关键词： 电力变压器   故障诊断与预测   机器学习   支持向量机(SVM)  

摘要： 针对电力变压器故障诊断与预测问题,基于机器学习方法进行研究。在研究过程中,采用支持向量机(SupportVectorMachine,SVM)和深度学习2种机器学习方法进行故障诊断与预测,并对2种方法的性能进行了对比分析。根据实验结果,提出的基于机器学习方法的电力变压器故障诊断与预测研究,在提高故障诊断准确率和预测能力方面取得了显著成效。SVM、深度学习以及综合方法分别在不同程度上优化了故障诊断与预测的性能,为电力系统运行维护提供了有力支持。通过研究可以有效提高变压器故障的准确诊断率和预测准确度,降低电力系统的事故风险,确保电网安全稳定运行。

关键词： 卫星遥感   海表温度   云下海表温度   机器学习   Himawari-8卫星   瑞利校正  

摘要： 针对Himawari-8卫星因云层覆盖导致云下位置海表温度缺失或者反演精度下降的问题,利用近红外波段瑞利校正后阈值递增方法,建立6种无云-有云混合的遥感-实测样本数据集,评估了3种机器学习算法多层感知机(multi-layer perceptron,MLP)、随机森林回归(random forest regression,RFR)和支持向量回归(support vector regression,SVR)的云下海表温度反演的性能。实验结果表明,当阈值为0.125(无云)时,R^(2)都超过了0.98;当阈值为0.4时,性能指标趋于平稳,MLP、RFR和SVR算法的R^(2)分别为0.80、0.81和0.76。通过阈值递增方式构建的阈值模型对无云区域的海表温度影响较小,能够确保无云区域的反演精度。随着阈值的递增,模型对有云区域出现不同程度的低估和反演精度的下降,但在无云区域的制图效果与葵花卫星海表温度产品一致性较高。该方法可以显著提高海表温度反演结果的空间覆盖率,使得研究区空间覆盖率从75%提高到99%。

关键词： 农作物面积估算   分类混合效应模型   卫星图像  

摘要： 随着2020年新冠肺炎疫情在全球肆虐,国际环境动荡加剧引发了大众对于粮食储备问题的担忧,而及时估算种植面积对于有效应对可能的突发事件具有重要战略意义。考虑到粮食种植具有范围广、区域差异大的特点,因而进行面积估算时,混合效应模型是非常合适的选择,但现有文献多局限于解决有抽样单元的剩余区域的外推估算问题,对零样本量的域估计问题则鲜有涉及。值得注意的是,在进行农业抽样工作时,抽样数量的设计多服务于国家或省级层面,对于人口数量较少或经济程度不发达的地区,则容易出现没有样本被抽中的情况。往往这类地区是以农业为主要产业,因此忽视该类地区的农作物面积将会对我国实现农业精准监测产生显著影响。有鉴于此,本文提出使用改良后的分类混合效应模型预测方法(Modified Classified Mixed Model Prediction,MCMMP),其原理可概述如下:首先通过协变量信息对抽样单元进行聚类,然后使用混合效应模型预测所有类的随机效应,最后利用待估单元所处类的随机效应对待估单元面积进行估算。为展示MCMMP的应用潜力,本文基于山东省济宁市兖州区下属12个镇的卫星图像已经部分测绘数据,并结合“留一法”对小麦种植面积进行了估算。结果显示与现有方法相比,MCMMP具有更小的相对误差,且当感兴趣的变量为小域均值时,如村或镇范围的平均土地面积时,MCMMP依旧表现最优。

关键词： 机器学习   孔隙度估算   滩坝相   白垩系   车排子凸起  

摘要： 准噶尔盆地车排子地区白垩系储层以滩坝相沉积为主,储层砂体薄,纵向变化快,孔隙度估算难度较大。基于Xgboost机器学习算法,根据取心井的岩心实测数据,结合其对应的测井数据,建立了测井孔隙度模型。结果表明,研究区对储层孔隙度影响较大的测井变量为自然伽马测井、声波测井、密度测井和冲洗带电阻率测井,其相关系数分别为0.38、0.42、0.28和0.32。基于特征测井数据,利用Xgboost算法预测的孔隙度与实测孔隙度吻合度较高,相关系数为0.92,均方差为0.20。此外,对近期钻探的新井储层孔隙度进行预测,结果表明孔隙度较高的井段与试油数据相吻合,从侧面反映了模型的可靠性。这一结果为研究区油气藏评价和后期油藏模型的建立提供基础数据,有利于提高研究区勘探的精度。同时,该模型也可用于类似滩坝相、砂体薄的沉积背景下储层孔隙度估算研究。

关键词： 钢筋混凝土   深受弯构件   开裂剪力   机器学习方法   SHAP  

摘要： 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.

关键词： 粉煤灰活性   随机森林   特征重要性   部分依赖图   SHAP  

摘要： 针对粉煤灰活性快速分类问题,基于随机森林融合数据集分析、参数调整等方法,建立粉煤灰(CFA)活性智能分类模型。利用准确率、召回率、精确率和ROC曲线下面积SAUC这4种评估指标对模型进行评估。此外,使用特征重要性、部分依赖图(PDP)和机器学习解释(SHAP)模型3种方法来衡量特征物质的贡献。研究结果表明:模型的准确率为85.45%,召回率为97.56%,精确率为84.29%,SAUC为0.92。K_(2)O、Fe_(2)O_(3)、Na_(2)O和Al_(2)O_(3)对SHAP模型影响较大。随着K_(2)O、Na_(2)O等特征物质占比增加,粉煤灰呈现高活性的概率增加;而随着Al_(2)O_(3)等特征物质占比增加,粉煤灰呈现高活性的概率降低。所建立的模型可快速划分粉煤灰活性并判断其是否具有作为辅助胶凝材料的潜力。

关键词： SWAN   台风浪   随机森林   机器学习   预报  

摘要： 基于第三代海浪模型SWAN建立中国东海波浪数值模型,模拟1509号“灿鸿”台风,1909号“利奇马”台风和2106号“烟花”台风过境期间的波浪场,并将结果作为多层感知机,随机森林和支持向量回归预报台风浪模型的数据集,同时引入空间性特征对算法输入进行改进,并对比不同模型的训练速度。结果显示,加入空间性特征后,模型预报精度得到提升,其中多层感知机均方根误差降低40.4%,运行速度最快,随机森林均方根误差降低20.8%,运行速度最慢,支持向量回归均方根误差降低8.7%,运行速度介于前两者之间。表明改进后的模型有效提高了预报精度,可以用于针对台风浪的短期预报。

关键词： Federated learning   Knowledge distillation   Privacy preserving   Heterogeneous environment  

摘要： Federated learning(FL)is a novel technique in deep learning that enables clients to collaboratively train a shared model while retaining their decentralized ***,researchers working on FL face several unique challenges,especially in the context of *** in data distributions,computational capabilities,and scenarios among clients necessitates the development of customized models and objectives in ***,existing works such as FedAvg may not effectively accommodate the specific needs of each *** address the challenges arising from heterogeneity in FL,we provide an overview of the heterogeneities in data,model,and objective(DMO).Furthermore,we propose a novel framework called federated mutual learning(FML),which enables each client to train a personalized model that accounts for the data heterogeneity(DH).A“meme model”serves as an intermediary between the personalized and global models to address model heterogeneity(MH).We introduce a knowledge distillation technique called deep mutual learning(DML)to transfer knowledge between these two models on local *** overcome objective heterogeneity(OH),we design a shared global model that includes only certain parts,and the personalized model is task-specific and enhanced through mutual learning with the meme *** evaluate the performance of FML in addressing DMO heterogeneities through experiments and compare it with other commonly used FL methods in similar *** results demonstrate that FML outperforms other methods and effectively addresses the DMO challenges encountered in the FL setting.

关键词： CT   Attention-MIL模型   COVID-19   社区获得性肺炎  

摘要： 目的:利用深度学习技术,全自动标注病变的计算机断层扫描(CT)数据,开发准确快速区分新型冠状病毒感染(COVID-19)和其他社区获得性肺炎的人工智能模型。方法:回顾性分析248例COVID-19患者及347例其他肺炎患者的资料,进行COVID-19与其他肺炎分类;在人工智能肺分割提取后将异常的CT图像特征降维,输入几种经典强化机器学习模型、三维卷积神经网络(3D CNN)和注意力多示例学习(Attention-MIL)深层神经网络架构中,模型诊断性能利用受试者工作特性(ROC)曲线、精确召回率(PR)曲线、曲线下面积(AUC)、敏感性、特异性、准确性指标进行评价。结果:在经典机器学习模型中K邻近算法(KNN)具有较好的效果,在外部测试集上的AUC值和平均精度(AP)值分别为0.79和0.89,平衡F分数(F1)值为0.76,准确率为0.75,敏感性为0.76,精确率为0.77;经典的3D CNN在外部测试集上效果良好,AUC值和AP值分别为0.64和0.82,F1值为0.71,准确率为0.78,敏感性为0.66,精确率为0.62;Attention-MIL模型在外部测试集上表现出更好的鲁棒性,AUC值和AP值分别为0.85和0.94,F1值达到0.82,准确率为0.92,敏感性为0.74,精确率为0.76。结论:与强化影像组学和3D CNN模型相比,深度学习Attention-MIL模型在鉴别诊断COVID-19和其他社区获得性肺炎上表现出更高的效能。

关键词： MLP神经网络   LightGBM   Optuna自动化调参   抗癌候选药物   分类预测  

摘要： 【目的】针对常规数据处理导致分类预测精度不高等问题，提出Optuna-MLP-LightGBM组合模型用于抗癌候选药物的性质分类预测。【方法】对收集的1974种化合物（每个化合物各729个分子描述符），首先利用多层感知机（MLP）对高维数据进行聚合处理，再采用跳转连接实现数据的宽度处理，即将输出数据与输入数据合并组成宽度数据集，以此提高数据的特征识别，同时避免有用信息的缺失从而提高信息的流通；然后，用LightGBM替换MLP神经网络中的分类层，可以更好的进行分类处理以及避免过拟合问题，最后构建基于Optuna优化的MLP-LightGBM分类预测模型，用于候选药物的小肠上皮细胞渗透性（Caco-2）的分类预测。【结果】模型AAccuracy、AUC和FF1值分别达到91.03%、97.31%和90.48%，由消融实验可以发现，通过MLP-LightGBM实现数据宽度处理以及分类后，模型分类效果相比MLP模型得到提升，三种指标分别提升了0.51%、1.22%和0.7%；与逻辑回归（LR）、Attentive FP、MLP等传统模型相比该模型能更好整合数据信息，其中与基模型相比平均增长幅度分别达到5.94%、5.65%和6.56%。【结论】由于跳接处理使MLP网络可以达到特征的有效提取和扩充数据集的目的，同时引入机器学习可以更好的提高分类精度，因此在药物高通量筛选中可以成为重要的辅助工具。