大数据背景下人工智能发展对大学数学教学的启示

大数据时代,以数据为载体的人工智能技术渗透到社会的各行各业,而人工智能技术的发展越来越依赖应用数学学科的进步.在此背景下,大学数学教学改革成为必需,以适应社会新时代的发展.结合自身的教学改革实践,探讨如何从基本的大学数学内容出发,进行拓展,向学生介绍前沿的人工智能技术.从而,增加数学课程教学的趣味性和实用性,加深学生对数学思想方法在人工智能领域应用理解.     

基于相关向量机的多类蛋白质折叠识别

蛋白质折叠的识别是一种不依赖于序列相似性的蛋白质结构研究方法.本文将相关向量机应用于蛋白质折叠的识别,将两类相关向量机推广到多分类情况,对多类蛋白质折叠进行识别.与支持向量机相比较,相关向量机无需调整多余的参数,核函数不需要满足mercer条件,实际数据集上的测试结果表明,相关向量机可以得到更加稀疏的模型,在交叉检验中获得了更高的精度,表明相关向量机是一种有效的识别蛋白质折叠的方法.     

非精确信赖域类型算法及收敛性分析

在求解大规模数据的优化问题时,由于数据规模和维数较大,传统的算法效率较低.本文通过采用非精确梯度和非精确Hessian矩阵来降低计算成本,提出了非精确信赖域算法和非精确自适应三次正则化算法.在一定条件下,证明了算法有限步停止,并估计了算法迭代的复杂度.特别地,我们分析了采用随机抽样时算法在给定概率下的复杂度.最后,通过二分类问题的数值求解,比较了本文提出的随机信赖域算法,随机自适应三次正则化算法和已有算法收敛效率.数值结果表明在相同精度下,本文提出的算法效率更高,并且随机自适应三次正则化算法的效率优于随机信赖域算法.     

乙醇液滴撞击高温壁面蒸发过程的模拟预测研究北大核心CSCD

采用CLSVOF方法,引入描述壁面润湿特性的动态接触角,建立了乙醇液滴撞击高温壁面的数值模型,对乙醇液滴撞击高温壁面后的沸腾蒸发过程展开了研究,并与实验数据进行了对比验证.研究表明:在相同液滴温度下,壁面温度越高,亲水性越强,乙醇液滴的撞击速度越快,液滴的沸腾时间越早,蒸发完成所用时间也越短.在此研究基础上,基于机器学习算法,建立了液滴蒸发预测模型,对乙醇液滴撞击高温壁面后蒸发剩余量随时间的变化进行了预测研究,并通过将不同机器学习算法的预测结果与模拟结果对比,选出最优预测模型.     

P2P网贷平台风险预测研究

随着大数据和机器学习的流行,其在破产预测和风险预测领域逐渐崭露头角。本文运用爬虫技术得到885家网贷平台的16815条数据,通过因子分析及模型验证挖掘出了若干能较好评估P2P平台风险的因子。然后本文通过选取的指标体系建立了Logistics回归、支持向量机、BP神经网络、LightGBM等单模型以及融合模型进行学习训练,所建立的融合模型在测试集中得到最高的准确率,说明本文所建的融合模型能较好地评估网贷平台的风险。本文还选取决策树绘图以及对特征进行重要性排名,选取出了对识别问题平台有重要作用的十项特征。这对投资者选取安全平台进行投资或者监管者选取重点平台进行监管有很好的借鉴意义。     

基于网络搜索数据和机器学习的票房预测模型

电影票房预测对于管理部门一直是一项重要而复杂的工作。电影票房相关变量复杂多变,且数据获取难度较大是制约当前研究的主要因素。相比之下,网络搜索数据是互联网公司发布的用于记录网民搜索行为的结构化数据,能客观及时反映事物的发展趋势。本研究建立了基于网络搜索数据的混合预测模型。首先,匹配与测试集最相似的训练数据构建最优训练集(OTS)。其次,应用帝国竞争算法(ICA)选择最小二乘支持向量机(LSSVM)的最佳参数组合。最后,使用优化模型进行预测。为了测试模型的效果,使用中国大陆上映的电影票房数据进行模拟实验。结果表明混合模型具有更高的预测精度。本研究所构建的模型适用于中国电影业的票房预测,可为有关部门提供决策参考。     

面向代码演化的集成软件缺陷预测模型

不同版本的软件缺陷之间存在一定的关联性,在面向演化项目的缺陷预测方面通常通过构建预测模型,以历史版本缺陷数据为输入,对后续版本的缺陷进行预测,但普遍存在缺陷预测性能较差的问题。针对该问题,提出了一种面向代码演化的集成软件缺陷预测模型,通过选择与缺陷相关联的代码度量元以及版本间的演化度量元,由决策树（J48）、逻辑回归（LR）、神经网络（NN）、朴素贝叶斯（NB）各自迭代产生分类器,结合Adaboost集成学习方法,使其在训练分类器时更关注每一轮的错分元组,得到不同的预测集成模型。在PROMISE软件数据集上实验表明,针对代码演化问题,集成后的模型比单一的机器学习模型在精确度、召回率、F1和AUC上分别都提高了20.3%、44.9%、43.4%、45.3%,其中基于J48分类器的集成模型预测性能最好,比基于LR、NN、NB分类器的集成模型在AUC指标上平均提高7.7%、4.6%、8.0%,与近年来面向演化项目的缺陷预测技术对比,结果表明本文中集成方法更有效。     

机器学习在即时诊断中的应用进展

即时诊断凭借廉价、快速、方便和准确的特点已成为疾病诊断的一大趋势.机器学习方法的应用大大提高了即时诊断的数据处理能力,使即时诊断焕发新的生机.目前,随着智能手机等智能电子设备的普及,由即时诊断设备、智能电子产品和云端构成的物联网系统已经逐步成为现实.本文概述了机器学习算法的基本原理并阐述了其在即时诊断中的优势,着重介绍...     

面向乙烷/乙烯分离的金属有机框架膜的大规模计算筛选

相比于传统热驱动的低温蒸馏工艺, 基于金属有机框架(Metal-organic frameworks, MOFs)的膜分离是一种在技术和成本上可行的乙烷/乙烯分离替代方案. 为了加速MOF膜在这一气体分离领域中的应用, 本工作提出了两步筛选策略对12,020个真实MOF膜材料进行了大规模计算筛选, 其中MISQIQ04表现出最高的乙烷/乙烯膜选择系数(4.16)和较高的乙烷渗透率(4.35×10⁵ Barrer). 通过结构-性能关系分析, 可以发现窄孔径和低孔隙率的MOFs是选择性分离乙烷的最佳膜材料, 并且乙烷的选择性吸附对乙烷/乙烯膜分离过程起着主导作用. 与传统计算筛选方法相比, 本工作所提出的筛选策略降低了约87.1%的计算时间成本. 为了进一步缩短模拟时间, 本工作还开发了机器学习分类模型以实现对高性能MOF膜的快速预筛选并探讨了该模型的可移植性. 结果表明, 增加数据集的多样性有助于提高所开发模型的可移植性和泛化能力.     

多特征融合结合机器学习算法快速筛查葡萄膜炎

为了利用机器学习算法快速筛查出葡萄膜炎,本文分别选取了健康人和葡萄膜炎患者的眼底OCT(Optical Coherence Tomography,OCT)图像,提取图像的形态特征、灰度差分统计特征、灰度梯度共生矩阵和小波变换等多种特征,将特征串行融合;随后用Lasso算法特征提取,用多种机器学习算法进行分类研究.结果显...