关键词： 地质灾害   危险性评价   机器学习   灾害地质调查工程   大安镇   宁强县   陕西  

摘要： 【研究目的】地质灾害的孕育和发生受多种因素的影响，具有不确定性和复杂性，给地质灾害的危险性评价带来一定困难。随着AI技术的发展，智能算法能更准确地计算地质灾害孕育与诱发因素之间的多元复杂非线性关系，大大提高了地质灾害危险性模型的准确性，在区域地质灾害危险性评价中逐步得到应用。【研究方法】本文结合宁强县大安镇野外地质调查数据，挑选与地质灾害发生密切相关的 12 种致灾因子，即高程、坡度、坡高、坡向、坡型、工程地质岩组、断裂距离、水系距离、道路距离、植被覆盖、降雨及地震动峰值等作为危险性分区评价因子。通过构建样本集，运用贝叶斯、神经网络、策略梯度神经网络、KNN、随机森林算法这5种模型进行宁强县大安镇地质灾害危险性建模并进行比较。【研究结果】计算结果表明，贝叶斯模型（AUC 0.894）表现最好，绝大多数已发生的地质灾害点位于评价的极高和高危险区，且贝叶斯模型计算结果达到预测精度评价要求。【结论】在宁强县大安镇地质灾害样本数目很少的情况下选择贝叶斯算法模型进行地质灾害危险性评价，是具有可行性的。

关键词： 机器学习   机器学习方法应用   推荐系统  

摘要： 随着信息技术的日益发达,互联网上信息爆炸式增长。如何让用户在海量信息中找到自己感兴趣的内容已经成为了一个亟待解决的问题。在这样的背景下,内容推荐系统应运而生。本文详细描述了基于机器学习方法的内容推荐系统的架构、算法、设计和实现,希望能够为内容推荐系统的效果带来更大程度的提升。

关键词： 矩阵正态分布   低秩分解   判别分析   分类预测  

摘要： 文章在矩阵正态分布下研究矩阵数据的参数估计及其分类方法。首先,基于低秩分解和矩阵正态分布的惩罚似然函数方法提出矩阵数据的参数估计和秩的自适应确定方法;其次,应用块坐标下降方法与增广拉格朗日乘子算法给出有效的迭代估计算法;然后,基于判别分析方法提出低秩分解下的分类预测规则;最后,通过大量数值模拟及卫星陆地资源数据和手写体数字的识别应用,验证了低秩估计方法对提高矩阵数据的估计和分类预测精度具有明显的效果。

关键词： 创伤   机器学习   检伤分类   预测模型   急救医学  

摘要： 背景创伤现场批量伤员的检伤分类是现场急救中的关键环节,探索如何更加高效准确地对伤员进行检伤分类具有重要意义。目的基于生命体征数据和机器学习算法建立并验证创伤伤员检伤分类预测模型。方法回顾性分析美国创伤数据库2017—2019年的院前急救创伤伤员数据,采用支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、梯度提升决策树(gradient boosting decision tree,GBDT)、极端梯度提升(eXtreme gradient boosting,XGBoost)和多层感知机(multi-layer perceptron,MLP)5种机器学习算法开发创伤伤员检伤分类预测模型并验证。采用准确率、精准度、召回率、F1值和AUC值(ROC曲线下面积)进行结果评价,使用ROC曲线进行可视化,并在解放军总医院第一医学中心急诊创伤数据集中对最优模型结果进行验证。结果共选取伤员数据24948例,基于ISS分级标准分为轻伤9496例,中等伤9532例,重伤5496例,危重伤424例。ROC曲线分析显示,相较于其他四种模型,GBDT算法预测上述ISS分级的效能最好,准确率为82.63%,精确度为68.21%,召回率为60.92%,F1值为61.91%,AUC为90.38%。在解放军总医院第一医学中心急诊创伤数据集中验证GBDT模型,准确率为83.15%,精确度为77.38%,召回率为59.89%,F1值为55.26%,AUC为90.38%。结论本研究成功开发并验证了一组检伤分类机器学习预测模型,未来可应用于创伤伤员现场检伤分类辅助决策。

关键词： 机器学习   翻译风格   平行语料库   《德伯家的苔丝》  

摘要： 研究使用机器学习中的分类和聚类方法,基于自建平行语料库,考察哈代名作《德伯家的苔丝》中文三译本的翻译风格。从68个全部特征中筛选出15个显著特征,并结合实例进行量性融合的阐释和总结。结果表明,显著特征能够有效区分三译本风格差异,分类、聚类实验的平均准确率均达到97%左右,提示出各译本在词汇、句法、语篇上的不同风格特征和译者的个人偏好。研究在为既往质性研究提供数据支持和细粒度分析的同时,也提出了一些纠正性结论,如张谷若译本词汇密度更大、被字句比例极少、成语比例差别不大等,并为翻译风格和译者风格研究方法提供了一定改进和补充。

关键词： 云计算   机器学习   计算流动动力学   气流组织温度场  

摘要： 从局部离散流场数据点重构全局流场信息对数据中心机房的节能节碳具备重要的研究意义。基于局部散点对数据中心进行气流组织温度场快速重构,可有效降低数据中心总能耗。主要通过发展一种基于多特征输入的三维U形神经网络架构(U-net),利用布设在数据中心机房的温度传感器数据值进行气流组织温度场重构。并研究了在不同学习率与数据集大小的设置下,该机器学习模型的训练预测能力。对比结果表明:不同学习率对于模型训练的结果有较大影响,应通过预实验选取最佳学习率。在同等条件下,应优先选取较大的数据集进行训练,便于提取高维物理特征。

关键词： 机器学习   植物基因组预测   蛋白质相互作用   分子位点预测   功能注释   作物育种  

摘要： 随着高通量测序技术的飞速发展,植物基因组学研究目前已经积累了海量多组学数据。因此如何开发和改进相关处理软件工具,从而有效利用这些海量数据发掘有用的生物学信息,成为当下亟需解决的重要科学问题。其中机器学习方法凭借其显著的预测、分类、数据挖掘和集成能力,在此领域受到广泛关注。本文系统综述了不同类型机器学习方法的基本原理和流程,以及这些方法在植物基因组功能预测中的研究进展,重点总结了机器学习模型在植物分子相互作用预测、重要功能位点预测、功能注释、作物育种等方面的应用成果,并展望了该领域未来的发展方向和应用前景。本文有助于植物研究者快速了解和应用机器学习方法,从而推进植物遗传相关机制的研究和作物性状改良。

关键词： 表面增强拉曼散射   机器学习   生物医学  

摘要： 近年来,运用表面增强拉曼光谱(SERS)技术对生物样本检测的研究发展十分火热,尤其是结合机器学习方法的SERS技术在临床样本诊断方面的运用日趋成熟。机器学习方法是基于无监督和有监督的算法,可以解决复杂的样本和大量、高维的数据信息,在生物分析领域受到高度关注。本文介绍了SERS技术结合机器学习方法的相关应用,尤其是在生物医学领域。SERS既可以使用免标记的策略检测生物样本的指纹信息,又可以使用标记方法跟踪蛋白质等生物标志物实现间接检测。本文总结了SERS技术结合机器学习方法用于血液、尿液、组织等临床样本进行疾病诊断的最新进展。此外,本文还汇总了细胞样本及其他复杂样本SERS分析中机器学习方法运用的实例。该文综述了这一领域的最新进展,为从事SERS生物分析领域的研究人员提供可借鉴的方案。

关键词： 显微共聚焦拉曼光谱   粉底液   分类识别   支持向量机  

摘要： 为建立一种快速检验粉底液样品的方法,运用显微共聚焦拉曼光谱和机器学习对不同品牌、色号、价格的粉底液进行分类研究。首先将收集到的50个粉底液样品的拉曼光谱数据利用Savitzky-Golay平滑和归一化算法进行预处理;其次通过主成分分析法进行特征值提取,提取前2个主成分用于后续研究;采用K-Means聚类法将50个样品分成5类,系统聚类法验证分类结果;最后以40个样品为训练集,10个样品为测试集搭建支持向量机(SVM)分类模型。结果表明在Linear核函数下的SVM模型训练集和测试集的准确率可达90%。说明该方法能够实现区分粉底液品牌和价格自动化,为公安机关物证检验、定罪处罚提供新思路。

关键词： 光伏发电功率预测   雪检测   分类算法模型优化   机器学习  

摘要： 光伏(PV)面板是光伏发电技术中广泛使用的主要可再生能源设备。由于光伏发电受天气条件影响巨大,降雪和面板积雪会极大地影响光伏面板的输出功率。如何在降雪和积雪因素影响下,预测光伏发电系统的输出功率对于电力部门完成电力调度控制十分重要。考虑到降雪和积雪因素无法直接使用具体公式表达。本文将介绍一种机器学习方法,使用SVM和KNN作为检测雪效应的分类器,将光伏发电功率预测中雪检测问题转换为分类问题。文中提出的雪检测算法在真实有记录的数据上进行了验证,通过光伏发电功率预测精度的提升评估方法的效果。