关键词： 贝叶斯理论   神经网络   原子核低激发谱   原子核形状共存   原子核形状演化  

摘要： 原子核的低激发谱对于深入认识核结构具有重要意义,近年来实验上已经测得了数千个原子核的低激发能数据,理论上也发展出了许多方法来预言核低激发谱。但大多数理论对核低激发谱的预言都局限于部分核区,少有的能够系统计算核低激发谱的理论也仍然面临着一些挑战。因此,需要发展理论模型更好地描述原子核的低激发谱。 本文基于贝叶斯神经网络（BNN）方法和反向传播（BP）的神经网络方法系统研究了原子核的低激发谱,并将两种神经网络方法与五维集体哈密顿量（5DCH）方法的理论值进行对比。基于对原子核低激发谱的预言分析了原子核的形状共存、形状相变、形状演化,并且比较了三种理论方法的不同预言趋势。主要研究成果如下: 1.以02+、21+、22+、23+、41+为例,采用BNN方法研究了原子核的低激发谱。通过在除了质子数和中子数以外加入一个有关原子核集体性的输入,并且使用激发能的常用对数作为输出,BNN能够在0.1个Me V到数个Me V的大能量范围内很好地描述低激发能。相比于微观的集体哈密顿量模型,BNN显著改进了对原子核低激发谱的描述,基本在1.12倍的能量范围内再现包括过渡核以及幻数核在内的实验数据。BNN同时很好地描述了低激发能的同位素趋势,包括由壳效应导致的激发能在幻数处的突然增加,由形状共存导致的非常低的02+激发能以及由形状相变导致的复杂原子核形状演化。 2.采用BP神经网络方法系统研究了原子核的02+、21+、41+激发谱,通过将原子核的02+、21+、41+激发能作为同一网络的三个输出（TFo3方法）,该方法取得了与BNN方法类似的精度。在实验数据已知的核区,TFo3方法和BNN方法对原子核低激发能量的拟合趋势大体上是一致的,它们相较于5DCH方法的优势主要体现在对原子核壳效应的描述;在部分实验数据未知的核区,5DCH方法和BNN方法具有比TFo3方法更稳定的外推能力。进一步研究发现,与02+相比,21+和41+之间具有更明显的物理关联,为了更好地模拟21+和41+之间的关联性,将原子核的21+和41+激发能作为同一网络的两个输出（TFo2方法）,该方法相比5DCH方法预言精度分别提高约80%和75%,并且比BNN方法更好地描述了原子核轻核区与缺中子核区的低激发谱,这说明可以使用多任务神经网络统一精确地描述具有显著关联的物理量。

关键词： 深度学习   自监督学习   计算机视觉   视频预测   有模型的视觉决策  

摘要： 基于视频数据的深度预测学习(以下简称“深度预测学习”)属于深度学习、计算机视觉和强化学习的交叉融合研究方向,是气象预报、自动驾驶、机器人视觉控制等场景下智能预测与决策系统的关键组成部分,在近年来成为机器学习的热点研究领域.深度预测学习遵从自监督学习范式,从无标签的视频数据中挖掘自身的监督信息,学习其潜在的时空模式表达.本文对基于深度学习的视频预测现有研究成果进行了详细综述.首先,归纳了深度预测学习的研究范畴和交叉应用领域.其次,总结了视频预测研究中常用的数据集和评价指标.而后,从基于观测空间的视频预测、基于状态空间的视频预测、有模型的视觉决策三个角度,分类对比了当前主流的深度预测学习模型.最后,本文分析了深度预测学习领域的热点问题,并对研究趋势进行了展望.

关键词： 深度学习   LSTM   DeepAR   股票价格预测  

摘要： 股票价格预测是统计学、金融学和经济学方面的一个重要研究内容,多年来研究者们开发了许多股票价格预测模型以研究股票价格变化的规律。从本质上来说,股票价格预测属于时间序列预测的范畴。传统的时间序列预测方法多以统计方法为主,预测精度方面有待提高。近几年,深度学习方法在股票价格预测方面得到应用并取得了较好的预测效果。 本文应用深度学习的算法对股票价格进行分析与预测。白酒板块和新能源板块是中国股票市场上目前最热门的板块,其时间序列数据的波动性较大,很难用传统的时间序列预测方法捕捉数据内部的规律。我们选取白酒板块与新能源板块的龙头企业贵州茅台(600519)和比亚迪(002594)两支股票数据作为研究对象,以期获取深度学习方法在股票预测方面的优势。在进行深度学习建模之前,对股票数据进行数据清洗、剔除异常值等数据预处理操作。由于两只股票的数值大小、量纲差别较大,我们进行了归一化处理。 本文首先用长短期记忆网络(LSTM)模型进行单点预测,基于Keras框架建立了两层的LSTM层,每个LSTM层包含50个神经元。创新性的采用了深度自回归(DeepAR)模型通过Gluon TS库调用递归自回归网络架构,并通过似然函数求解联合概率分布,结合滚动训练机制,得到预测值的概率区间和概率区间中位数的点预测。从而,建立了两种金融时间序列预测模型。 从实验对比结果来看,加入了滚动训练机制的DeepAR模型与LSTM模型相比,在降低误差的同时,提高了预测的精度。最重要的是LSTM模型只能得到单点的预测值,DeepAR模型可以在单点预测的同时进行概率预测,即可以显示出测试集股票价格预测的概率区间,可提供更宽泛的后验知识。实验结果用均方误差、均方根误差以及平均绝对误差作为评估指标,结果显示DeepAR模型各项指标的结果较LSTM优秀,与真实股价数据进行对比之后,DeepAR模型效果总体优于LSTM模型。因此DeepAR神经网络模型具有更好的应用价值,在概率预测和股票价格预测领域还有很广阔的发展空间。

关键词： 大豆期货价格   优化学习方法   变分模态分解   混沌哈里斯鹰算法   极限学习机  

摘要： 大豆作为农业大批量生产和消费的原材料商品物资,其价格波动对一个国家的经济生产活动有着重大影响,直接影响着国计民生。同时,大豆也是大宗商品中重要的一类农产品,而拥有大量大宗商品作为贸易资源的国家,在国际市场中天然占据一定的贸易优势。我国是大豆进口大国,大豆贸易一直受全球市场供需和政治经济影响,因此大豆价格的变化在我国一直备受关注,大豆相关产业也整体面临一定的风险。进入WTO后,国产大豆的价格受到进一步压缩,这是由于国内大豆的消费需求大量依赖进口大豆,同时大豆的国际价格下跌严重,使得大豆种植业的压力提升。为了规避大豆现货价格震荡的风险,大豆期货为交易者提供了价格发现、套期保值等重要参考和帮助手段。因此,对大豆期货价格的预测直接关系到投资者的资产配置,并有助于相关农产品企业的生产和消费决策,让国家贸易和货币政策的制定和实施更加有效。由于大豆期货市场复杂的影响因素和影响机制,大豆期货价格具有显著的非线性和高波动性。本文以大豆期货价格作为研究对象,提出了一种新的基于分解和优化算法的优化学习方法。本文的主要内容可以分为五个部分:第一部分,讲述了本文的研究背景及意义,介绍了本文的主要研究内容以及国内外相关文献综述。第二部分,阐述了相关的统计预测模型和变分模态分解方法的基础理论。第三部分,基于传统的哈里斯鹰优化算法,详细论述了改进的混沌哈里斯鹰优化算法的构建过程,并将改进后的混沌哈里斯鹰算法应用于极限学习机模型初始权重和阈值的优化,同时给出了优化学习框架和预测步骤。第四部分,分别采用本文提出的基于分解和优化算法的优化学习方法和其他六种大豆期货价格预测模型来预测大豆和原油的期货价格,并通过对比统计误差和统计检验,验证本文提出的优化学习方法在大豆期货价格预测中的水平和方向预测效果。第五部分为结论和展望,总结了本篇论文的研究成果,指出现有工作的不足以及对未来的工作和研究方向进行展望。本文的主要贡献在于:(1)提出了一种新的基于分解和优化算法的优化学习方法,以提高大豆期货价格的水平和方向预测精度。(2)针对哈里斯鹰算法收敛精度低的缺点,提出了基于混沌映射改进的混沌哈里斯鹰优化算法,实证结果表明,改进后的混沌哈里斯鹰算法在优化精度以及搜索能力方面均具有显著的提高。(3)采用混沌哈里斯鹰算法优化极限学习机模型的初始权重和阈值,避免了模型参数设置的随机性和盲目性,同时提高了极限学习机模型的预测精度。

关键词： “教学做合一”   英语教学   学习方法  

摘要： 小学英语是十分重要的基础学科，对学生以后的英语学习起到一定的基础作用。学生学习英语需要教师的有效指导和点拨，但是，当前阶段的小学英语教学仍然存在很多问题需要解决。本文将对存在的问题进行有效分析，并明确了“教学做合一”理念指导下的小学英语教学方向，同时提出了具体的教学策略。

关键词： 生存期预测   肝癌   稀疏组Lasso   XGBoost   贝叶斯优化  

摘要： 肝癌是世界上最常见的恶性肿瘤之一,也是我国高发的消化系统恶性肿瘤,死亡率居第三位,并且发病率呈逐年上升趋势。准确的生存期预测不仅可以让肝癌患者摆脱焦虑,同时也可以给医疗工作者制定合理治疗决策提供帮助。本文结合基因特征与临床特征,对肝癌患者的生存期展开预测研究。主要内容描述如下:本文首先对高维带冗余特征的422个初始数据样本进行特征选择。考虑到基因表达特征与临床特征具有不同的生物学意义,本文对两种类型的特征分别构建专门的特征选择算法。对于维度较低的临床特征,我们使用传统的方差分析法筛选出肝癌相关临床特征。对于基因表达特征,考虑到其内部潜在的组结构,我们采用稀疏组Lasso特征选择方法筛选相关的致病基因。数据预处理和特征选择之后,初始的110个临床特征和20530个基因表达特征分别减少为15个和455个。特征选择之后,本文将对肝癌患者的标签进行预测,判断患者是长、短期生存样本。该步骤使用分类算法来实现,采用了K近邻(KNN)、朴素贝叶斯、决策树、XGBoost等多个算法进行预测研究。为获取最合适的参数,本文使用贝叶斯优化和网格搜索两种方法对模型参数进行调整。最后的实验数值表明:基于贝叶斯优化调参的XGBoost算法的预测效果更好,预测的F1＿score为0.85。与肝癌生存期预测的已有研究相比,本文在特征选取时,将临床特征和基因表达特征联合作为数据特征,在特征选择过程中,充分考虑到了两组特征各自的特点,分别给出合适的特征选择方法。考虑到基因特征间的潜在组特性,文章尝试使用稀疏组Lasso对其进行特征选择,并证实了其有效性。在预测生存期时,我们采用XGBoost算法进行预测,并选用贝叶斯优化方法(BO)对算法的参数进行优化。最后的数值比较可以看出:与其他的分类预测算法和常规的网格搜索调参算法相比,在本文的数据分类预测问题上,BO-XGBoost算法的效果最佳。

关键词： 水位预测   深度学习   TCN   Informer   Autoformer  

摘要： 淮河流域横跨豫、皖、苏三省,大多是平原地带,因此该区域耕地面积广泛,每年的粮产量在我国举足轻重;而且作为我国南北分界线的一部分,它的重要性不言而喻。但依据历史经验,淮河水域洪涝灾害频发,环境承载力欠佳,水位预测作为洪涝灾害的重要预防措施之一,能够有效推进淮河流域水利安全建设。水位预测作为学术界长期关注的问题之一,其理论及方法的发展不断迭代升级。灰色系统理论、多层递阶模型等传统预测方法在数据挖掘和人工智能的发展背景下被逐渐更新、取代,根据众多学者的研究表明,基于数据驱动的大数据分析方法能有效提高预测的精度。本文梳理以往学者预测水位所使用的方法,并查阅影响水位的因素,整理形成较好的数据集和较优的模型进行水位预测。首先,为探究如何提高水位预测结果的精确度,使用两种数据集来进行预测,其一是用单一变量(水位)预测单一变量(水位),其二是用多变量(水位、降雨量、流量)来预测单一变量(水位)。其次,在数据处理上,使用插补法以及生成对抗神经网络(GAN)进行填补,当数据量越大时,使用GAN填补效果越好。再次,在单步预测方法的选择上,使用奇异谱分析(SSA)来进行数据分解,再对数据分解后的残差项使用完全集成经验模态分解(CEEMDAN)进行二次分解,再将分解结果分别放到长短期记忆(LSTM)、梯度提升回归(GBR)、极端梯度提升(XGBoost)、轻量梯度提升器(Light GBM)预测模型以及长短期记忆(LSTM)和时序卷积网络(TCN)的组合模型来对淮河水位进行预测,最后使用网格搜索法对机器学习模型进行调参,使用遗传算法(GA)或者梯度下降法(GD)来求解神经网络模型参数的最优解。最后,尝试多步水位预测,未雨绸缪,预知风险,帮助合理规划。研究结果表明,在多变量输入单变量输出数据集(水位、流量、降雨量—水位)下使用SSA-CEEMDAN-LSTM-TCN模型的单步预测效果最好,说明更多有效的影响因素加入预测使得模型预测效果更佳。多步预测中Autoformer对水位预测时,预测时间越长效果越好。

关键词： 急性缺血性卒中   弥散加权成像   影像组学   机器学习   预后  

摘要： 目的:基于弥散加权成像(DWI)的影像组学特征及机器学习方法构建急性缺血性卒中(AIS)患者90天预后的预测模型并进行验证,同时与使用临床特征构建的模型的预测效能进行比较。方法:回顾性分析于2020年1月至2022年1月在广西医科大学第二附属医院诊断为AIS患者的临床及影像资料,收集所有患者的临床特征等基线资料,根据90d-m RS评分,将患者分为预后良好组和不良组。对患者的基线资料进行分析并构建基于临床特征的AIS预后预测模型。将患者按7:3的比例随机分配到训练集和测试集,采集患者的DWI图像,采用MRIcro GL软件进行手动图像分割,使用Python的pyradiomics程序包进行影像组学特征提取,通过LASSO降维处理后获取最佳影像组学特征,将筛选出的特征纳入机器学习的支持向量机(SVM)算法进行建模。通过训练集训练模型,并在测试集上测试模型训练结果,采用受试者工作特征(ROC)曲线评估模型预测效能。结果:共纳入171例AIS患者,预后良好和不良者分别为134例和37例。单因素Logistic回归分析示既往卒中史、住院并发症、DWI-ASPECTS评分、入院时NIHSS评分、发病前m RS评分与AIS患者不良预后相关(p<0.05)。多因素Logistic回归分析示DWI-ASPECTS评分(OR=0.748,95%CI:0.611-0.916)和入院NIHSS评分(OR=1.213,95%CI:1.074-1.371)是AIS患者不良预后的独立预测因子(p<0.05)。数据划分结果为训练集119例和测试集52例。每例患者共提取出851个影像组学特征,经特征选择及降维处理后最终筛选出9个特征。基于临床特征的预测模型曲线下面积(AUC)为0.865,准确度为81.3%,灵敏度为81.1%,特异度为81.3%。基于影像组学特征的预测模型训练集AUC为0.930,准确度为92.0%,灵敏度为76.0%,特异度为97.0%;测试集AUC为0.906,准确度为90.0%,灵敏度为75.0%,特异度为95.0%。结论:基于DWI的影像组学特征及机器学习方法构建的预测模型,能够较准确地预测AIS患者90天功能预后,且其预测效能比基于临床特征构建的模型更好。

关键词： 哮喘   免疫浸润   生物靶标   LASSO   SVM-RFE  

摘要： 哮喘是一种常见的非传染性慢性呼吸系统疾病。目前,世界上至少有亿哮喘患者,约占全球人口总数的。哮喘严重威胁着人类的身体健康,每年导致约万人死亡。然而,哮喘的预后治疗过程中基于临床实验的治疗方法存在着成本太高、消耗太大等难题。因此,应用统计机器学习方法寻找哮喘的生物靶标,探索哮喘分子机制成为了研究的热点。本文首先通过差异基因筛选方法对数据库中人类哮喘基因表达谱数据进行研究,获得了个与哮喘感染状态相关的差异表达基因,并通过富集分析发现差异表达基因主要在免疫相关的功能与通路富集。而后,通过对哮喘的差异基因进行核心基因筛选,得到了个在哮喘表达过程中的高度显著相关的基因;在此基础之上,运用和方法对哮喘生物靶标进行初筛,得到个候选哮喘生物靶标,我们通过数据集的对照研究,最终确定了两个生物靶标,分别为和。随后对哮喘样本中免疫细胞所占的相对比例进行估计,发现种免疫细胞的浸润情况在哮喘组和健康组存在显著差异,并发现哮喘生物靶标与部分免疫细胞存在显著的相关性。虽然已有众多的学者对哮喘生物靶标进行研究,但还有很多方面的问题有待解决。本文基于统计机器学习方法,围绕哮喘生物靶标的筛选以及哮喘与免疫浸润的关系进行研究,一方面为哮喘的靶标筛选与鉴定提供了预后方向,另一方面对哮喘的分子机制以及与免疫细胞的相关关系进行探讨,进一步为哮喘的治疗提供新的科学依据。

关键词： 京津冀   NO2   时空分布   集成学习方法  

摘要： 本文综合地基监测数据、再分析资料、卫星产品,采用三种集成学习方法,得到近地面NO2浓度的时空分布,结果表明集成学习方法可以准确估算近地面NO2在空间上的分布状况和在时间上的变化趋势。空间上NO2年均值最高值出现在唐山市、最低值出现在承德市。时间上,8月份是NO2浓度最低的月份。