一种新的光谱参量预测黑土养分含量模型

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。数据源为CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集59个土壤样本,化验获得有机质、全氮、全磷和全钾含量数据,选择eps-regression支持向量机模型,BP神经网络和PLS1最小二乘回归模型,建立光谱与含量的机器学习模型。通过评价3种模型的预测精度,选用支持向量机方法,对航空高光谱数据进行全氮、全磷和全钾的信息提取,采用神经网络方法,反演了有机质信息。研究表明：以光谱统计量、光谱特征值和光谱信息量为大类指标,所选取的18个子指标,能够反映土壤光谱的综合情况,是一种新的土壤光谱数据处理方法。有机质和全钾信息提取精度最高的算法是神经网络法,误差分别为1.21%和0.81%,而支持向量机算法在提取全氮和全磷信息时,验证样本的实测均值和预测均值完全吻合,精度最高。评价航空高光谱提取土壤养分的综合精度,有机质、全氮、全磷和全钾提取误差分别为5.25%,6.05%,2.74%和8.90%,在全磷反演中精度最高。     

机器学习法的干旱区典型农作物分类

当前,基于机器学习方法开展农作物分类研究,对于确保干旱区粮食安全和生态安全有着极为重要的现实意义。基于机器学习方法,采用时间序列Sentinel 2A遥感数据提取农作物分类信息,通过引入地块基元和红边特征,探讨了不同分类特征组合对机器学习分类精度的影响。结果表明：随机森林分类器可以有效集成光谱和植被指数等多维向量的优势,将其应用于干旱区典型农作物分类上的精度均在89%以上,分类组总体精度最高可达94.02%。地块基元点集支持下的分类特征提取方法能够提高机器学习效率和农作物分类精度,使光谱组及指数组的分类精度分别提高3.13%和4.07%,并能有效解决“椒盐”效应及耕地边缘廓线模糊等问题。红边光谱和红边指数的引入分别使随机森林分类器总体精度提高2.39 %和1.63%,并使春、冬小麦的识别能力显著提高,表明红边特征能够帮助分类器更敏感地捕捉不同作物特有的生长特性及物候差异。该研究结果可为机器学习方法及Sentinel 2A卫星在干旱区农业遥感的应用提供参考。     

联用多步骤虚拟筛选方法发现具有新母核的GABAA受体正性变构调节剂

GABA_A受体主要介导哺乳动物中枢神经系统的抑制性信号传递,是镇静催眠药的关键靶点。在寻找具有新母核的镇静催眠药的过程中,计算机辅助药物设计(CADD)方法显示出巨大的优势。在这项研究中,首先,我们通过机器学习模型、分子对接模型和分子力学广义玻恩比表面积(MMGBSA)方法筛选了来自于商业数据库中的41112种化合物。经过筛选,我们得到了16个化合物,然后我们通过全细胞膜片钳电生理学实验验证了4个结构新颖的化合物确实为有效的GABA_A受体正性变构调节剂。其中,化合物GPR120在细胞水平和动物水平都得到了实验验证。在重组表达α1β2γ2型受体的皮层神经元中,在10和50μmol·L^-1浓度下,GPR120可将GABA EC3-10电流分别增强71.5%和163.8%。通过全分解贡献分析和点突变实验,我们发现GPR120与GABA_A受体结合的关键位点是H102,与阳性药物地西泮相似。为了进一步验证GPR120在动物水平上的功能,我们进行了运动活动测试和翻正反射消失(LORR)实验。GPR120对小鼠的...     

基于随机森林算法的多因子选股模型研究（英文）

尽管近几十年来量化投资得到了发展,策略也趋于多样化,但随之而来的还有各种问题和瓶颈,如数据选择,模型在金融市场的有效期过短.本文建立了一个基于随机森林算法的多因素股票选择模型.在该模型中,从6个不同维度中选择12个因子来构建因子库,并对因子数据进行预处理.在确定模型参数后,基于处理后的数据,对单个股票的预测和操作策略指导获得了可观的回报率,这为下面的投资组合构建奠定了基础.在投资组合的构建中,本文选择的股票池由更能代表中国股市的沪深300成分股组成.选取2013-01-01至2015-01-01两年的数据,包括12个入选因素和股票的上涨情况.为了在策略写作过程中尽可能地模拟真实情况,设置了滑动和手续费等影响因素.在模型的回测实验结果中,获得了25.5%的年化回报率.此外,根据特征在随机森林算法中的重要性和相关性分析,对影响因素和模型进行了进一步的改进,改进模型的年化收益率高达32.2%,超额收益率α达到15.1%,获得了较高的夏普比和较低的回撤率.     

基于机器学习技术的系统性金融风险监测预警

相对于传统的经济建模手段,机器学习方法具有良好的非线性建模性能等内在优点,从而显示出巨大的应用潜力。本文提出了一个基于机器学习技术的系统性金融风险监测预警体系,并从理论依据和实证检验双重角度给出了解释和验证。具体而言,从经济基本面、货币供给面、财政状况、证券和利率市场、价格指数、外汇和汇率市场、杠杆率及银行体系8个层面选取预测预警指标,并采用5种典型的机器学习模型及其集成模型对系统性金融风险进行预测,研究结果表明：(1)相对于传统的线性模型,善于捕捉非线性关系的机器学习模型,无论是在样本内还是在样本外均表现优异;(2)Lasso模型在向前一期预测时表现最好,SVM模型在向前多期预测时能力更强,集成模型则能兼顾样本内拟合效果和样本外预测能力,具有较强的稳健性;(3)PDP模型可以对特征的非线性性和重要性进行有效识别,从而有助于打开机器学习的黑箱;在所有预测预警变量中,汇率、货币供给量、市场利率以及工业品价格是影响系统性金融风险的关键因素,通过对这些重点变量的监测有助于对系统性金融风险进行早期防范。     

喷墨打印量子点薄膜：墨水溶剂的选择策略（英文）

喷墨打印制备的量子点（Quantum dots,QDs）薄膜形貌对多层发光器件的性能影响显著（如量子点发光二极管）,其中咖啡环与拱状形貌是典型的薄膜均匀性问题,通过液滴调控实现高质量QDs薄膜是发展量子点电致发光显示的关键。研究工作表明,通过溶剂实施的墨水调控被证明是改变沉积薄膜形貌的有效手段。然而,优化出可消除咖啡环或拱状形貌的墨水流变参数往往需要大量耗时的实验,墨水配制筛选效率低。本研究基于薄膜形貌分析结合机器学习方法,试图将溶剂流变参数与喷墨打印QDs薄膜形貌直接联系起来,并以红光QDs为溶质,以烷烃或直链酯类为溶剂,研究发现通常使用的一元溶剂和二元溶剂体系中,所使用溶剂的沸点比表面张力或粘度参数对薄膜沉积形貌的影响更加显著,在二元溶剂中薄膜形貌与沸点较高的溶剂组分密切相关。为得到厚度均匀的平整薄膜,建议一元溶剂墨水体系的溶剂或二元溶剂墨水体系中较高沸点的溶剂的沸点范围为250～265℃。     

一种基于V-TGRU模型的资源调度算法

提出了一种在私有云计算环境下基于机器学习V-TGRU模型进行资源预测的算法。通过统计历史记录,将其与当前工作负载下不同任务的先验资源使用情况相结合,同时考虑工作负载特性、主机特征和同一资源池中任务之间的亲和性等因素,动态预测多任务的资源占用情况,并根据预测结果和任务运行现状进行多目标任务优化调度。实验证明,此算法能有效完成对资源的预判选择、减少调度次数、节约调度时间、节省云计算资源和带宽,保障应用任务稳定运行。     

基于共轭梯度法的盲分离在线算法

在严格论证盲分离问题与数学上的最优化问题等价的基础上,把问题的重点集中在对该最优化问题的寻优上.由于盲分离最优化问题的目标函数的特点,在欧氏空间中对决策变量(分离矩阵W)进行寻优求解带来诸多复杂因素,寻优算法在弯曲的黎曼空间中动态运行是解决这些问题的一条可行途径.为此,本文在改进 NGA 和 PDFA 算法的基础上,结合在线算法 PDEA 在估计信号的得分函数的较好效果,和求解最优化问题的共轭梯度法较快收敛性能,提出了具有自学习能力,并继承共轭梯度法特点的盲分离在线算法 PDEA-CONJ.此算法应用到盲分离问题中,在混合矩阵严重病态情况下能取得了较好分离效果.实际算例验证了其收敛性和有效性.     

基于机器学习与步态特征辅助的行人导航方法

针对微惯性测量组件(MIMU)足部安装的穿戴式导航系统,在包含惯性传感器信息超量程的行进中无法有效进行定位与导航的问题,提出了一种基于虚拟惯性测量组件(VIMU)与步态特征辅助修正惯导系统的行人导航方法。以相同频率采集人体腿部与足部的MIMU数据作为训练样本,通过视觉几何组-长短期记忆混合(VGG-LSTM)神经网络模型拟合两个部位MIMU信息之间的非线性映射关系,构建足部VIMU与虚拟惯性导航系统(VINS);基于人体各步态相位中足部姿态具有高度重复性的特征,对足部VINS姿态信息进行误差修正,并结合足部磁传感器信息确定人体运动的航向信息。实验结果表明,结合零速修正(ZUPT)方法,所提出的VINS构建与误差修正方法可有效提高足部MIMU超量程时行人导航系统性能的可靠性,其高过载运动中的定位误差约为总行进距离的2.5%。     

基于支持向量学习机的HIV-1蛋白酶抑制剂的活性预测

为了预测人体免疫缺陷蛋白酶抑制剂的活性, 计算了表征分子的组成和拓扑特征的462个分子描述符, 用Kennard-Stone方法和随机方法进行了训练集和测试集设计, 用Monte Carlo 模拟退火方法进行变量筛选, 并分别用神经网络, 逻辑回归, k-近邻和支持向量学习机方法建立了HIV-1蛋白酶的抑制剂模型. 结果表明支持向量学习机优于其余机器学习方法, 用SVM方法所建立的最优模型的最后预测正确率达到98.24%.