关键词： 空气质量指数   AQI时空分析   AQI预测   网格搜索优化算法   集成学习模型  

摘要： 伴随着我国改革开放的不断深化和中国式现代化建设的不断发展,国家经济实力与人民的收入水平获得显著提升,但是一味追求快速发展所带来的环境问题也越来越突出.近几年来,我国各地出现的雾霾、酸雨等自然灾害严重影响了居民的正常生活.为切实保障我国居民的生命财产安全,有关环保部门可依据高精度的空气预测模型及时向社会发布空气质量信息,同时根据不同地区的不同情况针对性地给当地居民提供保护措施与防护意见.因此,城市空气质量指数局部数值的精确预测对整个环保部门乃至整个社会都具有十分重要的现实意义与战略价值.本文主要从空气质量指数(AQI)的角度对济南市大气污染进行研究,主要包含两方面工作: (1)为对济南市空气质量有一个总体评价,收集济南市近三年日度空气质量数据,通过描述性统计概括出济南市空气污染现状,并使用Mann-Kendall检验对济南市空气质量指数变化趋势进行定量分析.另外为研究济南市封控前后AQI扩散的时空特征,收集济南市12区县解封前与解封后共计三个月份的空气质量数据,分别计算全局莫兰指数与局部莫兰指数,对解封前后济南市12个区县间的区域相关性进行分析. (2)针对当前济南市空气质量预测精度较低的问题,本文结合地区实际情况对济南市空气质量进行空气质量数据预测研究,以济南市2020年1月1日至2022年12月31日的空气质量数据为原始数据集,划分80%样本为训练集,20%样本为测试集,分别考虑ElasticNet、SVR两种单一回归模型与XGBoost、随机森林两种集成学习回归模型,利用网格搜索算法优化后进行模型性能对比与实例预测分析. 研究所得主要结论如下:其一,济南市近三年AQI指数整体呈下降趋势,空气质量状况逐年改善,同时济南市AQI指数具有明显的季节特点,呈现出夏秋低,春冬高的变化规律.其二,在模型测试与预测方面,两种集成学习模型在测试集上的性能表现优于两种单一模型,XGBoost回归模型相较于随机森林回归模型有更高的预测精度,更适应于济南市AQI的预测问题.经实例分析表明,本文构建的XGBoost回归模型具有良好的普适性,可为相关部门制定环境保护法规,开展大气污染质量控制工作提供基础资料和依据,具有一定的实用价值.

关键词： 小样本学习   数据增强   模型微调   马尔科夫链蒙特卡罗采样   集成学习  

摘要： 小样本学习是目前机器学习领域的研究热点之一,其广泛存在于疾病诊断、对话系统、自动化驾驶、人脸识别等领域。小样本学习旨在在样本有限的情况下得到性能良好的模型,面临的主要问题是样本量不足,导致经验风险不可靠。现有的小样本学习方法主要从数据、模型和优化算法三个角度进行研究,基于数据的方法通过样本和特征信息来增强经验,基于模型的方法通过模型结构及参数的设计减小假设空间的大小,基于优化算法的方法通过改变在给定假设空间下的搜索策略增加搜索到最优假设的概率。本文从数据和模型两个角度,重点关注数据增强和模型微调方法,研究小样本学习,主要研究工作如下:(1)针对数据增强方法极有可能引入偏差,以及模型微调方法难以搜集到特定数据相关数据集的问题,综合考虑数据和模型两个角度,提出了基于数据增强和模型微调的小样本学习框架DAMFT＿FSL。该框架包括数据增强和模型微调两个模块,数据增强模块旨在增加训练数据规模,模型微调模块用于纠正数据增强可能带来的偏差。本文在该框架下,根据小样本学习的特点提出了小样本学习算法。(2)针对小样本数据难以搜集相关数据集的问题,在DAMFT＿FSL框架下,提出了基于生成对抗网络和模型头部微调的小样本学习算法hGAN。该算法首先在原始小样本数据集上构建生成对抗网络,并利用学到的生成模型生成一定数量的相关数据。由于生成对抗网络在样本量不足的数据集上学到的分布往往存在偏差,利用生成数据集训练得到的分类模型无法得到小样本任务最优假设的无偏估计,因此,需要利用原始数据集微调模型。为了使在相关数据集上预训练得到的模型更好地约束小样本学习过程,微调时采用模型头部微调方法。在实验数据集上的实验结果表明,该算法能够有效地提高小样本分类的性能。(3)针对生成对抗网络的生成模型和判别模型在小样本数据上学到的分布有偏差的问题,提出了基于重参数生成对抗网络集成和多头损失微调的小样本学习算法MhERGAN。由于判别模型学到的分布比生成模型学到的分布更准确,本文采用马尔科夫链蒙特卡罗采样,以判别模型学到的分布为目标分布,对生成模型学到的分布进行纠偏。与此同时,样本量不足时,判别模型学到的分布与真实分布也存在一定的差距,本文使用判别模型集成方法提高判别模型的稳定性,缩小该差距,从而实现判别模型的纠偏。此外,采用增加迭代轮数和多头损失两个微调策略提高模型微调的稳定性和分类模型的性能。在实验数据集上的实验结果表明,小样本学习算法MhERGAN更适合小样本问题,验证了该方法的有效性。基于数据增强和模型微调的小样本学习框架适用于小样本数据,在该框架下的算法可以缓解小样本学习存在的样本量不足导致的模型不可靠的问题,有效提高小样本学习的分类性能。本研究对小样本学习的研究具有重要的理论意义。

关键词： 水下接触爆炸   机器学习   深度神经网络   快速预测   塑性断裂  

摘要： 水下接触爆炸所产生冲击波载荷、气泡脉动载荷和射流载荷等会对舰船结构造成不同程度的毁伤,严重威胁舰船生命力。目前数值计算方法广泛应用于水下接触爆炸载荷下舰船防护及毁伤方面的研究中,但是计算一个工况需耗费数十甚至上百个小时,不适合在战场条件下对舰船的毁伤情况进行快速预测及评估。因此,本文基于数值仿真结果,引入了机器学习方法以实现对舰船毁伤效果快速准确地预测,这具有极其重要的军事和工程意义。然而机器学习方法多种多样,选取适当的机器学习模型以及最优的机器学习模型超参数,对提高水下接触爆炸载荷下船体结构的毁伤特性预测精度同样意义重大。本文首先介绍了水下爆炸的基本过程、物理现象、载荷特性以及所使用的任意拉格朗日-欧拉(Arbitrary Lagrangian-Eulerian,ALE)方法的基本理论,并将ALE数值模拟结果与气泡统一理论计算结果以及试验结果进行了对比验证。并给出了评价机器学习模型预测性能的相关准则,介绍了六种的机器学习算法的基本原理、实现流程和具体参数。针对机器学习模型选取的问题,以高精度数值模拟建立的水下接触爆炸载荷下船体板架结构破口尺寸数据库为基础,建立了六种不同类型的机器学习模型,分别讨论了这六种模型最优的超参数配置,并对这六种最优的机器学习模型预测精度进行了比较,发现三层隐含层的深度神经网络模型预测性能最佳,其预测结果的平均相对误差为1.3%。针对船体板架结构毁伤特性的高精度预测问题,基于深度神经网络模型对水下接触爆炸载荷下船体板架结构破口边界、破口以外区域的塑性变形及塑性应变进行预测。通过单隐含层神经元计算经验公式以及试错法,研究了隐含层层数、隐含层神经元数量和隐含层神经元分布对模型预测性能的影响,最优的深度神经网络模型所预测的板架结构的破口边界、破口周边塑性变形和塑性应变的平均相对误差分别为0.4%、2.1%和15.6%。针对更复杂的舱段结构在受到水下兵器不同攻角、药量和爆距攻击下的毁伤特性的预测问题,采用深度神经网络模型对舱段结构破口边界、塑性变形和塑性应变的样本数据进行学习,仍通过单隐含层神经元计算经验公式与试错法相结合的方式,研究了隐含层层数、隐含层神经元数目及分布形式对预测性能的影响,确定了最优的神经网络模型,其对舱段模型破口尺寸、破口周边塑性变形和塑性应变的预测结果的平均相对误差分别是2.6%、3.9%和17.2%。

关键词： 脑电信号   情感识别   图学习   半监督学习   判别子空间  

摘要： 在人类日常生活中,情感在传递信息和调节行为方面起着非常重要的作用,因此赋予机器以识别人类情感的能力对于实现脑机接口具有重要意义。情感计算研究旨在建立能够识别人类情感的模型,它涉及多门学科领域,是当前研究热点。在情感计算中,源自中枢神经系统的脑电信号具有难以伪装、信息量丰富等特点,是情感识别的重要数据源。在不同的被试因素和时间因素影响下,脑电信号具有非平稳特性,采集的数据不满足独立同分布的假设,导致传统的机器学习方法泛化能力低。同时,情感识别模型的性能通常会随着样本数量的增加而上升,但真实情况下对脑电信号标注需要消耗大量的资源。受已有图学习方法的启发,本文从以下两个方面对脑电情感识别方法进行改进:(1)针对脑电情感识别中训练数据和测试数据分布差异导致模型泛化能力低的问题,本文提出了一种联合自适应图和半监督学习的标签传播模型。与传统基于图的半监督学习不同的是,该模型是嵌入式模型,自适应图构造和标签传播互相耦合。该模型将脑电数据投影至低维子空间,采用脑电数据的子空间表示进行自适应构图,同时使用l2,1范数对投影矩阵进行约束,保证投影矩阵具有特征选择的能力。在脑电情感公开数据集SEED-Ⅳ上进行跨时段的脑电情感识别实验,模型在三个跨时段情感识别任务中的平均识别精度分别为76.51%、77.08%和81.29%。实验结果表明联合自适应图和半监督学习的标签传播模型不仅有效提高了脑电情感识别的准确率,还具有突出的特征选择能力。(2)针对脑电情感识别中高维数据且包含冗余特征和噪声特征的问题,本文提出了一种基于自适应最大熵图的判别子空间探索模型。该模型的学习目标是探索类间离散度增加,类内离散度降低的判别子空间。与自适应图不同的是,该模型采用最大熵约束来避免模型求解产生的平凡解问题。在该模型中,判别子空间学习、自适应最大熵图和标签预测结合为统一框架,三者相互耦合且判别子空间学习占据中心地位。模型在脑电情感公开数据集SEED-Ⅳ上进行三组跨时段脑电情感识别实验,平均识别精度分别为77.08%、78.80%和81.88%。通过与相关的半监督学习模型进行对比,验证了该模型在脑电情感识别任务中可以有效提升识别准确率。对判别子空间的投影矩阵进行分析,发现来自于Gamma频段及大脑的左/右颞叶、前额叶和(中央)顶叶的脑电信号具有更强的情感表达能力。

关键词： 新媒体   中职语文课程   党史学习教育  

摘要： 加强学生的党史学习教育，是落实立德树人根本任务，践行为党育人、为国育才教育使命的重要途径。新媒体技术的出现，让我们的学习及生活方式发生了重大改变。新媒体技术的发展使得中职学校党史学习教育的形式与载体有了新的变化。以中职语文课程为例，具体分析了中职学校开展党史学习教育的重要意义、中职语文课程融入党史学习教育的现状，并积极探索了新媒体时代中职学校语文课程融入党史学习教育的路径。

关键词： 绿色溢价   集成学习模型   神经网络   绿色创新  

摘要： "绿色经济"正逐渐崭露头角,成为经济发展的新典范,对产业层面的节能减排也自然而然地成为新时期产业升级的重中之重。绿色理念引领下的上市公司应当在节能减排方面充当领头羊,其地位不可或缺,对于我国绿色产业的推动具有卓越意义。作为充满活力的朝阳行业,绿色产业肩负着政府产业升级的殷切期望,并备受价值投资者的瞩目。然而,关于证券市场对绿色产业的定价研究,尤其是对绿色化成本、绿色激励的定价一直较为少见。本文考察了证券市场中绿色产业的定价特征,采用机器学习方法囊括公司层面特征和宏观经济变量,旨在探究我国股票市场绿色股票的特殊定价机制,并比较不同算法下宏微观变量对绿色溢酬的样本外预测能力,以期为研究者提供更深入的研究视角和实践参考。 本文选取Choice数据库中节能环保概念分类的股票作为绿色概念股票,数据区间为2012年1月至2021年12月,参考已有文献构建成长类、账面价值比率类、盈利类、杠杆类等多类特征。在此基础上本文使用正则化线性回归、集成学习和神经网络三类机器学习算法构建股票溢价预测模型,分别进行月度频率和年度频率的预测。本文将处理完成的数据集输入不同的机器学习预测模型,考察其在样本外的预测表现,并对所有预测特征进行重要性分析。 本文的研究成果最终得出以下结论:(1)机器学习能够有效地应用在预测我国绿色概念股票的超额收益率场景。本文考虑的模型当中,Xgboost和4层神经网络表现最好。(2)在三大类因子对模型预测能力影响的排序中,动量类特征和成长类特征最有价值,波动率和流动性特征次之,杠杆类、账面价值比率影响较弱。月度频率预测和年度频率预测有不同的特征影响偏好。(3)加入绿色创新因素后,多种算法的年度预测性能有所提升。但特征重要性分析表明,只有在Xgboost上有较高的影响力,在随机森林和GBRT中影响力较弱。

关键词： 网络表示学习   异质信息网络   网络模式   GAN   多任务学习  

摘要： 网络表示学习是一种常见的数据分析方法,旨在通过学习映射函数,将高维稀疏的数据映射到低维向量空间,以解决大规模网络数据的稀疏性和高维性,实现对网络数据的深入分析。现有的异质网络表示学习方法通常采用基于元路径随机游走的方式学习节点嵌入,但其元路径的选择依赖大量的先验知识,具有较强的人工干预性。本文就如何克服元路径选择受限的问题以及如何充分捕获和融合网络中节点的语义和结构信息进行深入研究,通过引入网络模式,运用深度学习相关技术充分融合节点的结构信息与语义信息,提出了一种新的基于网络模式的异质信息网络表示学习方法。 首先,本文对传统的生成对抗网络模型进行改进,设计了一种融合节点间关系的生成对抗网络模型。该模型将改进的生成式模型和判别式模型相结合,先由生成器生成与给定节点具有一定联系的虚假样本节点。然后,将生成器生成的节点输入到优化后的判别器中,使其能够将生成的虚假样本节点与实际存在连接的真实节点区分开。这种方法能够有效地学习节点的底层分布,生成较高质量的虚假样本,从而高效地捕捉节点的语义信息。其次,针对现有异质信息网络表示学习算法在使用元路径时受限的问题,本文引入网络模式,并设计了一种基于网络模式的多任务学习框架。通过对异质信息网络进行网络模式采样,生成子图,并利用多任务学习算法学习子图中目标节点和上下文节点的嵌入向量。这种方法可以保留网络模式中的异质结构,进而保留网络中节点的高阶结构信息。最后,本文在DBLP和IMDB数据集上进行节点分类和链接预测实验,以验证所提算法模型的有效性。与现有的基线算法相比,本模型在精确度和准确率方面均有明显提升。这表明本文提出的方法能够有效地融合网络中节点的语义信息和结构信息,并生成更优质的节点表示向量。 综上,本文以元路径选择受限为切入点,提出了基于生成对抗网络和网络模式的网络嵌入模型。该模型克服了元路径依赖专业领域先验知识的问题,并深度融合了网络结构信息和语义信息,以确保两者信息的耦合性和交互性,从而学习高质量的节点嵌入表示,以更好地进行网络数据分析。此研究为未来的网络分析工作提供了新的解决思路。

关键词： 茶叶拼配   机器学习   品质评价   高光谱   图像处理  

摘要： 茶叶拼配是茶叶精加工中的一项工艺,旨在参考茶叶标准样,选择两种及以上外形、品质不一的原料茶按一定比例拼合,使拼配后茶叶的质量符合产品要求。目的在于提高茶叶品质一致性、稳定茶叶质量、扩大供货来源。在我国茶叶生产过程中,仍依靠拼配专家完成拼配工作,存在主观性强、难以定量等问题,不利于实现茶叶质量标准化。尽管目前理化分析方法可以用于检测茶叶品质,但由于试验过程复杂,检测速度较慢等问题,仍难以在茶厂中实现规模化普及。随着传感器技术的发展,各类图像、波谱检测技术被广泛用于茶叶的品质分析中,这为解决拼配问题提供新的思路。本文以眉茶为研究对象,采用计算机视觉技术与高光谱成像技术,面向拼配工艺中的成品茶等级判别问题、试拼小样与标准样的相似性评价问题、拼配比例设计问题开展研究,取得了以下主要结果:(1)针对眉茶等级判别问题,构建了表征其外形品质的几何特征,结合机器学习方法建立眉茶等级判别模型,实现7个等级眉茶的精准分类。本文提取了10种叶片几何特征并构建描述茶叶外形品质的特征直方图,分别基于XGBoost、LMNN和卷积神经网络3种方法建立外观等级判断模型。结果表明,3种方法在测试集中5折交叉验证的平均准确率均高于92%,其中使用卷积神经网络结合Softmax分类器的方法分类精度最高,测试集平均准确率为97.86%。结果表明,本文构建的外形几何特征能有效表征眉茶外观品质,结合卷积神经网络模型,能够精准实现眉茶等级分类。(2)针对茶叶拼配过程中试拼小样与标准样的相似性评价问题,本文提出了一种基于深度度量学习的相似性评价方法。本文采用7种等级的眉茶标准样作为训练样本,并在标准样中加入不同含量半成品茶构建具有不同相似性的测试样本。采集茶样的高光谱数据并提取光谱特征与图像特征,分别以光谱数据、图像数据、图谱融合数据3种类型的数据作为模型输入。为了构建距离特征空间,本文建立深度度量学习模型并设计了Center Anchor Triplet Loss损失函数,通过样本数据在特征空间中的距离,表征相似程度,达到定性判断相似性和定量度量相似度的目的。结果表明:深度度量学习方法可以准确评价茶样相似性,图谱融合数据结合Center Anchor Triplet Loss的方法精度最高,相似性判断准确率为98.89%,相似度度量准确率为100%。本文采用未经训练的独立样本评价模型,获得了较好的结果,说明算法具有较好的泛化能力,研究结果为眉茶的相似性评价提供了理论依据。(3)为了实现茶叶拼配比例的智能计算,本文构建基于强化学习机制的拼配比例计算模型,求解目标样拼配比例。选取4种眉茶拼配中常用的半成品茶,按比例拼合获得10种品质不同的茶样作为目标样。采集上述茶样的高光谱数据,面向拼配比例计算框架中的品质判断、茶叶光谱生成、拼配方案探索问题,分别构建机器学习模型。针对目标状态判断问题,基于深度度量学习构建茶叶相似性判断网络,用以评价当前状态茶样特征与目标样之间的相似性,判断是否符合目标样品质要求;针对数字化拼配中无法采集每种比例茶叶光谱的问题,基于TF-ACGAN网络训练茶叶光谱生成器,生成光谱被茶叶相似性判断网络准确分类的概率为94.25%;针对眉茶拼配问题设计状态、动作与奖励函数,结合茶叶相似性判断网络与茶叶光谱生成器分别构建GM-Q-learning和GM-TD3拼配比例计算模型,测试模型计算拼配比例的效果。结果表明,基于强化学习的茶叶拼配算法可以准确求解目标茶样的拼配比例,实现茶叶智能化拼配。本文面向拼配工艺中的茶叶等级判别问题,构建外形几何特征描述外观品质,实现茶叶等级分类;面向试拼小样与标准样的相似性评价问题,建立深度度量学习模型,利用样本特征距离量化茶样间的相似度;面向拼配比例计算问题,构建强化学习模型准确计算目标样拼配比例。本文针对拼配过程中的若干决策问题,提出了基于机器学习技术的智能化算法,有助于解决茶叶拼配技术中主观性较强的问题,提高拼配过程中的智能化水平,实现茶叶品质标准化。

摘要： 初中阶段的数学知识比小学阶段难度有所提升,因为数学知识本身存在抽象性特点,所以需要同学们转变学习思维,创新学习方法,只有这样才能提高学习效率．下文重点探讨初中数学学习方法的创新应用,希望能为同学们学习数学知识提供参考和帮助．一、巧用现代化技术辅助学习当前,学校的信息化设施配备充足,同学们可利用信息技术与同伴之间进行互动,参与数学课外实验、物体观察、信息收集等活动,主动寻找高效率的学习方法．比如,在“函数”知识学习过程中,我们可能会遇到这样的问题:“向平静的水面投一块石头,水面会形成多个同心圆波纹,

关键词： 多发性硬化症   脑部静脉血管   多模态深度学习算法   语义分割   小目标  

摘要： 大脑是人体中最重要的器官之一,它关系着神经系统是否能够健康工作,影响着人类的高级认知能力。在临床医学中,基于核磁共振影像的分割任务是诊断和分析脑部疾病、辅助手术治疗的关键步骤。以多发性硬化症患者的脑部病灶分割问题为诊断和分析脑部疾病的代表,辅助手术治疗则聚焦在脑部静脉血管分割问题。通常,这两个分割任务结合多个核磁共振影像模态,利用它们之间信息的互补性,提升分割性能。理论上,随着深度学习技术的发展,多模态深度学习算法同样可以用于多发性硬化症脑部病灶和脑部静脉血管的分割中。然而,针对多发性硬化症脑部病灶分割问题,现阶段基于深度学习的多模态融合策略未充分利用脑部多模态核磁共振影像数据间的关联和互补知识,即没有考虑多发性硬化症病灶在不同影像中的分级特性,并且多发性硬化症脑部病灶具有小而多的特点,使得分割难以达到预期效果。在脑部静脉血管分割问题中,现阶段多使用传统多模态融合策略来解决,它们存在计算成本高、耗时长的问题,而应用深度融合策略受限于目前有限的数据量和巨大的人工标注成本。为了解决上述问题,本文做了如下的工作:1.针对多发性硬化症脑部病灶分割的多模态融合策略问题,本文提出了基于全局-局部特征的多发性硬化症多模态融合分割算法LGMS-Net,网络的设计充分考虑核磁共振影像模态间信息的关联性和互补性。编码器部分,LGMS-Net根据多发性硬化症非轧增强病灶在Phase影像中的铁环征表现,提出额外的局部细节特征提取模块,用于获取铁环征病灶的边缘信息。在解码器部分,LGMS-Net提出全局-局部特征层级融合模块,融合FLAIR和Phase模态信息,完成多发性硬化症病灶的分割。实验测试和验证了算法的分割性能和融合策略的有效性,并且通过局部边缘特征的可视化为多发性硬化症的病理分级提供可能性依据。2.针对将多模态深度学习方法引入脑部静脉血管分割任务的阻碍,本文提出基于深度学习即插即用模块的快速多模态脑部静脉血管分割算法。该算法根据传统脑部静脉血管分割方法的工作原理,利用深度展开等技术,设计基于深度学习的即插即用模块,代替传统多模态方法中计算成本高、耗时长的流程。实验结果表明该多模态深度学习算法在分割效率上远远超过传统方法,在分割性能上同样能够达到预期目标。3.为实现本文提出算法的应用价值,本文设计了一个基于Flask框架的脑部核磁共振影像分割系统。该系统包含用户管理模块、数据管理模块和分割算法模块。这些模块将本文提出的两种算法集成到一个前后端分离平台中。脑部核磁共振影像分割系统充分考虑了医疗数据的安全性和医生的日常诊疗需求,提供界面友好型的脑部核磁共振影像分割系统。