关键词： 电力物联网   网络拥塞   控制机制   深度强化学习  

摘要： 随着新型电力系统源网荷储带来高并发的新能源接入，亿级终端部署和海量数据的产生为网络资源分配带来巨大压力。电力物联网普遍存在终端设备资源受限、网络拓扑动态变化、传输数据类型多样等特点，故亟需解决网络资源利用率低、网络特征提取困难、网络带宽分配不公平等问题。本文基于深度强化学习算法进行网络拥塞控制机制研究，通过优化慢启动算法、设计特征提取模块、动态清空瓶颈链路缓存来提高数据在传输过程中的网络性能。本文主要研究内容如下:　　（1）针对传统拥塞控制算法在慢启动阶段网络资源利用率低的问题，提出了一种基于深度强化学习的拥塞控制优化算法。该方法通过神经网络来感知网络环境状态，并设计了综合网络带宽和传输时延的奖励函数，依据网络环境来调节发送窗口大小，替代传统拥塞控制算法的发送窗口调整规则。实验结果表明，优化后的算法可以动态配置初始窗口，提高短数据流在慢启动阶段的网络资源利用率。　　（2）针对复杂异构网络环境中特征提取困难的问题，设计了一种基于卷积神经网络和双向长短期记忆网络的时序特征提取模块。该模块从输入序列中获取连续性的时间序列特征信息，同时设计结合状态价值和动作优势的评价网络，提高算法在策略推理阶段的学习效率。实验结果表明，本模块可以较好提取时间序列的多重特征，提高网络特征的利用率。　　（3）针对多数据流在瓶颈链路中竞争网络带宽时出现的公平性问题，提出了一种基于多智能体优化的网络拥塞控制算法。该算法为每个子数据流分配一个智能体，每个智能体依据网络状态对单个数据流进行决策，动态清空瓶颈链路缓冲区。同时，引入邻近策略优化算法，在训练阶段提高智能体的收敛速度和网络链路的稳定性。实验结果表明，在多数据流竞争的网络带宽场景下，该算法可以实现瓶颈链路带宽的公平分配。　　综上所述，本文提出基于深度强化学习的网络拥塞控制机制，通过优化慢启动算法、设计特征提取模块、动态清空瓶颈链路缓存等方法，解决了电力物联网中存在的资源利用率低、特征提取困难、带宽分配不公平等问题。在复杂异构的电力物联网环境中具有良好的适应性，同时具有吞吐量高、往返时延和丢包率低的优点，并且可以公平分配瓶颈链路中的网络带宽。

关键词： 流感预测   机器学习   多源数据融合   长短时记忆网络   时空图神经网络  

摘要： 流感作为一种传播速度快、影响范围广且易引发并发症的具有高度传染性的急性呼吸道疾病,尤其威胁老年人等高风险人群的健康。因其疫情爆发的突发性和不确定性,对公共卫生安全产生重大挑战。为此,精确预测流感疫情走势,并据此及时调整医疗资源配置、制定合理的疫苗接种方案及实施有效防控措施显得极为迫切和重要。然而,流感的传播受多种因素影响,单一的数据来源往往难以全面揭示这些动态且复杂的交互关系。相比之下,多源数据融合能够提供更多维度的信息,有助于减少预测中的不确定性。同时,机器学习算法能够从海量历史数据中自动挖掘潜在规律,并适应不断变化的数据环境。因此,本文以多源数据融合和机器学习技术为基础,针对流感预测问题进行了深入的探索,主要研究内容如下: (1)本文首先对流感预测的重要性和研究现状进行了概述,探讨了国内外各类代表性模型以及存在的问题。通过梳理相关文献和研究成果,认识到流感预测在公共卫生领域具有极其重要的地位,精确的预测结果能够为政策制定者提供科学依据,从而有效应对流感疫情的爆发。在此基础上,进一步基于实际流感数据,从不同角度对区域级流感预测进行了探索。 (2)针对中国境内小地理单位流感预测的过程中,传统方法通常受限于仅利用本地历史数据进行预测,而忽视了区域间流感传播的动态效应的问题,以及在对长短期记忆网络(Long Short-Term Memory,LSTM)进行参数优化时所面临的高耗时和低效率的挑战,提出了一种采用蜣螂优化算法(Dung Beetle Optimization algorithm,DBO)优化LSTM的多区域协同流感预测方法(MRC-DBO-LSTM)。该方法首先针对预测目标区域,运用皮尔逊相关系数来系统地识别与其流感疫情具有显著关联性的其他区域;其次,通过LSTM的门控机制来智能加权不同区域数据的重要性;最后,为进一步提升模型性能,采用蜣螂优化算法对LSTM网络的关键超参数进行自动寻优。实证研究显示,MRC-DBO-LSTM模型在山西省流感预测中,通过跨区域联合预测体现出明显优势,比传统方法更精确且实用,有力证明了该模型在捕捉和处理传染病时空关联数据上的高效性和先进性。 (3)针对目前的流感预测方法在空间信息处理和预测精度方面的不足,提出了一种融合多源数据的时空注意力图卷积流感预测方法(FM-STAGCN)。该方法创新性地将流感数据转换为具象化的图结构,并通过构建一个时空注意力卷积块,深入挖掘数据的时间和空间依赖特性;考虑到气象因素对流感发生的重要影响,将区域内的气象数据做上述同样操作;随后,FM-STAGCN模型将这两种来源的数据经过特征融合后再次送入时空注意力卷积块中。通过对整体数据的时空特性的深度挖掘与传播,显著提升了模型对流感疫情特征的理解与刻画能力。实证研究运用FM-STAGCN模型针对山西省流感趋势进行了验证,该模型展现出了出色的模拟与预测能力。特别是在考量区域间相互作用及动态气象因素时,模型预测结果与实际情况高度一致,显著提升了预测准确性。

关键词： 脑电信号   小样本学习   迁移学习  

摘要： 小样本学习旨在训练出一个具有快速适应能力的模型,能从少量的示例中学习新的概念,小样本学习在小样本图像任务上的识别能力已经展现出非常好的效果,其研究重点转向了小样本模型的泛化性。本文从提升模型泛化能力出发,提出一种新的研究方法,即通过脑电信号和图像的对比学习为小样本学习模型训练出一个与大脑认知模式类似的预训练权重。 本研究提出一个两阶段方法,该方法将大脑的认知过程抽象为两个部分:第一阶段是接受外部信息后大脑进行解码,第二阶段是将解码出的信息转化为认知。 在第一阶段中,通过多模态对图像和EEG进行对比学习。本研究使用Sim CLR V1框架对图像和脑电信号进行对比学习,从大型标记辅助数据集中学习人脑的概括能力。这种能力可以迁移到小样本任务中,具体方法为训练出一个可供小样本学习使用的预训练权重。 在第二阶段中,将上一阶段得到的预训练权重迁移到小样本图像任务中。本文采用不同的数据集、不同的骨干结构、不同的迁移方式将与大脑认知模式类似的预训练权重迁移到小样本任务中进行实验。实验结果显示,相较于使用图像数据集直接训练得到的预训练权重,在Triplet和Proxy NCA框架下,本研究使用的与大脑认知模式类似的预训练权重与原始模型相比在Top-1召回率上平均提高6.1%和8.5%。 实验表明,本研究训练出的与大脑认知模式类似的编码器在小样本场景中的应用效果,相较于常规的预训练权重有显著的提升。通过t-SNE对聚类效果可视化,第一阶段训练出的编码器的聚类效果更明显。总之,本研究的方法不仅提升小样本学习的性能,还为脑电信号和小样本学习之间的跨学科融合研究提供新的机会,为相关领域的发展带来新的思路和方法。

关键词： 机器学习   分子模拟   人工神经网络   随机森林   胺类抗氧剂  

摘要： 润滑油对机械部件运转起到不可或缺的作用,但受工作条件下氧气、高温、高压等环境影响,容易发生氧化,造成性能失效。常通过在润滑油中添加抗氧剂来延迟氧化过程。胺类抗氧剂因在高温条件下仍具有高活性而备受关注。本课题采用分子模拟与实验结合的方法对二苯胺类抗氧剂/酯类润滑油的热氧老化机理进行研究,分析化学老化和物理老化过程并探讨其老化的微观机理,对比实验结果,总结不同胺类抗氧剂对润滑油热氧老化性能的影响规律。将分子模拟和机器学习结合,深入研究基团种类、组合方式、取代位点等对抗氧化活性的影响,为设计二苯胺类抗氧剂提供理论基础。内容如下: （1）采用分子模拟与实验相结合的方法对三种烷基化二苯胺抗氧剂(4,4′-二甲基二苯胺（DMDPA）、4,4′-二辛基二苯胺（ODA）和4,4′-二壬基二苯胺（T558）)加入到三羟甲基丙烷三油酸酯（TMPTO）的体系中抗氧剂的扩散行为、迁移率和O2的渗透性进行研究。结果表明,TMPTO与T558间的溶解度参数（δ）差值最小,显示出最佳相容性;模拟三种温度（298、373和423 K）下抗氧剂的扩散性和结合能(Ebinding),发现T558在TMPTO中表现出最低迁移率,与TMPTO的Ebinding最大;O2在TMPTO/T558体系中的渗透性最低;T558的氢键解离能（BDE）值最小（200.67 k J/mol）,预示其具有最好的清除自由基能力。采用实验制备出与模拟等摩尔的三种抗氧剂的润滑油样品。采用压差扫描量热分析测得TMPTO/T558体系的氧化起始温度（OOT）为195.42℃,与纯TMPTO的OOT值（140.97℃）差距最大,表现出最佳的抗氧化性能;自由基清除实验的结果表明,T558具有最高的清除自由基活性,这与上述模拟BDE的结果一致。综合分析可知,相对分子质量较大、胺基对位烷基链较长的T558表现出更好的抗氧化性。 （2）以骨架结构为基础,采用穷举法模拟96个二苯胺类抗氧剂。通过模拟计算了抗氧剂的BDE、δ、Ebinding,用量子力学模拟出抗氧剂的BDE并分析,总结影响抗氧化活性的化学因素;通过分子动力学模拟,得到抗氧剂的δ和Ebinding,从物理因素探讨了基团类型和取代位置对抗氧化性能的影响。确定了划分96种抗氧剂的基团划分方案,性能参数和划分结果构成了机器学习数据集。采用人工神经网络模型,预测值与真实值的相关系数（R）>0.84,BDE的平均相对误差（ARE）<4.53%、δ的ARE<1.21%、Ebinding的ARE<14.76%。随机森林模型的结果表明烷基有利于提高抗氧剂的性能。此外,骨架结构的4号取代位是提高抗氧剂活性的最佳位置。提出了一种潜在有效的二苯胺抗氧剂结构,其抗氧化参数与骨架结构相比,BDE降低了1.18%,δ降低了6.11%,同时,Ebinding上升了83.44%,具有较好的抗氧化性能。结果表明,分子模拟和机器学习相结合的方法可以为新型抗氧剂的分子设计提供理论支撑和创新应用。

摘要： 问题导向教学是一种以问题为核心的教学方法。与传统教学模式相比，问题导向教学方法更注重学生思维能力的培养。教师通过引导学生发现和分析问题，探索解决问题的方法，激发学生的学习兴趣，促进学生开展深度学习。然而，目前对问题导向教学方法在小学数学深度学习中的研究还较为有限。因此，文章以“比例的意义”教学为例，探讨问题导向教学方法在小学数学教学中的应用，为促进小学数学深度学习提供借鉴意义。

关键词： 机器学习   控制性卵巢刺激   拮抗剂方案   促卵泡生成素   孕酮  

摘要： 目的:不孕症是一种低生育率疾病,其发病率较前明显增高,其最有效的治疗方式为辅助生殖技术（Assisted Reproductive Technology,ART）,其关键步骤为控制性卵巢刺激（Controlled ovarian stimulation,COS）,该过程影响因素众多,其成功与否直接关系到获取成熟卵母细胞的质量及数量。本文旨在建立并验证COS中患者取卵数预测模型,同时应用国产Keaser6600检测结果对开发模型的预测能力和泛化能力进行验证。 方法:本研究分为两部分。第一部分,取卵数在COS中的预测模型的训练与验证:收集2021年～2022年中国医科大学附属盛京医院生殖中心应用拮抗剂方案继发不孕患者信息1797例,按照纳入、排除标准筛选出1236例进行分析,选取了42个特征作为备选预测因子,应用15种机器学习方法进行模型训练及十折交叉验证,模型建立后应用外部验证进行模型评价。第二部分,对国产康润Kaeser 6600检测系统促卵泡生成素（follicle-stimulating hormone,FSH）、促黄体生成素（luteinizing hormone,LH）、雌二醇（estradiol,E2）、孕酮（progesterone,Prog）进行性能评价,并对开发模型的预测能力和泛化能力进行验证:应用患者废弃样本对Kaeser 6600检测系统FSH、LH、E2、Prog精密度、可报告范围、正确度进行验证,其中正确度以贝克曼DXI800发光分析系统为参照选择覆盖国产系统分析测量范围的170例标本进行验证,并进行两系统相关性分析;招募18岁～65岁健康成年女性志愿者,按照纳入、排除标准,将其分为绝经期组与育龄期组,其中育龄期女性根据月经周期分为卵泡期（月经期2～5天）亚组、排卵期（B超监测优势卵泡直径≥16mm）亚组、黄体中期（排卵后到下次月经来潮前的中间时段）亚组,应用康润公司Kaeser6600发光分析系统进行检测,建立辽宁地区女性国产检测系统FSH、LH、E2、Prog的参考区间;进一步应用性能评价通过的康润公司Kaeser 6600检测系统,检测外部验证集中患者血清FSH、LH、E2、Prog,并将结果带入预测模型,进行预测值计算,评价所开发模型的泛化能力。 结果:应用多种机器学习方法建立排卵数预测回归模型,其中多层感知机回归（Multilayer Perceptron Regression,MLP Regression）的评价指标最佳,内部验证集R2为0.740,外部验证集R2为0.772。国产康润Kaeser 6600检测系统FSH、LH、E2、Prog试剂精密度、可报告范围、正确度均通过验证,并建立了辽宁地区育龄期女性不同生理周期及绝经期女性以Kaeser 6600发光分析系统为平台的FSH、LH、E2、Prog的参考区间共16个。两种系统在该4个项目中展现出了较高的相关性,FSH、LH、E2、Prog的决定系数R2分别达到0.96、0.96、0.95、0.72,说明两种系统在分析测量范围内存在较强的线性关系。同时应用国产康润Kaeser 6600检测结果进行取卵数的预测,预测值与真实值、DXI800检测结果预测值均无显著差异,且呈显著线性相关,其R2分别为0.680、0.888。 结论:应用多层感知机回归对COS后取卵数预测建立的模型在训练数据集、验证数据集及国产系统检测数据集上均表现出较高预测准确性和稳定性。Kaeser6600发光分析系统及配套试剂性能均通过验证。健康女性不同月经周期的FSH、LH、E2、Prog项目在两系统上多有差异,并应用本地区人群建立了新的参考区间。

关键词： 扩展意义单位   同义词   中国大学生英语学习者   使用对比  

摘要： 同义词是复杂且普遍的语言现象。英语中存在大量的同义词,因而切实掌握同义词使用特征既是词汇教学和习得的重点也是难点之一。扩展意义单位模型主张从搭配、类联接、语义趋向和语义韵层面对节点词进行整体全面的研究,因而在语料库的驱动下运用大量真实语料对同义词的扩展意义单位进行全方位多层面分析,能从微观的视角揭示同义词的内在特征与使用模式,且为同义词的使用对比研究和习得提供更加客观且真实的证据。 本文基于英国国家笔语语料库(BNC Written Corpus)和中国学生万篇作文语料库(TECCL Corpus)选取一组表达“确保”义的同义动词guarantee,ensure,assure,insure为研究对象。在扩展意义单位模型的理论框架下,本研究主要运用中介语对比分析法且借助Antconc,Colligator,Log-likelihood Calculator研究软件从使用频率,类联接,搭配和语义韵四个维度探讨中国大学生英语学习者和英语本族语者对四个同义词的使用情况以旨在回答以下三个问题:(1)相较于本族语者,中国大学生英语学习者在使用“确保”义同义词频率时有何异同点?(2)从扩展意义单位角度看,中国大学生英语学习者较之于本族语者在使用“确保”义同义词类联接,搭配和语义韵时有何异同点?3)什么原因导致了中国大学生英语学习者出现这些差异? 研究结果表明:就使用频率而言,中国大学生英语学习者在使用“确保”义同义词时与本族语者相比存在显著差异,尤其表现在中国大学生英语学习者倾向于过度使用guarantee,assure,insure,而ensure的使用则明显不足。在类联接方面,中国大学生英语学习者与本族语者相比存在不同程度上的过度使用或过少使用部分类联接类型。在搭配方面,中国大学生英语学习者使用的搭配词普遍存在搭配型式单一,语义覆盖范围窄,重复使用结构简单的高频搭配词等现象且存在一些合乎语法但表达不地道的错误搭配。而本族语者使用的搭配词结构复杂多变,语义范围更广,搭配类型更多样。在语义韵方面,中国大学生英语学习者使用的guarantee,assure,insure语义韵特征和本族语者基本一致,均属于中性语义韵,而ensure在两个语料库中呈现的语义韵特征具有明显差异。在TECCL语料库中,ensure呈中性语义韵特征,而在BNC语料库中ensure则呈现出积极的语义韵特征。据此得出结论与本族语者相比,中国大学生英语学习者对guarantee,assure,insure,ensure的用法掌握不足且存在一定的用法错误。 最后,本文分析了中国大学生英语学习者在使用“确保”义同义动词产生差异的原因,即母语负迁移,语内因素和不合理的词汇学习输入材料,并基于此提出三个词汇教学建议:合理利用语料库作为辅助词汇教学的工具,提高语言输入和输出,重视搭配与语义韵在词汇教学的运用。

关键词： 零样本学习   域偏移问题   不确定性   因果相关性  

摘要： 零样本学习旨在利用已见类别间知识的共享与迁移,实现对无标签未见类样本的识别。其可突破传统有监督识别任务对海量标注数据严重依赖的研究瓶颈,更加适用于复杂多变的现实应用场景。然而,由于已见类别和未见类别完全不相交,零样本学习任务中普遍存在严重的域偏移问题,即仅使用已见类数据训练得到的识别模型在运用于未见类样本时,会倾向于将其判定为已见类别,从而降低了识别准确率。因此,本文立足于域偏移研究难点,拟从度量数据不确定性和挖掘数据因果关系这两个角度出发,对域偏移进行有效校正,从而提升零样本识别模型的分类准确率。本文的研究内容包括以下两方面: (1)不确定性驱动的域偏移校正零样本学习方法研究。当前的嵌入式零样本学习方法普遍采用单向映射的方式,但由于训练过程中缺乏新类别的标注样本,单向映射难以实现视觉空间与语义空间的精准对齐,加剧了域偏移问题。此外,现有方法忽略了在训练过程中对视觉特征和类原型固有的数据不确定性进行量化,而这些不确定性对于减轻域偏移问题至关重要。针对上述问题,本文提出了基于双不确定性引导和循环一致性网络的零样本学习方法。该方法利用循环一致性嵌入式框架探索视觉空间和语义空间的双向映射关系,从而促进二者之间的有效对齐。其次,在上述框架的基础上设计了双不确定性感知模块,以量化样本特征的视觉不确定性和类原型的语义不确定性,从而提高模型的判别力和泛化力。 (2)因果驱动的域偏移校正零样本学习方法研究。当前的生成式零样本学习方法基于随机噪声为未见类生成对应视觉特征,其无法准确刻画图像中的环境信息。且此类方法易引入混杂因素误导模型捕捉样本与标签之间的非因果关系,进而产生较为严重的域偏移问题。此外,原始视觉空间往往缺乏语义判别性,直接将其作为分类空间会导致准确率较低,从而限制了模型在未见类别上的表现。针对上述问题,本文提出了基于因果干预的反事实生成式零样本学习方法。该方法利用反事实生成模型,在生成过程中综合考虑类别的判别性语义信息和图像所包含的多样性环境信息,从而在不破坏判别性的情况下提高生成样本的真实性和丰富性。此外还设计了基于前门调整的分类空间映射模型,在更高效的分类空间中捕获视觉特征间的内在关联和差异。同时利用前门调整策略学习样本和标签之间真正的因果相关性,进一步增强特征的泛化能力,减轻模型对已见类的偏向。 本文在零样本学习任务中广泛使用的AwA1、AwA2、CUB、FLO和SUN这五个基准数据集上开展了全面且深入的实验研究,有效验证了本文所提算法的可行性与有效性。

关键词： 软测量建模   固液界面V/G   深度学习   稳定学习   模型堆叠  

摘要： 集成电路己经成为人类生产和技术进步中不可缺少的核心技术。作为集成电路主要材料的硅单晶,其提炼成本与品质已成为限制集成电路发展的关键瓶颈之一。由于直拉法提炼硅单晶的过程环境极端,难以通过直接放置物理传感器来在线获取关键品质参数,因此,运用软测量技术,基于容易获取的参数预测这些关键品质参数变得极为关键,具有重大的实际意义和广泛的应用价值。随着深度学习被越来越广泛地应用于软测量模型的建立,其所带来的黑箱特性使得模型缺乏可解释性,这一点严重阻碍了这些模型在实际生产中的广泛应用。本文旨在通过对建模方法的设计与改进,不仅保证模型的预测性能,同时增强模型的可解释性,以提高模型在工业应用场景中的可信度。本研究的内容主要为: (1)首先对实验数据进行预处理,在用于基于稳定学习软测量的数据中,使用拉依达方法标记含有异常的采样条目,为了降低滑动窗口法创建数据集造成的异常样本数量放大问题,对孤立的异常样本采用前后样本平均方法进行填充;而在用于使用模型堆叠建模方法中的数据,使用局部离群因子方法进行离群样本发现,而对数据的归一化操作,本文使用min-max方法。 (2)在基于稳定学习的方法中,提出一种将稳定学习方法与深度学习结合的方法,帮助模型学习数据间因果、稳定的特征,从而提升模型预测性能,以及在不同数据分布情况下的预测稳定性。最后通过SHAP方法进行解释分析。 (3)在使用模型堆叠的方法中,提出一种基于模型堆叠的软测量建模方法,基模型部分通过不同具有强可解释性的机器学习模型进行目标值预测。元模型通过结合注意力机制的深度学习模型进行建模,通过结合不同基模型在不同情况下的优势,弥补非深度学习模型在规律发现方面的不足。并且,尝试一种改进的模型堆叠方法,元模型根据辅助变量判断当前情况下最佳拟合的模型作为模型的预测输出,相比原始方法元模型通过各基模型的预测得出最终预测值,该方法不会“掩盖”基模型的解释结果,保证了基模型解释的有效性。