基于机器学习的地球静止轨道质子能谱反演

根据地面中子探测与宇宙线环境之间的关联性,在太阳活动平静期以地球静止环境业务卫星及全球各个中子探测站的探测数据构建数据集。基于极端梯度提升决策树（XGBoost）和人工神经网络建立了由地面中子探测数据反演宇宙线质子环境的模型。模型采用遗传算法求解模型的最优超参数并对神经网络的各个神经元参数进行训练,实现了宇宙线质子环境在太阳活动平静期的反演,模型训练的均方差MSE为0.499,对测试集的平均反演误差分别为26.9%,对比航天常用的辐射环境模型误差通常在200%以内,提高显著。同时使用包括支持向量回归、误差反向传播算法、长短期记忆在内的多种其他机器学习算法进行了对比,结果表明本文所建立的模型具有训练时间短、计算速度快、占用资源小的优点。     

基于模糊层次分析法的结构破损评估专家系统

本文在建立了受损构件和受损结构体系残余承载力模糊评估理论的基础上，以这两个方法的主要原理为思想，设计了一智能评估专家系统。作者在文中着重给出了知识库、推理机和系统流程图的构造，并结合实例，说明了该专家系统的应用。     

机器学习方法在储层分类中的应用

油气田开发中有效储层和非有效储层的样本点存在混合带时,两类储层的划分是一个难点问题.从统计学上来看,其本质是一个含噪声的小样本二分类问题,可以采用机器学习方法,充分挖掘有试油成果的样本点的数据信息.分别利用线性判别分析、支持向量机、多层感知机神经网络建立储层分类模型,利用10次10折交叉验证法进行模型评估与优选,并利用全部样本点建立了有效的储层分类模型,最后将模型推广应用到样本分布的三种不同情形.结果表明,线性支持向量机模型具有最好的分类效果和很强的泛化能力,对于区分有效储层和非有效储层是有效的,可以在油气田开发中进行推广.     

基于集成学习策略的化工园区大气污染影响预测

建立科学、有效、准确的空气质量预测系统,对于保护人们的身体健康和促进社会的和谐稳定具有重要的科学价值和实际意义。研究聚焦化工园区,基于物联网背景下企业排放实时数据,融合气象信息,采用多种有监督式机器学习(决策树、多元线性回归、Lasso回归、支持向量机、Xgboost、梯度提升机、Light GBM、MLP(多层感知觉神经网络))及改进的集成学习Stacking策略实现化工园区空气质量的预测,并识别影响大气污染的关键因素。结果表明:(1)Stacking策略下的预测框架与单模型预测结果相比有统计学意义上的显著提升。(2)在Stacking策略中,初级、次级学习器的选择策略影响预测的精度和泛化性,最佳模式为初级采用强学习器,次级使用线性模型。(3)在同一园区、不同企业污染物不同排放口对空气质量影响不同,研究结论可为政府监管部门对化工园区的治理和管控提供决策支持。     

基于BalanceCascade-GBDT算法的类别不平衡虚假评论识别方法

虚假评论是电商发展过程中一个无法避免的难题. 针对在线评论数据中样本类别不平衡情况,提出基于BalanceCascade-GBDT算法的虚假评论识别方法. BalanceCascade算法通过设置分类器的误报率逐步缩小大类样本空间,然后集成所有基分类器构建最终分类器. GBDT以其高准确性和可解释性被广泛应用于分类问题中,并且作为样本扰动不稳定算法,是十分合适的基分类模型. 模型基于Yelp评论数据集,采用AUC值作为评价指标,并与逻辑回归、随机森林以及神经网络算法进行对比,实验证明了该方法的有效性.     

控制系统生存核的逼近算法

生存核的计算是控制理论中的一个重要研究方向．给出了一种计算一般离散控制系统生存核的新算法．基于机器学习的方法,给出了逼近生存核的算法．并在一定条件下,证明了此算法的收敛性．此算法在一定程度上避免了计算量随控制空间的维数增长而指数增长的问题．最后,给出具体的实际例子来说明算法的有效性．     

颜色编码液滴阵列的机器学习解码及其在多重数字化核酸分析中的应用

为了解决数字化核酸分析的通量限制问题,在三原色组合液滴编码技术基础上,本研究发展了一种基于机器学习的颜色编码液滴阵列自动化解码方法。此方法借助机器学习赋予计算机程序自动获取液滴颜色-位置-数量信息的能力,通过关联核酸扩增前后液滴颜色-位置-数量信息,快速确定每种检测靶标对应的阳性液滴比例。将这种液滴解码策略用于多重数字化核酸分析,实验结果表明,本方法快速、准确,其解码流程可在2 min内完成,液滴识别准确率> 99%。基于此液滴解码方法获得的核酸定量分析结果与商品化数字PCR仪的定量分析结果具有良好的相关性（R2> 0.99）。     

机器学习方法在高分子玻璃化研究中的应用

高分子玻璃的物理性质与其结构和动力学密切相关.揭示高分子玻璃化的微观物理图像对高分子玻璃材料的结构调控和分子设计至关重要.然而,高分子的长链结构和复杂单体结构特征致使目前仍然缺乏普适的理论或者模型来定量解释高分子玻璃化的物理机制.因此,亟需发展更为先进的研究方法从而更深入地理解高分子玻璃化.近年来,国内外学者利用基于数据驱动的信息学方法(例如机器学习)对高分子玻璃化开展了研究,并取得了丰富成果.本综述首先介绍了常用的高分子信息学数据库和机器学习算法.之后,从高分子玻璃化转变温度的预测、新型高分子玻璃材料的研发、过冷液体的结构-动力学关系和玻璃体系相变的确定四个方面总结和评述了机器学习应用在玻璃化研究中的代表性进展.最后,探讨了机器学习方法在高分子玻璃化研究中面临的主要挑战,并对玻璃信息学这一领域的发展进行了展望.     

基于机器学习的开孔加载金属腔电磁屏蔽效能评估

利用全波分析方法计算了不同电路板加载、不同孔缝和尺寸的开孔金属腔在0!5GHz范围内的屏蔽效能(SE), 获得共计5250个样本。进而利用机器学习中的随机森林回归算法, 对其中4200个样本数据进行训练, 获得了可以根据开孔腔物理尺寸、加载物材料及电磁特性和位置、频率等共计16个输入参数快速评估开孔加载金属腔屏蔽效能的机器学习模型。利用其余的1050个样本进行模型验证, 结果表明该模型可以快速准确地计算加载腔的电磁屏蔽效能。该模型具有随时根据样本量增加不断训练提高其普适性的特点, 可为实际工程中加载开孔腔的屏蔽设计及SE评估提供高效途径。