中国制造业企业绩效分化的关键影响因素识别及传导网络图解——基于机器学习组合算法的研究

大数据相关研究和机器学习方法为寻找中国制造业绩效分化的关键因素,以及探索关键因素对绩效分化的传导路径提供了新途径。本文基于岭回归和套索算法(LASSO)筛选出中国制造业绩效分化的重要影响因素,构建了贝叶斯网络确定制造业绩效分化对关键因素的依赖程度,结果显示:中国制造业企业绩效分化的最重要影响因素为资本生产率,制造业遵循“资本效率驱动型”而非“资本数量驱动型”的绩效增长模式。原材料工业企业绩效分化影响因素中杠杆率的重要度相对较低,装备制造业资本密集型的特点决定了企业绩效分化中资金成本和资产流动性的主要作用,消费品工业企业能否实现规模经济也是影响其绩效水平高低的重要因素。     

基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究

为解决模糊学习矢量量化(FLVQ)对噪声数据敏感问题,在无监督可能模糊聚类(UPFC)基础上提出一种无监督可能模糊学习矢量量化(UPFLVQ)算法。UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率,计算类中心矢量。UPFLVQ 属于无监督机器学习算法,适用于无学习样本情况下的样本分类。研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。采用FieldSpec@3型便携式光谱分析仪获取波长范围为350～2 500 nm的三种生菜样本的短波近红外光谱和长波近红外光谱,然后采用主成分分析(PCA)进行近红外光谱的维数压缩,取前三个主成分,累计可信度达97.50%,将2151维的近红外光谱压缩为三维数据。再运行模糊C-均值聚类(FCM)至迭代终止,并以FCM的类中心作为UPFLVQ的初始聚类中心,最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。同时,运行UPFC进行近红外光谱的生菜品种鉴别。实验结果表明：UPFLVQ和近红外光谱技术相结合的模型具有检测速度快,鉴别准确率高,对生菜不造成损坏等优点,可实现不同品种生菜的鉴别。UPFLVQ是将UPFC和FLVQ相结合的聚类算法,利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本,适用于线性可分的数据聚类,为快速和无损地鉴别生菜品种提供了一种新的方法。     

基于BSTL与XGDT算法对多级别心理压力的评估

针对目前心理压力问题比较严重,收集生理数据评估心理压力存在成本高、主观性强等问题,提出了一种新的基于手机数据的压力评估方法BSTL+XGDT(Borderline1 SMOTE Tomeklinks+eXtreme Gradient Boosting),将压力水平精确划分为5个级别.首先从手机数据提取特征生成样本,对样本进行BSTL采样,然后用XGDT过滤特征和RFE(Recursive Feature Elimination)筛选特征,同时,利用采样前后的数据及特征筛选前后的数据训练XGDT、支持向量机(SVC)、随机森林(RF)、K近邻(KNN)、决策树(DT)、多层感知机(MLP)、标签传播(LS)方法,结果显示方法BSTL+XGDT优于其他方法.     

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。     

电化学理论模拟方法的发展及其在铂基燃料电池中的应用（英文）

电化学中的理论计算模拟对于从原子水平理解电化学过程中的机制至关重要,它可以弥补许多实验上无法解释的现象,如果能在原子尺度上确定理解反应的活性中心,得到电极或电催化剂结构的演变过程,建立反应的微观机理,从根本上解决电极氧化和腐蚀的问题,提高电化学催化剂的活性和稳定性,从而设计更高效的电催化剂。然而,电化学的理论计算模拟中仍然存在诸多问题,例如,溶剂化效应的实现、电极/电解质（金属/溶液）界面之间合适的模拟模型和方法、电化学过程中的结构演化以及如何降低结构计算的计算代价等。在这里,我们回顾了电化学建模方法的最新进展以及我们小组通过使用修正的泊松-玻尔兹曼连续介质溶剂化模型模拟溶剂化效应对溶剂化效应和模型进行改进。同时为了减少计算代价,我们更关注机器学习在电化学模拟中的应用,主要分为两个部分,即通过快速对多种不同组分的能量进行计算并筛选出合适组分,但是无法得到实际的结构演变情况。另一个是通过快速结构取样得到不同组分不同的结构变化能够更为直观的获得结构的演变过程,从而揭示反应的机理。我们以本课题组开发的SSW-NN的方法为例,总结了基于机器学习的原子模拟在电化学方面的应用,介绍了SSW-NN,...     

机器学习设计单步逆向合成反应的研究进展

在逆向合成分析的过程中,对特定的目标分子设计单步逆向合成反应是探寻最优有机合成路线的关键环节。随着机器学习(Machine learning)研究的兴起,很多研究者开始尝试利用机器学习方法设计单步逆向合成反应。相关研究主要集中在两方面：(1)研究化合物分子输入方法;(2)基于特定的分子输入,研究各类单步逆向合成反应预测模型的构建方法。本文首先综述了分子输入的三种主流方法;然后分别分析了基于这三种分子输入方法构建的单步逆向合成反应预测模型的研究实例;之后,总结了当前机器学习方法设计单步逆向合成反应研究中存在的问题,并给出了解决问题的思路;最后,对机器学习设计单步逆向合成反应的前景作出展望。     

基于化学数据库和神经网络的中学化学教学与项目化学习

以碳热还原和化学材料智能搜索为素材,将化学数据库和机器学习方法与讲授式教学模式有机结合.木炭燃烧和还原CuO的案例致力于增强学生对化学反应能量变化和平衡移动的认知.基于神经网络的科研实践对发展问题导向式的研学课堂具有重要启示.     

机器学习与分子模拟协同的CH4/H2分离金属有机框架高通量计算筛选

在减少CO₂排放、实现碳中和的背景下, 金属有机框架(MOFs)在清洁能源领域展现出广阔应用前景. 提出一种机器学习和分子模拟协同的分层筛选策略, 快速、准确地从134185个假设MOFs中识别出具有最佳CH₄/H₂分离性能的吸附剂. 首先, 根据MOFs的结构性质, 筛掉孔径或体积比表面积不恰当的吸附剂, 初筛后MOFs的数量减至62278个. 接下来, 抽取10% MOFs将结构和化学混合描述符作为特征, 利用随机森林分别构建变压吸附和真空变压吸附过程中其对CH₄的吸附剂性能得分(APS)预测模型. 相比于其他模型构建策略, 基于本策略构建的模型具有最优预测准确性, 可用于余下MOFs的性能预测. 随后根据APS预测值排序, 筛选出Top 1000的MOFs并利用分子模拟修正预测结果, 进一步确定了10个最佳MOFs. 最后, 对描述符的重要性进行解释, 揭示了实现模型在不同操作场景下的迁移具有潜力, 为未来开发适用于多操作场景下的高性能MOFs筛选方法提供了一条高效的研究路径和方法.     

混杂复合材料等效热传导性能预测的小波-机器学习混合方法

混杂复合材料是一种新型复合材料,其复杂的细观结构导致预测其等效热传导性能极富挑战性.本文结合渐近均匀化方法、小波变换方法和机器学习方法发展了一种新的可以有效预测混杂复合材料等效热传导性能的小波-机器学习混合方法.该方法主要包括离线多尺度建模和在线机器学习两部分.首先借助渐近均匀化方法通过离线多尺度建模建立了混杂复合材料...     

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。