基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

PM_2.5小时浓度多为单步预测。为实现PM_2.5小时浓度的多步预测,基于“编码器-解码器”的序列-序列预测（Seq2Seq）模型,集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力,提出了融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测（GCN_Attention_Seq2Seq）模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照,以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证,结果表明,Seq2Seq模型和图卷积神经网络（GCN）可对PM_2.5小时浓度数据的时空依赖进行有效建模,注意力机制有助于减缓多步预测中的预测精度衰减,提升PM_2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM_2.5浓度预测窗口。     

基于MODIS数据的山西省PM2.5浓度估算研究

通过ENVI软件对美国国家航空航天局（NASA）发布的MODIS L1B数据进行几何校正、波段合成、重采样、构建查找表等操作,反演了山西省2020年3—8月气溶胶光学厚度（aerosol optical depth,AOD）,用大气气溶胶产品MOD04_3K验证AOD的反演精度,对反演结果中的高度进行订正,分析了山西省AOD时空分布特征,在此基础上建立了AOD与PM_2.5浓度的回归模型,并通过模型验证估算误差。结果表明：（1）MODIS L1B反演结果具有较高的精度,与大气气溶胶产品MOD04_3K数据的相关系数为0.934。（2）在时间分布上,AOD存在明显的季节性差异,夏季AOD均值远高于春季;在空间分布上,AOD呈现由北向南逐渐增加的趋势,高值主要出现在山西省南部的临汾市和运城市。（3）整体、春季、夏季3类回归模型的平均相对误差分别为25.91%,27.62%,23.87%,表明模型的拟合效果较好,可较为准确地估算PM_2.5浓度。     

餐厅、烤肉店PM2.5单颗粒的形貌及矿物组成特征

矿物颗粒是餐厅和烤肉店空气中的主要成分,为研究餐厅、烤肉店大气细颗粒(PM2.5)中单颗粒的化学组成,用带能谱的扫描电镜识别和统计了两个采样点的单颗粒;依据X射线能谱(EDX)数据,对餐厅、烤肉店的PM2.5颗粒采用P(X)值法,进行元素分类.分析表明:烤肉店样品中出现C质颗粒,但餐厅样品没有观察到.餐厅的矿物颗粒在数量上占绝对优势(69.3%)并分为富Si、富Ca、富Fe、富Cu、富Al、富Cl、富Br、富Na等8种不同类型,其中富Si占到43.3%、富Ca占到25%;在数量上烤肉店的矿物颗粒物占总颗粒的45.67%,分为富Si、富Ca、富Fe、富Cu、富Ti、富Zn、富Ca、富Na等,富Si占50%、富Ca占24.9%;餐厅和烤肉店矿物颗粒的主要类型相同,说明地壳来源是最主要的单颗粒的来源.     

模糊聚类支持向量机的区域空气PM_(2.5)浓度预报

在分析模糊C均值聚类算法与支持向量机回归的特点后,将二者结合,提出了模糊聚类支持向量机回归(FCM-SVR)算法,对空气中颗粒物浓度PM2.5进行预测.该方法首先利用模糊C均值聚类算法把一个复杂的数据集分成多个群体,再在每个群体上建立支持向量机回归(SVR)模型,然后进行集成,对区域空气的PM2.5浓度进行预测.预测结果分别与自组织竞争神经网络支持向量机回归(SOM-SVR)模型和单一的支持向量机回归(SVR)的结果进行比较.结果表明,FCM-SVR模型的预报准确率高于SOM-SVR模型和SVR模型.     

基于集成学习的PET/CT混合成像肺癌检测

提出了一种基于多模态多尺度的Mask R-CNN集成学习模型对PET/CT混合成像进行人工智能肺癌检测。首先,通过5个深度学习模型对肺癌候选区进行提取。5个深度学习模型通过对不同尺度及不同模态训练数据进行Mask R-CNN迁移学习生成。然后利用集成学习方法将5个Mask R-CNN模型进行加权投票,有效减少假阳性数量,最终实现肺癌确诊。实验数据包括69例肺癌患者及11例正常例,训练数据集包括1242个肺癌横断面;验证数据包括270个横断面,其中58个PET肺癌横断面和58个CT肺癌横断面,77个PET正常横断面和77个CT正常横断面。该方法的F-score、Precision和Recall为0.95、0.90和1,与单模型和现有方法相比,本文方法对于PET/CT混合成像的肺癌检测具有更强的有效性,可以为医生提供有意义的辅助诊断信息.     

杭州市2017年冬季一次重灰霾过程中PM2.5水溶性离子特征、来源及成因分析

利用在线监测仪测量了杭州市一次重灰霾过程（2017年12月29日至2018年1月3日）中PM_2.5主要水溶性离子（Cl^-、SO₄^2-、NO₃^-、NH₄⁺、Na⁺、Ga²⁺、Mg²⁺）及主要气态污染物（SO₂、NO₂、O₃、NO、CO、HCl、NH₃、HNO₂、HNO₃）的小时浓度。结合混合受体模型和国控监测分析,研究了2017年12月30-31日重灰霾事件的污染特征、来源和成因。研究结果表明：PM_2.5浓度高达318 μg·m^-3; NO₃^-/SO₄^2-最大值为2.68,说明移动源污染是杭州市PM_2.5形成的重要来源; PM_2.5/CO最高达到0.19,说明二次细颗粒物对PM_2.5贡献很大;NO₃^-、SO₄^2-、NH₄⁺的浓度总和占PM_2.5平均浓度的64.3%,说明二次无机细颗粒物是杭州重灰霾形成的重要原因,且NO₃^-的贡献最大,占33.5%。混合受体模型分析显示,杭州市重灰霾污染的潜在源区主要位于安徽、江苏、河南、山东四省交界处,以及安徽省中东部、蚌埠、芜湖等工业污染较为严重的城市。夹杂着大量污染物的北方干冷空气远距离传输叠加部分局地源是杭州此次重雾霾形成的根本原因。因此,为了改善杭州市空气质量,不仅需控制当地的污染物排放,而且还需对整个长三角地区甚至跨区域采取大气联防联控策略。     

杭州市2017年冬季一次重灰霾过程中PM2.5水溶性离子特征、来源及成因分析

利用在线监测仪测量了杭州市一次重灰霾过程（2017年12月29日至2018年1月3日）中PM_2.5主要水溶性离子（Cl^-、SO₄^2-、NO₃^-、NH₄⁺、Na⁺、Ga²⁺、Mg²⁺）及主要气态污染物（SO₂、NO₂、O₃、NO、CO、HCl、NH₃、HNO₂、HNO₃）的小时浓度。结合混合受体模型和国控监测分析,研究了2017年12月30-31日重灰霾事件的污染特征、来源和成因。研究结果表明：PM_2.5浓度高达318 μg·m^-3; NO₃^-/SO₄^2-最大值为2.68,说明移动源污染是杭州市PM_2.5形成的重要来源; PM_2.5/CO最高达到0.19,说明二次细颗粒物对PM_2.5贡献很大;NO₃^-、SO₄^2-、NH₄⁺的浓度总和占PM_2.5平均浓度的64.3%,说明二次无机细颗粒物是杭州重灰霾形成的重要原因,且NO₃^-的贡献最大,占33.5%。混合受体模型分析显示,杭州市重灰霾污染的潜在源区主要位于安徽、江苏、河南、山东四省交界处,以及安徽省中东部、蚌埠、芜湖等工业污染较为严重的城市。夹杂着大量污染物的北方干冷空气远距离传输叠加部分局地源是杭州此次重雾霾形成的根本原因。因此,为了改善杭州市空气质量,不仅需控制当地的污染物排放,而且还需对整个长三角地区甚至跨区域采取大气联防联控策略。     

基于图像深度预测的景深视频分类算法

景深视频因高清、美观广受大众喜爱。然而,要从海量视频中检出此类视频十分困难。已有较多研究基于景深图像成像原理,开展景深像素分割算法研究,但难以直接应用于实际视频分类场景。本文针对景深视频类型,设计了可预测视频类型的深度网络。根据景深成像原理,各语义物体之间相对相机的景深深度存在一定的逻辑关系。为此提出以图像深度为指导,利用深度预测模块预测图像的景深深度信息,将其合并后输入至分类网络进行训练检测,以降低景深视频误检率,提升网络模型的性能。此外,针对现实需求中该领域有标数据较少,而不同数据集分布会降低性能的问题,设计了迭代式景深视频数据集收集方法,以较低的劳动成本快速收集所需要的视频数据,具有一定的实际应用价值。本文算法在快手线上的景深视频数据集中识别准确率达85.7%。     

基于深度强化学习下的股票量化交易算法设计

针对股票量化交易中有限数据预测未来价格趋势和智能资产组合配置等难题,采用DeepAR模型来预测股票价格的未来涨跌趋势,根据这些趋势计算涨跌幅精选了16支有潜力的股票,并运用SAC模型进行智能资产配置。结果表明,DeepAR模型的股票选择有助于SAC模型实现智能资产组合配置,而SAC模型的量化决策也取得了理想的效果。在4个月的时间内,实现了10.79%的收益率和32.37%的年化收益率。相较于上证指数和沪深300指数有显著的超额收益率,分别为12.47%和21.48%。此外,2016—2022年回测中达到了1.3%的夏普比率和29%的最大回撤率。     

台州市不同功能区环境空气PM_(2.5)的污染特征研究

2015年7月至2016年3月在台州市采集504个PM_(2.5)样品,利用电感耦合等离子体发射光谱仪和原子荧光光度计分析样品中的19种无机元素,利用离子色谱和热光碳分析仪分别分析8种水溶性离子和2种碳组分有机碳(OC)和元素碳(EC)的质量分数,研究不同功能区环境空气PM_(2.5)及其化学组分的污染特征.结果表明,台州市环境空气PM_(2.5)年均质量浓度为(45.3±20.1)μg·m~(-3),季节变化规律为冬季春季秋季夏季,空间变化规律为工业园区商住区自然保护区.19种无机元素占PM_(2.5)总量的9.78%,主要元素为Na、K、Ca、Si、Zn、Al、Mg和Fe.富集因子分析结果表明,台州市无机元素的主要污染源包括道路交通尘、燃煤尘、建筑扬尘以及海盐粒子.采样期间8种水溶性离子总质量浓度为(26.50±5.86)μg·m~(-3),SO_4~(2-)、NO_3~-和NH_4~+占PM_(2.5)总量的(41.96±8.59)%.Cl~-、NO_3~-和NH_4~+离子质量分数为工业园区商住区自然保护区,SO2-4离子质量分数水平在3个功能区相近.OC和EC的年均浓度分别为(10.04±2.08)和(3.27±0.80)μg·m~(-3).商住区和工业园区OC和EC浓度水平相近,略高于自然保护区.SOC/OC值为秋季最高,冬季其次.不同季节SOC/OC值均为工业园区高于商住区和自然保护区.     

基于影像组学与集成学习的脑胶质瘤分级预测

脑胶质瘤的术前分级对治疗决策和预后评估至关重要. 为了提高分级精度, 提出了一种基于影像组学和集成学习的无创胶质瘤术前分级方法. 首先, 从不同序列的感兴趣区域提取428个影像组学特征, 采用递归特征消除算法进行特征选择, 采用6种不同的机器学习算法对脑胶质瘤进行分级, 并对各自的性能进行评估; 然后, 根据评估结果, 选取逻辑回归、决策树和多层感知机3种分类器作为脑胶质瘤分级预测的机器学习算法; 最后, 将3种分类器的输出采用投票方式进行集成, 并评估硬投票机制与软投票机制的性能. 实验结果表明, 对于数据集BraTS2019, 基于硬投票机制的集成学习算法的性能较好, 受试者工作特性曲线下面积为0.933±0.031, 准确度为0.886±0.048, 敏感度为0.872±0.077, 特异度为0.905±0.105. 该方法不仅能增加胶质瘤分级模型的可解释性, 而且可以提高分级精度.     

温州市PM_(2.5)中水溶性离子污染特征及来源分析

2015年1~12月在温州市区采集448个PM_(2.5)样品,采用离子色谱法分析PM_(2.5)中9种水溶性离子(SO_4~(2-)、NO_3~-、NH_4~+、Cl~-、Na~+、K~+、Ca~(2+)、Mg~(2+)和F~-)的浓度,研究其污染特征、化学组分和来源.采样期间9种水溶性离子总浓度为39.97μg·m~(-3),SO_4~(2-)、NO_3~-和NH_4~+占所测水溶性离子总量的(40.19±10.04)%.离子总浓度的季节变化特征为冬季春季秋季夏季,从空间分布上看,多数季节市站采样点PM_(2.5)中离子总浓度低于南浦、龙湾和瓯海采样点.相关性分析结果显示,PM_(2.5)值与NH_4~+、Ca~(2+)、Na~+、K~+、Cl~-、NO_3~-、SO_4~(2-)浓度显著相关,PM_(2.5)中SO_4~(2-)和NH_4~+的主要结合方式为(NH_4)_2SO_4.硫氧化速率(SOR)和氮氧化速率(NOR)的年均值分别为0.44±0.09和0.13±0.04,表明温州市PM_(2.5)中SO_4~(2-)和NO_3~-主要由二次转化形成.主成分分析结果表明,温州市PM_(2.5)中水溶性离子主要来源于燃煤(火力发电和工业燃煤)、生物质燃烧、机动车尾气以及道路和建筑扬尘.     

基于神经网络集合预报的台风路径预报优化

针对目前台风路径预报研究中存在的预报精度不高、预报时次高耦合等缺陷,提出了一种基于神经网络集合预报的台风路径预报优化模型。运用混合模式集合预报思想和反向传播的多层前馈训练机制,充分挖掘数据特征,解决了单集合预报的固化性问题和单神经网络预报模型的随机性问题,为现有台风数值预报方法和人工智能技术的结合提供了新思路。以2018年活动在西北太平洋、南海地区的台风为样本进行对比实验,结果表明,60 h内的预报精度均得到了提高,一定程度上反映了该模型的实际应用价值。     

一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。     

一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。