关键词： 高光谱   随机森林   可解释性   人参   中药材   产地  

摘要： 人参是传统中药材中的贵重品种,具有较高的经济价值。人参生长的地域性很强,不同产地人参有效成分含量存在差异,人参因“道地”与否,会导致其质量、医学效用和经济价值的差异,因此人参产地识别的意义重大。目前常通过磨粉提取等制备,再采用化学或光学等多种手段检验人参产地,但会造成样本破坏。而基于外观性状或芦头特征的鉴别,因主观性差异不能作为标准化的识别方法。如何用高精度、无损、快速检测识别的方法,对人参的产地进行识别分析,是该研究的主要立足点。通过采用高光谱成像技术,对已知产地信息的人参样本,通过获取从400~2 500 nm的反射光谱,经过基于白板的绝对和相对辐射校正处理,构建了高光谱反射率数据集。采用随机森林的机器学习方法,构建了基于高光谱数据的全光谱人参产地识别模型,并对不同尺度的地域划分规则分别开展了产地识别精度验证,发现不同产地的人参光谱有明显区别。其中东三省与否的产地识别精度,可以达到98.2%。同时利用随机森林基于决策树构建的优势,获得了人参产地识别的光谱重要性结果,为专用轻量化仪器研发指明特征光谱。高光谱人参产地识别研究作为严格的无损检测方式,将对人参等道地药材的产地识别、药材图谱指纹认知和挖掘、药材鉴定和质量评价等提供理论支撑和技术手段。

关键词： 碳价预测   Transformers模型   CEEMDAN模型   湖北碳市场  

摘要： 碳价是碳排放权交易市场的核心要素,对碳价的准确预测有助于政府科学制定碳市场政策;也有利于企业在碳市场中的有效决策,实现碳减排成本的最小化。本文基于CEEMDAN和Transformers模型提出一种全新的碳价预测方法,首先,从理论层面分析了影响碳价预测的主要因素,并运用皮尔森相关系数法识别出影响湖北碳价的关键因素;其次,考虑到碳价序列具有的非线性、非平稳性和多尺度特征,运用CEEMDAN模型对湖北碳价原始序列进行分解,得到7个子序列;最后,运用Transformers模型对7个碳价子序列分别进行预测,并将预测结果进行叠加,从而得到湖北碳价的最终预测结果。预测结果表明:运用该方法对湖北碳价预测的MAPE值为1.67%,是所有对比模型中预测效果最好的。基于此,要关注影响碳价的关键因素,建立碳价预测体系、开发碳价预测工具,科学设定碳配额量。

关键词： 中医学术传承   机器学习   监督学习   无监督学习   大数据  

摘要： 推动中医药传承是保障中医学经久不衰的动力,随着中医学理论体系的不断丰富,传统的传承模式已经无法满足当今中医学传承的需求。在计算机技术飞速发展的当下,机器学习在中医学传承中凸显出了重要地位。梳理并总结比较基于机器学习的两种基本形式,即监督学习和无监督学习在相关中医药研究中的应用,认为监督学习更适合“病-症-证”的研究,在临床常见疾病的辨证模型、风险预测模型与证素危险因素研究中更具应用价值,而无监督学习更适合“方-药”研究和隐性知识的发现。基于对当前机器学习平台的比较,认为自研平台应当拓展算法类型,以实现与专业数据挖掘平台的更好结合。基于中医药传承研究与大数据科学结合的发展现状,认为机器学习将在中医理论的传承创新、临床决策和新药研发等方面产出更有意义的成果,但还需进一步拓展学科交叉的广度和深度,开发算法更加优化的机器学习平台。

关键词： 机器学习   夏季降水   预测  

摘要： 利用湖南97个国家站的逐月降水资料、国家气候中心130项气候指数集以及国家气候中心和美国国家环境预报中心两套季节预测模式的降水预测资料,采用递归特征消除法确定预测因子并使用多层前馈神经网络、支持向量回归和自然梯度提升三种算法建立了两种湖南夏季降水统计预测方案的模型,检验了预测效果。结果表明:基于机器学习的预测模型对湖南夏季雨型分布有较好的预测能力,两种统计方案提前1~6 mon起报的夏季降水平均距平相关系数分别为0.15和0.19,相比于NCEP和NCC模式有较大提升,平均PS评分分别为69.3和69.2,高于NCC模式的63.1,略低于NCEP模式的71.5;进一步分析表明,3—5月起报的机器学习模型的预测技巧可能来源于前冬极地和中高纬环流,12—2月起报的模型预测技巧则可能来自海温的前兆信号。

关键词： 植被重建   随机森林算法   生物群区化法   孢粉   末次冰盛期   青藏高原  

摘要： 地质历史时期青藏高原的植被变化为理解高寒植被响应气候变化的机制提供重要证据.然而,由于缺少合适的利用孢粉化石等代用指标定量重建高寒植被的方法,阻碍了对青藏高原过去植被变化的深入理解.本研究基于青藏高原及其周边地区的现代孢粉数据,采用一种有监督机器学习方法——随机森林算法,构建利用孢粉数据重建青藏高原植被的模型,对比模型对现代样点的预测结果与样点实际植被及生物群区化法的重建结果,评估随机森林算法建立孢粉-植被模型的可靠性.结果显示,基于现代孢粉数据,利用随机森林模型重建的现代样点植被与实际植被有较高的一致性.与生物群区化法相比,随机森林算法重建青藏高原地区现代植被的准确性更高,可能更适用于该地区的古植被重建.基于51条孢粉化石记录,利用随机森林模型重建了青藏高原2.2万年以来的植被变化,重建的古植被格局变化大体与同时期全球气候变化和东亚季风演化趋势一致.末次冰盛期时,青藏高原大部分地区是荒漠植被,亚热带森林分布于高原东南缘.高寒草原从末次冰消期开始扩张,并且在高原中部和东部逐渐形成地带性植被.高寒草甸从早全新世开始占据高原东部和东南部,高原开始形成从东南至西北分布森林-草甸-草原-荒漠的格局.中全新世时,亚热带森林向北扩张,反映最适宜期的植被状况.之后,高寒草甸和高寒草原在晚全新世再次向南扩张.

关键词： 农作物病虫害   安卓   MySQL   自动识别  

摘要： 为了解决农作物病虫害自动识别的问题,帮助农户提高农作物的产量,研制一款农作物病虫害识别系统是十分必要的。本文开发了一款基于安卓+MySQL的框架开发的农作物病虫害自动识别系统。该系统连接农业工作者与农业专家,可实现一对一以及多对一的人员交流。系统利用安卓界面的直观性以及MySQL的优点,提高了实时性和安全性,达到了轻松种植的目的。

关键词： ERα抑制剂   特征筛选   随机森林   支持向量机   多元线性回归  

摘要： 雌激素受体α亚型(ERα)被认为是乳腺癌内分泌疗法的重要靶标。本文采用随机森林、支持向量机和多元线性回归方法,对1974个化合物建立ERα抑制剂活性预测模型。利用方差过滤法和Lasso回归思想筛选分子描述符,使用均方误差MSE来评估模型的预测效果。采用随机森林、支持向量机和多元线性回归方法在训练集和测试集上的均方误差分别为0.475和0.553、0.653和0.792、0.709和0.801。结果表明,随机森林优于其他机器学习方法,用于ERα抑制剂的活性预测具有良好的稳健性和预测能力。

关键词： SOFM神经网络   需求模式识别   动态预测   航空消耗件  

摘要： 企业状态不稳定性、消耗件故障规律不确定性及需求特征的动态性,特别是新冠疫情期间航空公司航班的大量停飞和逐渐恢复导致固定单一需求预测方法存在较大偏差。基于平均绝对误差和均方误差进行不同需求模式预测方法筛选,构建自组织特征映射网(self-organizing feature map,SOFM)对需求时间序列聚类,提出不同聚类模式和预测方法映射关系并实现数据与方法动态自适应。此自适应预测框架能够实现不同航材需求模式识别、多预测方法决策及同一航材多阶段动态预测。通过某航空公司实例验证表明该自适应框架具有较好的应用效果,适用于各类型的消耗备件需求预测。

关键词： 状态监测   分类算法   机器学习   减振器故障   悬挂元件  

摘要： 状态修利用数据采集、数据处理和决策分析,并根据部件的实际状态安排维修计划。采用状态修技术可以提高铁路系统的可靠性。本文针对不同运行工况下一系悬挂和二系悬挂系统减振器性能已经衰减的轨道车辆进行了仿真分析,生成了一个大型仿真数据库,并用于训练和测试分类算法,以检测面临的减振器故障。把车体、转向架构架和轮对的加速度计信号之间的频率响应函数作为故障指标和预测根据,并提供给分类算法。研究结果表明,1-紧邻分类器和线性支持向量机分类器对减振器性能衰减的预判均具有较高的分类能力。

关键词： 植物工厂   机器学习   智慧农业   现状   展望  

摘要： 植物工厂作为设施农业的最高级发展阶段,具有产量高、可周年连续生产、不受外界环境影响等诸多优点,其环境条件全部是人为控制,发展合理调控环境使之利于作物生长的技术显得尤为关键。通过建立研究作物生长的机器学习模型来合理预测作物生长的最优条件,对作物的生长状态进行实时识别,并对作物生长环境进行实时调控利于植物工厂向优质、高产、高效的方向发展。同时机器学习的方法也将是智慧农业和智慧植物工厂的契入点,发展机器学习的方法有利于带动智慧农业的技术转型升级于植物工厂中,有利于智慧农业和植物工厂取得长足的发展。