关键词： 极端梯度提升模型   抗乳腺癌药物   分类预测  

摘要： 乳腺癌是目前世界上最常见致死率较高的癌症之一.通过选用机器学习中处理二分类预测问题的支持向量机(SVM)、K近邻算法(KNN)、随机森林(RF)、极端梯度提升(XGBoost)四种模型,运用每一种模型分别对给定的样本数据构建出化合物的ADMET(吸收Absorption,分配Distribution,代谢Metabolism,排泄Excretion和毒性Toxicity)五个指标的分类预测模型,对比选择出五个指标的预测准确率均在84%以上的XGBoost模型,最后对给定的化合物进行预测并得出化合物所对应的ADMET性质.结果表明,利用XGBoost模型进行分类预测的方法是有效的,对于抗乳腺癌药物的研发具有参考意义.

关键词： 神经网络   氨氮去除   电化学   智能控制   预测  

摘要： 利用反向传播神经网络(Back Propagation Neural Network,BPNN)建立氨氮去除效果预测模型和智能控制策略。模型由具有BPNN模型的预测模块和控制模块组成。首先,采用4层隐藏层(每层60个神经元)和负反馈调节机制开发BPNN算法,优化模型并预测氨氮去除率。参数分析及响应面模型对比结果表明所提出的BPNN模型具有更好的决定系数(0.9580)。根据水质变化和确定的氨氮去除率目标,通过BPNN模型获得电化学过程中电流智能调控策略,该智能控制策略减少了水质波动对氨氮去除的负面影响,并使能耗降低38%。

关键词： 全球变暖   机器学习方法   ARIMA   多元线性回归模型   Global Warming   Machine Learning Methods   ARIMA   Multiple Linear Regression Model  

摘要： 全球气候变暖已成为国际社会广泛关注的问题，本文利用ARIMA和多元线性回归模型来分析全球的温度变化和影响气温的因素。首先我们对1992年到2022年全球平均气温的12个月份数据，使用SPSS软件进行可视化与预处理，对异常值的波动进行总结并建立数学模型。然后我们开发一种机器学习方法对火山爆发、森林火灾、新冠肺炎和太阳活动异常四种自然灾害的影响进行分析，给出了长期线性趋势，得出自然灾害对气候变暖的影响。接着对于影响全球气温变化的原因，我们从降水量、海洋表面温度、全球平均温度、二氧化碳浓度、地球吸放热等因素进行考虑，利用逐步回归法通过SPSS进行相关性检验求解多元线性微分方程，得出地球放热对温度影响最大。最后我们对模型进行了优化和推广，将ARIMA模型与多元线性回归预测模型进行结合，利用极寒天气情况对模型进行推广，检验模型的灵敏度，最终的拟合效果较好，应用场景较广。

关键词： 急性肾损伤   机器学习   预测模型   系统综述  

摘要： 目的:系统性回顾基于机器学习方法的急性肾损伤预测模型的研究现状,为探索临床早期诊疗提供参考。方法:检索PubMed、Web of Science和CNKI近10年急性肾损伤的论文,利用机器学习方法预测,进行文献筛选后重点提取预测研究的设计、数据的利用和预测模型的建立与评估3个方面的内容。结果:检索纳入13个国家或地区的71篇论文。54项研究为单中心回顾性研究。样本量范围为18~970869(中位数为5133),特征数量范围为10~1917(中位数为25)。实验室检查数据为常用特征。多数研究没有解决数据偏差问题(如数据缺失、样本不均衡)。仅7项研究建立动态连续预测模型。结论:利用机器学习方法预测急性肾损伤尚无法与临床诊疗深度融合。未来研究应基于优化的数据和算法,建立多中心前瞻性的融合复杂算法的动态预测模型。

关键词： 小于胎龄儿   预测模型   机器学习   系统评价   预测性能  

摘要： 目的 系统评价基于机器学习方法构建的小于胎龄儿预测模型,为模型的构建和优化提供参考。方法 计算机检索PubMed、EMbase、Web of Science、CBM、WanFang Data、VIP和CNKI数据库,搜集关于小于胎龄儿预测模型的研究,检索时限均从建库至2022年8月10日。由2位评价员独立筛选文献、提取资料并评价纳入研究的偏倚风险后进行系统评价。结果 共纳入14个研究,样本量范围347~215 865例。使用逻辑回归、随机森林等19种方法构建了40个预测模型,13个研究的偏倚风险评价结果为高风险,预测模型的曲线下面积(AUC)为0.561~0.953。结论 小于胎龄儿预测模型的整体偏倚风险较高,预测性能一般,XGBoost方法构建的模型在不同研究中都获得了最好的预测性能,stacking方法将不同模型融合可以提升预测性能。母亲血压、胎儿腹围、头围与估计胎儿体重是小于胎龄儿的重要预测因子。

关键词： 双重机器学习   银行竞争   企业负债   融资约束  

摘要： 本文以2009年中国银监会降低中小商业银行设立分支机构的准入门槛作为外生事件,实证检验了银行业竞争加剧对企业债务和投资带来的影响。在实证方法上,本文采用双重机器学习模型进行因果识别,该方法能克服传统线性回归的模型误设和机器学习模型的正则偏误问题。本文研究发现:银行业竞争加剧能显著降低企业负债成本,提高企业长期借款的融资能力,并促进企业“脱虚向实”。在异质性分析中,本文发现银行竞争所带来的正面影响在小规模企业中表现得更为显著。本文研究对于解决中小企业“融资难融资贵”,改善企业金融化现象,以及优化金融资源配置具有重要启示。

关键词： 气候变化传播   框架策略   主题模型网络分析   无监督机器学习   LDA主题模型  

摘要： 气候政策体系中的一个重要环节是加强面向公众的气候变化传播。在传播中使用并创新框架策略能达到影响公众认知与行为,提升传播效果的目的。但现有气候变化传播框架策略研究在媒介选择和方法运用上存在不足,难以支撑框架策略在形态丰富性和识别准确性上的创新。从视频媒介YouTube上提取234个气候变化纪录片的字幕构建了130万单词量的语料库,并基于无监督机器学习的主题模型网络分析法识别其中的框架策略。结果发现,气候变化视频传播语料中存在“环境威胁框架”“人类威胁框架”和“危机可控框架”3种策略。前两者分别强调气候变化对环境和人类生存的威胁;后者则强调气候变化所造成负面后果可通过科学、技术及多主体共同行动来有效控制。这是已有文献中未曾发现的复杂框架策略。研究发现对推进中国气候变化传播实践具有重要启示。

关键词： 机器学习   超临界二氧化碳   管道   泄漏   卷积神经网络   支持向量机  

摘要： 碳捕集与封存(CCS)项目中涉及的大规模CO_(2)适合采用超临界管道输送。然而超临界CO_(2)管道泄漏过程伴随着复杂相变,因此对其最大泄漏速率进行准确预测是目前的研究难点。鉴于传统物理模型方法存在建模复杂、假设过多、计算耗时等缺点,研究提出通过机器学习方法预测超临界CO_(2)管道最大泄漏速率,分别采用粒子群算法优化的支持向量机(PSO-SVM)和简化处理的卷积神经网络(CNN)对等熵阻塞泄漏模型所生成的泄漏特征数据进行学习,并测试了机器学习模型的预测准确率和泛化能力。研究结果表明:①物理模型、PSO-SVM、CNN的预测结果与实验数据的平均误差为28.82%;②两种机器学习模型预测精度相差不大,CNN的训练时间远短于PSO-SVM,但PSO-SVM的泛化能力强于CNN,因此,SVM适用于小样本数据精确预测,而CNN更适用于对大数据的学习和预测。本研究成果为超临界CO_(2)管道最大泄漏速率预测提供了一种高效的新方法。

关键词： 组合预测模型   变分模态分解   混沌麻雀搜索优化算法   长短时记忆神经网络   多元线性回归   总氮  

摘要： 地表水体水质参数具有高度非线性和非平稳性特征。为提高水质预测的精度,以鄱阳湖湖区4个在线水质自动监测站总氮(TN)为例,引入变分模态分解(VMD)方法处理原始TN数据,得到具有不同频域的模态分量,对其中变化复杂的各高频分量,采用长短时记忆神经网络模型(LSTM)进行预测,并引入混沌麻雀搜索优化算法(CSSA)对LSTM模型的超参数进行自动率定;对周期性变化的各低频分量,采用多元线性回归模型(MLR)进行预测,再将上述各分量预测结果叠加得到水体TN的预测结果,最终提出了一种新的水质组合模型VMD-CSSA-LSTM-MLR(VCLM),并与3种单一模型LSTM、支持向量回归(SVR)和BP神经网络进行对比,验证了VCLM模型的效果。提出的模型可以作为湖区在线水质监测和水环境综合管理的有效工具。

关键词： 山南汛期降水   气候因子   机器学习  

摘要： 利用山南地区1980—2022年汛期降水距平资料,对其进行降水特征分析,得出山南地区汛期降水百分率整体呈略微增加趋势,即每10a降水百分率增加了1.7%;调用国家气候中心提供的气候因子与山南汛期降水距平做相关性分析,得出西伸脊点指数、亚洲区极涡面积指数、东亚大槽强度、西太平洋副高北界位置指数等气候因子与山南汛期降水相关度较高;分别用130个气候因子和挑选的优势气候因子指数为预报因子,分别基于支持向量机、决策树、随机森林等机器学习方法建立了山南汛期季节降水预测模型,采用ps评分的方法对各模型进行检验,结果发现:在检验时段内4月起报山南初夏降水ps评分为72.56分,6月起报山南盛夏降水ps评分为72.43分,6种机器学习中卷积神经网络学习ps评分最高为74.65分,挑选最优气候因子ps评分略高于国家气候中心提供的130个气候因子的ps评分。