发展密切相关。ZFP36作为IgAN铁死亡的潜在诊断标志物,将为IgAN的诊断、治疗及预防提供新的靶点。

关键词： 卷积神经网络   注意力机制   局部特征   机器学习方法   数据特征   网络应用   识别准确率   检测任务  

摘要： 随着网络应用的普及,恶意URL攻击给人们的个人隐私和财产安全构成了严重威胁。为有效检测恶意URL,本文构建了基于机器学习方法的CBA模型。该模型以Bi-LSTM模型为基础,结合卷积神经网络,在有效提取数据局部特征的同时解决输入文本长度不均衡的问题。通过引入注意力机制,按不同权重对数据特征进行重新排序,提高了模型的识别准确率。实验数据表明,CBA模型在恶意URL检测任务中相比其他模型表现出更优异的性能。

关键词： 机器学习   木材识别   定量解剖   计算机视觉   化学指纹图谱   DNA条形码  

摘要： 随着全球林产品贸易量的剧增和木材非法贸易活动的加剧,珍稀濒危树种保护成为国际社会关注的焦点。发展科学准确的木材识别方法是保护全球森林资源、促进林产品国际贸易健康发展的重要途径。近年来,随着木材科学领域与计算机技术的不断交叉融合,机器学习方法被引入木材树种识别研究领域,促进了木材识别新技术的发展,突破了传统方法无法实现木材“种”水平精确快速识别的技术瓶颈,逐渐成为木材树种识别方向的研究热点。文中综述近年来机器学习方法在定量解剖、计算机视觉、化学指纹图谱、DNA条形码等木材树种识别研究中的应用,并讨论现存的问题及发展方向,以期为木材树种识别研究提供参考。

关键词： 机器学习   多元逐步回归   随机森林   支持向量机   空气污染预报  

摘要： 以中国西北5个省会城市为研究区域,利用2015年1月1日-2020年7月21日空气质量监测资料与气象数据构建基于多元逐步回归(MSR)、随机森林(RF)与支持向量机(SVM)的空气污染预报模型,以平均绝对误差、均方根误差及拟合度指数I_(A)为评判指标,对模型的模拟精度进行对比分析.结果表明,针对5个城市构建空气污染预报模型时,RF重要性评估法比Spearman相关系数法更适用于筛选预报因子.MSR、RF与SVM模型的预报性能由强至弱依次为MSR>RF>SVM.3种模型预报结果均I_(A)>0.8,预报值与实际观测值之间的相关程度较高.