关键词： 性别识别   机器学习方法   适用性  

摘要： 针对人脸图像的性别识别领域,从准确率、计算速度、稳定性等多个角度出发,采用无监督学习、半监督学习、有监督学习等多种机器学习方法进行计算识别。将不同机器学习方法的运行结果进行统计整理,分析各个方法的优缺点。通过参数特征的对比,得出不同应用场景下的机器学习方法适用性结论,为实际应用场景提供具有参考价值的机器学习方法选择方案。

关键词： 科技大数据   价值评估   价值链模型   机器学习方法  

摘要： 科技大数据在科技创新、社会经济运行和国家安全等活动中发挥着重要的作用,其价值评估问题是目前学术界和工业界关注的难题。基于价值链理论和品牌价值理论,本文构建了科技大数据的全过程价值链模型,提出了科技大数据的核心价值链;基于科技大数据核心价值链,构建了科技大数据价值评估指标体系,并针对其中难以量化的关键指标,提出了基于社交网络分析和动态主题模型的指标测度方法,同时以科技论文数据为例验证了所提测度方法的有效性。本文研究为科技大数据价值评估难题提供了新的研究视角、理论框架和模型方法。

关键词： 通货膨胀   机器学习   SHAP值解释性方法   通胀预期  

摘要： 准确识别通货膨胀的影响因素,可以前瞻性地防范通胀风险及其危害,具有重要政策意义。已有研究主要使用SVAR等传统计量方法分析通胀的影响因素,但传统计量方法能够涵盖的因素种类和非线性关系有限。考虑到机器学习方法能够有效突破传统方法的局限,本文综合使用SHAP值解释性方法和SVR等多种非线性机器学习方法,重新识别了2001—2019年间我国所发生的5轮通胀的影响因素。研究结果表明,第一,通胀预期和食品价格上涨是过去20多年间多轮通胀的共同驱动因素;第二,消费和投资等需求拉动因素对通胀的影响逐渐减弱,成本推动因素尤其是劳动力成本对通胀的影响不断增强;第三,货币政策能够通过多种渠道影响通胀走势,并且一直是通胀的重要影响因素。有鉴于此,建议通过加强引导通胀预期、稳定食品生产和供应、营造良好经营环境以缓解劳动成本上涨压力等举措防范通胀风险。此外,不能因为担心通胀压力就过于束缚货币政策的力度,应该在做好金融市场和房地产市场宏观审慎监管的前提下,适当加大货币政策对实体经济的支持力度,以更好地应对我国经济下行压力。

关键词： 新能源车   非平衡数据集   机器学习   需求分析  

摘要： 为确定新能源车的市场需求,估计新能源车在特定区域的市场占有率并构建未来市场占有率的预测模型。依据2017年全美国家庭出行调查所提供的新能源车用户详细信息,考虑了车辆相关、家庭相关和个人相关三组变量,进行了因素分析和预测模型的建立,研究了新能源车的购置行为。此外,考虑到新能源车用户仅占所有受访者的4.2%,因此采用非平衡数据集的处理方法,弥补了现有研究中该方面的空白。为更好地构建预测模型,对Logistic回归法(LR)、朴素贝叶斯算法(NB)、随机森林算法(RF)、支持向量机(SVM)和决策树(DT)等机器学习方法进行模型构建和比较,结果表明,随机森林算法(RF)具有最佳预测能力。

关键词： 企业创新   政治关联   国有企业   混合所有制改革   双重/无偏机器学习  

摘要： 基于2008—2019年我国国有上市企业混合所有制改革样本数据,使用双重/无偏机器学习方法,研究国有企业混合所有制改革对企业创新水平的影响,为时下进行的国有企业混合所有制改革提供参考借鉴。研究表明,国有企业混合所有制改革有效促进了企业创新水平的提升,同时,引入具有政治关联的民营股东能进一步提升企业的创新水平;进一步机制研究表明,国有企业混合所有制改革通过提高创新投入强度与改善创新效率两途径促进企业创新水平提升。

关键词： 植被覆盖度   多源遥感   机器学习   科尔沁沙地  

摘要： 植被覆盖度是监测生态系统及其功能的关键参数,如何提高大区域植被覆盖度的反演精度,对生态脆弱区环境可持续发展至关重要。本研究基于人工神经网络、支持向量回归和随机森林等机器学习方法,利用无人机、Worldview-2与Landsat 8 OLI遥感数据,对科尔沁沙地植被覆盖度进行多尺度反演。结果表明:随机森林模型比人工神经网络、支持向量回归模型表现佳,可在单元(试验区)、区域(研究区)尺度上较高精度地反演沙地的植被覆盖度,反演值与无人机实测值均在线性水平上呈显著相关(P<0.01);在单元、区域尺度上,构建的植被覆盖度反演模型测试集R^(2)分别为0.84、0.80,MSE分别为0.0145、0.0370,一致性指数d分别为0.9576、0.8991。利用多源遥感数据和机器学习方法,通过局部区域的高精度反演逐步实现低空间分辨率遥感影像的大区域植被覆盖度反演,不仅可有效提高沙地植被覆盖度的反演精度(R^(2)=0.78,大于0.63),也为区域生态环境监测与生态系统健康评价提供支持。

关键词： 小推力   变比冲   轨迹优化   机器学习   间接法  

摘要： 针对变比冲小推力轨迹间接优化中的协态变量初值猜测问题,提出了一种基于机器学习的协态变量初值高精度高效估计方法。首先,基于标称最优轨迹延拓,建立了状态量边值高扰动上限情形下的数据集生成方法,并分析了扰动上限对求解效率的影响。然后,构建了基于位置速度、轨道根数和改进春分点轨道根数多形式状态量组合输入的人工神经网络(ANN)映射关系,分析并优化了神经网络结构。将提出的方法应用于深空探测小推力转移场景,仿真结果表明该方法相对于标称轨迹直接扰动的数据集生成方法及单一形式状态量输入的人工神经网络映射方法,均有效地提升了求解收敛率,能够高效高精度地估计协态变量初值,实现轨迹快速优化。

关键词： 石墨炔   原子电催化剂   自验证机器学习   密度泛函理论  

摘要： 近年来,原子催化剂(ACs)引起了广泛的研究关注.目前该领域的长足发展受限于贵金属的使用和单原子催化剂(SACs)的性能有限.本文总结了利用密度泛函理论(DFT)和机器学习(ML)方法筛选高效的基于石墨炔(GDY)的原子催化剂的工作.研究表明, Pd, Co, Pt和Hg可以形成稳定的零价过渡金属-石墨炔组合(TM-GDY),而镧系-过渡金属的双原子催化剂(Ln-TM DAC)组合通过f-d轨道耦合作用可以获得有效的催化性能提升.进一步分析表明,主族元素与过渡金属和镧系金属的结合可以通过p轨道耦合保持高电活性,从而构成高度稳定的GDY-DAC系统,机器学习算法也揭示了s,p轨道的作用.此外,理论算法技术在筛选催化水分解析氢反应(HER)的高效组合上也表现出了优越性,创新性地预测了石墨炔-原子催化剂在实际催化反应中的潜能.本综合评述可为未来设计新型原子催化剂提供新的思路与策略.

关键词： 分类预测   决策树   KNN  

摘要： 文章主要介绍了对大数据进行分类预测的深度学习算法,并使用K近邻算法(KNN)、决策树算法(CART)、支持向量机算法(SVN)、贝叶斯算法、人工神经网络算法(ANN)等对ADMET性质进行分类预测,为乳腺癌治疗效果提供了一种评价方法。