关键词： 医学影像   半监督   聚类算法   病灶分割   乳腺钼靶  

摘要： 随着医学影像技术的进步,多模态医学影像技术已成为疾病诊断的重要工具。然而,不同病人的图像表现差异以及病灶的复杂性给影像科医生的疾病诊断带来了挑战。随着人工智能技术的发展,使用计算机技术进行医学图像处理,有效提升了医生诊断的效率。因此,本研究聚焦于利用人工智能算法对多模态医学影像进行分析,特别是针对乳腺钼靶图像的病灶分割,以辅助医生进行诊断,减轻其工作量。在实际临床应用中,由于缺乏大量且准确标注的医学图像数据集,本研究创新性地将半监督学习方法和聚类算法相结合,用于乳腺钼靶图像的病灶分割。针对现有的一些半监督模糊聚类算法不能充分挖掘标记样本的信息,导致监督信息不足,当面对复杂的乳房造影图像时,不能准确地分割病变区域等问题。本研究提出了解决方法和改进,以提高乳腺钼靶图像病灶分割的准确度。本文的研究内容如下: 1)针对已有半监督聚类算法,监督强度不够的问题,本研究提出了一种基于标记样本聚类中心的半监督模糊聚类算法(SFCM＿V)。该算法充分挖掘已有带标签样本信息,由于聚类中心可以很好代表一类数据。在聚类过程中通过充分参考带标记样本数据集的聚类中心,实现有标记的样本指导无标记样本进行聚类,提升聚类性能。通过实验证明了本研究设计算法比现有聚类算法在面积大的病灶上有高的分割精度,同时也能分割出面积较小的病灶。 2)针对先验知识,本研究试图挖掘出带标记样本中的有关信息,以便更好的指导聚类过程。为此,提出了一种基于知识加权和聚类中心学习的半监督模糊聚类算法(WSFCM＿V)。加权作为一种调节聚类效果的手段,可以将挖掘到的信息通过权重形式反映出来,指导样本聚类。同时带标记样本集本身也是一种有用知识,在聚类时候多参考带标记样本集。基于这样的原理,本研究提出了三种学习模式:一种基于聚类中心的知识加权方法,无标记样本的欧氏距离加权以及基于标记样本的聚类中心的学习模型。 3)本研究设计了一种乳腺钼靶图像病灶自动分割系统,旨在为乳腺疾病的早期诊断提供重要的技术支持。该系统通过集成多种聚类算法,实现了对乳腺钼靶图像病灶的自动分割,患者和医生可以通过该系统上传病例和钼靶图像。医生则根据乳腺钼靶图像以及系统自动分割的病灶图片,在系统中给出诊断意见和治疗建议,这些建议和信息患者可以即时查看。该系统不仅大大减轻了医生的工作负担,同时也为患者提供了更及时、更准确的诊断和治疗方案。

关键词： 车联网   联邦学习   隐私保护   非独立同分布  

摘要： 随着信息技术的发展,车联网(Internet of Vehicles,Io V)逐渐在智慧交通领域得到应用,实现了车辆与各类实体的数据共享。但数据传输过程存在隐私泄露的风险,而联邦学习(Federated Learning,FL)作为一种分布式机器学习的范式,在数据不离开本地的前提下,能够为用户提供智能化服务。然而直接部署联邦学习框架于车联网系统,仍面临逆推攻击、投毒攻击和成员推理攻击等隐私威胁;车载端本地数据非独立同分布(Non-independent and Identically Distributed,Non-IID),会对模型的泛化能力产生负面影响。同时由于计算资源存在差异,车载端本地训练效率也会受到影响。基于此,本文设计了相应的联邦学习框架,旨在提供一种既高效又安全的解决方案,其主要工作如下: 1)本文面向两种不同的数据异构设计了相应的联邦训练框架,能够适应各自的非独立同分布场景。针对数据样本量不平衡的问题,设计了一种基于模型参数的联邦学习协同模式;针对数据类别不平衡的问题,设计了一种基于特征向量的联邦学习协同模式。同时,为了更好地评估模型,本文还构建了交通图片数据集,为实验部分提供了基础。 2)基于车联网模型参数的隐私威胁模型,本文构建了一种基于模型参数的安全聚合算法。通过将多密钥半同态加密与高斯机制相结合,提供了路侧端对恶意车载端的自适应筛选能力,并同时保证路侧端无法根据车载端上传的模型参数实现梯度逆推攻击。为了解决差分隐私机制中高斯噪声对模型精度所带来的负面影响,本文通过联合解密算法的设计对路侧端聚合局部模型中的噪声进行了求和抵消。安全性分析表明该安全聚合算法具有选择明文攻击下的不可区分性,并能够抵御一定数量车载端的合谋攻击。实验结果表明在数据样本量不平衡的情况下,基于模型参数的联邦学习方法相较于传统的联邦学习方法有更好的表现。 3)基于车联网特征向量的隐私威胁模型,本文构建了一种基于特征向量的安全聚合算法。通过将多密钥半同态加密与不经意传输协议相结合,能够保证恶意路侧端无法利用车载端上传的局部特征向量进行数据类别推理攻击以及特征向量逆推攻击。与此同时,由于将特征向量作为聚合对象具有参数量较少的优势,该方案也有效降低了车载端与路侧端之间的通信开销。安全性分析表明本文中的不经意传输协议满足不可区分性,而实验结果也验证了在数据类别不平衡的情况下,基于特征向量的联邦学习方法相较于传统的联邦学习方法有更好的表现。

关键词： DFT   机器学习   二维材料   吸附能   固态储氢  

摘要： 在碳中和战略的推动下,氢能作为替代化石燃料的关键方案,在轻工产业的绿色制造和可再生能源系统构建中发挥着至关重要的作用。目前,储存和运输环节的挑战限制了氢能产业的发展。本研究聚焦于二维固态储氢技术,该技术以其高比表面积、稳定的结构、可调节的界面和高安全性而被认为是解决储存问题的有效方法。传统的实验试错方法耗时耗材,因此本研究结合密度泛函理论（DFT）和机器学习（ML）,深入研究了影响二维储氢材料（碳基材料和MXenes）氢吸附性能的关键因素,并对体系的储释氢机理进行深入分析。具体研究工作如下: （1）碳基储氢材料氢吸附能预测模型构建。利用物理本征特征和DFT中间变量构建了小数据集的氢吸附模型。极值梯度提升（XGB）和随机森林（RFR）算法有较好的训练效果,在训练集/测试集上的R2分别为0.94/0.92和0.88/0.87。进一步通过DFT计算了不同金属修饰的缺陷石墨烯体系的连续吸附能(Eco),对上述两种模型的准确性进行验证。RFR算法有更低的MAE,对未知数据有更强的泛化性。储氢体系电子性质分析得到,氮（N）原子掺杂碳基材料会促进体系中过渡金属M向氢分子转移更多电子,增强了体系的Eco。最后,通过符号回归（SR）算法将关键特征与目标值Eco进行公式化拟合,以建立其数学关系。结果显示,描述符EA、χ和n（e+1）/e可用于表征体系Eco,利用缺陷石墨烯体系的DFT计算数据进一步验证了这些公式的准确性。 （2）过渡金属修饰双层石墨烯储氢体系的构建。创新性地将单层双空位缺陷石墨烯和双层石墨烯进行结合构建双层双空位缺陷复合型石墨烯（BDVG）,进一步采用Ti原子进行改性得到Ti-BDVG（Ti）-Ti储氢结构。对Ti-BDVG（Ti）-Ti进行了内外层储氢性能分析,包括连续平均吸附能和可逆储氢容量,以及储氢机制的探讨。4.4 wt%的可逆储氢容量展示了该材料优异的储氢效率。 （3）双层MXenes（M12X1—M22X2）储氢材料氢吸附能ML预测模型构建。研究了只利用物理本征特征（无DFT计算变量）对M12X1—M22X2内部三种吸附方式下的氢吸附能进行预测。梯度提升回归（GBR）和RFR算法在化学吸附/物理吸附模型中的R2分别为0.957/0.946和0.952/0.935。进一步分析表明,层间距较小的MXenes体系中,类似纳米泵的辅助机制显著增强了其Kubas吸附作用,从而强化了对氢气的吸附能力。利用SR算法指导了氢吸附描述符的设计,确定了两个描述符（χ/M1）×（r/M2）2和（r/M2）3÷（m/X1）可分别准确预测MXenes结构中的化学氢吸附能和Kubas氢吸附能。 （4）双功能储氢材料（MX-G-MX）概念提出及结构构建。基于过渡金属修饰单层多孔石墨烯具有催化作用,构建了晶格失配率为5%的Ta2C-G（Ti）-Ta2N高效吸放氢材料。对体系进行了三次氢注入,第一次注入的9个H2分子被解离为H原子化学吸附在Ta2C（N）上,每个H原子分别得到0.58个电子。另外4个H2分子被Kubas作用吸附在G（Ti）周围。第二次和第三次一共注入40个H2分子,其中Kubas吸附和物理吸附的H2分子比例为1:3。之后利用AIMD分子动力学验证了 G（Ti）的化学释氢催化作用。 总之,本研究深入探讨了二维储氢材料中多种储氢机制的耦合共存。通过机器学习算法和构建描述符的双重筛选方法,不仅提高了储氢性能的预测准确性,也为后续高效二维储氢材料的实验合成提供了理论基础。

摘要： 摘要 目的 水肿是伽玛刀放射外科手术（GKS）治疗脑膜瘤病人的并发症，可导致各种后果。旨在构建基于影像组学的机器学习模型，以预测GKS后水肿的发展。方法 该研

关键词： 机器学习   二维横向异质结   石墨烯   硼烯   热输运  

摘要： 二维材料具有独特的物理、化学性质,是当前物理、化学、材料等学科以及新型纳米器件研究的热点。特别是,随着电子设备小型化、高集成度的要求越来越高,器件的散热问题变得尤为重要。因此,具有高热导率的二维材料受到了人们极大的关注。其中,二维硼烯因其独特的缺电子特性和多态性近年来成为了科研人员关注的焦点。二维硼烯的多态性为构建二维横向异质结提供了更多更新的选择性。然而,对于硼烯在限域环境下的性质,尤其是其二维横向异质结时的电子结构和热性质,目前的研究仍处于起步阶段,有很多问题亟待澄清。 在本文中,我们采用了第一性原理计算和基于机器学习原子间势的分子动力学模拟方法,对二维横向石墨烯-硼烯异质结进行了系统的研究。 首先,我们比较了不同缺陷浓度硼烯和石墨烯-硼烯异质结的结合能,发现它们的结合能依赖于缺陷浓度。此外,即使在相同浓度的硼烯中,不同的缺陷形式也会影响石墨烯-硼烯异质结的结合能,缺陷的不同分布也会对石墨烯–硼烯异质结和硼烯的稳定性产生影响。 其次,我们计算了石墨烯-硼烯异质结的电子性质。通过分析石墨烯区域、界面以及硼烯区域的局域态密度,我们发现一般情况下电子会从石墨烯区域转移到硼烯区域,并通过功函数和Bader电荷分析进一步证实。同时,我们发现石墨烯-硼烯异质结的石墨烯区域出现了小的带隙,这可能是由于区域间的电荷转移以及石墨烯部分的尺寸效应导致的。 最后,我们对石墨烯-硼烯异质结的热输运性质进行了探讨。我们发现石墨烯–硼烯异质结的存在抑制了石墨烯区域的热输运,同时促进了硼烯区域的热输运。而硼烯浓度对界面晶格热导率几乎没有影响。通过具有不同电子浓度的硼烯声子谱分析,我们发现电子从石墨烯区域转移到硼烯区域是硼烯晶格热导率增强的一个重要原因。 本论文的上述结果,不仅能帮助人们加深对二维横向石墨烯–硼烯异质结的理解,而且还能为实际应用中的二维非均匀相石墨烯基材料的导热特性提供宝贵的信息。这些发现对于未来设计高性能电子设备和优化散热材料也具有一定的指导意义。

关键词： 热红外数据   时间序列预测模型   前兆异常   异常分析  

摘要： 构造活动往往伴随着物质和能量的运动,这会在一定程度上改变地表的热辐射状态,随着空间技术的快速发展,卫星红外遥感技术获得的热红外信息能够反映热辐射的动态变化。地震作为构造活动中的一种表现形式,研究震前孕震区热红外异常变化规律,也许能够为探寻发震机理,监测构造现今运动提供新的方法和途径。 诸多研究表明,强震前孕震区的热辐射特征会呈现显著的异常变化,这些变化可能在地震发生前的数月内被捕捉到。为了深入研究这些异常信号,现有的传统热异常提取算法如RST算法、小波功率谱算法和透热指数算法等已经得到了广泛的应用,这些算法通过不同的数学和物理原理,有效地提取和分析了地表温度、热辐射强度等关键参数的变化规律,为我们解析震前热异常的产生机理奠定了坚实的基础。 近年来,机器学习的快速发展为各行各业带来了前所未有的机遇和挑战。在地震领域,机器学习技术的应用也逐渐成为研究的热点之一。机器学习技术通过大规模数据的学习和分析,能够发现隐藏在数据背后的规律和模式,为地震监测和预测提供了新的思路和手段。例如,利用机器学习算法可以对地震前兆信号进行预测预警,还可以通过分析地震发生的空间分布和时间序列,帮助学者们更好地理解地震活动的规律和机制。 本研究综合运用传统方法和深度学习技术,以发挥各自优势,弥补彼此的不足。传统方法的结果分析可以为深度学习模型的设计和优化提供指导,而深度学习则可以处理大规模数据,自动提取特征,提高预测的准确性和效率。因此,这一综合研究有望更好地理解地震活动的规律和机制,为地震监测和预测提供更多关键信息。研究工作主要分为三部分,第一部分基于MODIS卫星的地表温度(Land Surface Temperature,LST)月数据和NOAA卫星的长波辐射(Outgoing Longwave Radiation,OLR)日数据,结合距平算法和RST(Robust Satellite Techniques)算法,对中国大陆西部5次强震的震前热红外异常开展了中期到短期的渐进式跟踪,从块体到断裂的角度,分析了孕震区内地震、构造活动与热红外异常三者之间的联系。结果表明构造活动与地震的发生及热异常的出现存在紧密的联系,频繁出现热异常的块体与地震的发生对应关系较好,同时异常集中出现在震前90天时间内。第二部分基于长波辐射日数据,利用时间序列预测模型来预测震前热异常,以均方根误差(Root Mean Square Error,RMSE)作为评估指标,选出综合预测性能最好的长短期记忆网络(Long Short-Term Memory,LSTM)模型对玛多地震前的90天的OLR时间序列异常进行预测分析,研究地震的前兆信息。对预测到的异常进行时空尺度的特征分析,发现临震前会出现强而集中的异常,异常与断裂带的分布存在一定联系。最后利用几次随机震例对模型的鲁棒性进行检验,实验结果表明基于LSTM预测模型的震前长波辐射时间序列分析具有良好的预测能力和应用前景。第三部分拓展了LSTM模型在预测研究区未来一年内最大震级的应用。选择包括b值、最大震级欠缺等在内的12个地震活动指标,以及划分时间窗和训练集与测试集比例,构建并优化了基于LSTM的预测模型。研究结果显示,当时间窗设定为10年且训练集与测试集之比为8:2时,模型展现出最佳的预测性能。特别地,当考虑(5,6]震级区间内的地震事件时,模型的预测效果尤为显著。

关键词： 大跨桥梁   结构健康监测   相关性   状态诊断   机器学习  

摘要： 我国拥有世界上数量最多且规模最大的城市和城市群,它们作为社会繁荣与经济发展的重要载体,在其中扮演着举足轻重的角色。大跨桥梁作为这些城市和城市群的关键部分,对区域经济发展至关重要。然而,这些桥梁结构在长期的运营过程中,常常暴露在恶劣的自然环境中,并承受着荷载的反复作用,从而导致其性能逐渐下降,可靠性降低,甚至可能引发严重的安全事故,对区域经济的持续健康发展构成了巨大的威胁。因此,大跨桥梁的健康诊断和状态评估问题已引起全球范围内的广泛关注。 结构健康监测技术通过安装在桥梁结构上的多种类型传感器,实时监测荷载作用与结构响应等各类信息,为桥梁的安全性、实用性和耐久性提供了强有力的保障。当前,传统方法通过基于动力反演提取的模态参数的变化推断结构状态的变化国,然而由于存在观测噪声,模型和材料参数的不确定性,不完备的监测数据,导致反演方程不适定,同时可观测的低阶模态通常对环境敏感而对损伤不敏感,难以识别结构的局部损伤,传统的健康诊断方法遭遇瓶颈。结构响应监测数据是荷载与环境作用及结构模型(或物理参数)的函数,因难以监测完备的结构荷载与环境作用,因此,从监测的结构响应数据分离荷载和环境作用与结构模型/物理参数,从而提取结构模型/物理参数并进行健康诊断,是结构健康监测领域基础科学问题。本文提出在高维空间分析桥梁结构响应监测数据的相关性,揭示监测数据高维空间相关模式提取结构模型/物理参数(显式或隐式)的机理,建立基于桥梁结构响应监测数据相关性的健康诊断方法。 本文的主要研究内容如下: 研究基于静力响应分布相关性的大跨桥梁状态诊断原理与方法。首先将车辆荷载分布建模成能体现车流量变化的由狄拉克函数和车重分布组合而成的分布模型,其次基于概率论和数理统计推导出车辆荷载分布和响应分布间的关系,然后基于实际的车重数据得到车重分布基本保持不变的结论,最后基于不变的车重分布推导出响应分布间的关系只与结构有关,提出了基于静力响应分布间相关性的状态诊断方法,利用某大跨斜拉桥的应变数据和另一大跨斜拉桥的索力数据对方法进行了有效验证。 研究基于静力响应分布相关性的大跨桥梁状态诊断机器学习方法。基于第二章中大跨桥梁静力响应分布间的相关性,利用生成对抗网络中的StarGAN模型,只需要训练一个生成器就可实现多种静力响应分布相互转换。以一种响应分布和想要转换的分布所对应的标签作为输入,通过生成器生成该响应的分布,实现桥梁结构静力响应分布相互预测,学习两种响应分布间的相关性。以某座斜拉桥的监测的索力挠度和应变数据对该模型的有效性进行了验证。 研究基于动力响应均方值相关性的大跨桥梁状态诊断原理与方法。首先基于累积车辆荷载的滤过泊松过程将车辆荷载建模成两个相互独立随机过程的乘积,其次基于结构随机振动推导出在这种车辆荷载随机过程模型作用下结构响应的随机过程,最后基于不变的车重分布保证平稳随机过程的存在,推导出动力响应间的相关性,提出了动力响应相关性的状态诊断方法,利用有限元数值模拟以及某斜拉桥和某悬索桥的加速度数据对方法进行了有效验证。 研究考虑动静力响应相关性基于StarGAN模型的大跨桥梁状态诊断机器学习方法。第四章中动力响应的均方值间存在于结构相关的相关性推测动力响应分布存在和静力响应分布类似的相关性,同样采用StarGAN模型将静力响应分布和动力响应分布作为模型的输入,学习动静力响应间的相关性。以某座斜拉桥的监测的索力、加速度、挠度和应变数据对该模型的有效性进行了验证,并且表明动力响应分布间同样存在与静力响应分布类似的相关性。