关键词： Retinex(MSR)   预处理   信噪比   动态注意力机制   Im-YOLOv5  

摘要： 针对当前化工行业中员工安全帽佩戴检测方法效率低、实时性差等问题,为减少员工由于未佩戴安全帽进入生产装置而发生意外情况,提高安全生产效率,文章提出了一种基于改进YOLOv5算法的员工安全帽佩戴检测方法。首先,采用多尺度Retinex(MSR)图像处理算法对生产现场视频图像进行预处理,提高视频图像的信噪比,降低噪声干扰;其次,结合SKNet动态注意力机制对原YOLOv5算法模型进行改进,提高视频特征信息提取能力,优化算法的检测精度;最后,对改进的Im-YOLOv5模型的检测准确率进行实验验证。实验结果表明,改进的Im-YOLOv5模型的mAP(mean average precision)达到了93.5%,其准确率相较于YOLOv5得到了提升,具有较好的检测效果。

关键词： 机器学习   粒子群优化算法   浅埋暗挖隧道   智能预测   地表位移  

摘要： 浅埋暗挖隧道的地表位移受众多因素影响,如隧道几何参数、地质力学参数和施工参数等。因此,建立一种能够应对复杂条件的地表位移智能预测方法,是浅埋暗挖隧道关注的核心问题,也是实现隧道智慧化施工的重要基础。采用4种机器学习方法,分别为支持向量回归、随机森林、反向传播神经网络和极限学习机,并结合粒子群优化算法确定4种机器学习模型的最优超参数或随机数,从而建立一种针对浅埋暗挖隧道地表位移的混合智能预测方法。以北京地铁12号线安华桥站—安贞桥站区间段为工程背景,构建了包含73组浅埋暗挖隧道地表位移数据的数据库,并基于3种性能评价指标(决定系数R2、平均绝对百分比误差MAPE和均方根误差RMSE)对4种混合智能预测模型的预测性能进行了对比分析。此外,采用SHAP模型研究输入特征对输出值的贡献,讨论了各影响因素对地表位移的相对重要性。结果表明,支持向量回归混合智能预测模型在测试集中性能最佳,R2为0.86,MAPE为0.0079,RMSE为1.94 mm;土的压缩模量对地表沉降影响最大,其次为隧道的中心埋深和隧道横截面的宽度。

关键词： 电力现货市场   电价预测   机器学习   深度学习   Transformer模型  

摘要： 随着全国统一电力市场的逐步建设,电价预测领域吸引了越来越多的学者关注。开发高效、精准的短期电价预测模型,不仅能够为电力现货市场的买卖双方提供决策支持,还能提升各方的风险控制能力,从而为建立高效统一的电力市场提供量化支撑。由于电力价格有随机性大、波动性高和时效性强等特点,将机器学习方法应用在短期电价预测领域能够综合考虑多方因素,能在较短的时间内拟合较为复杂的非线性电价数据,得到更为精准的预测结果。本文对基于机器学习的短期电力价格预测方法进行了综述,深入分析了各类方法在不同情境下的预测效果、适用性及其优势与不足,并对未来研究方向进行了展望。

关键词： 人力资源管理   国有企业员工   员工绩效评价   工作绩效   机器学习方法   绩效评价研究   竞争力   核心地位  

摘要： 人力资源管理对于现代企业的生存和发展具有十分重要的作用,是企业在市场中取得核心地位的关键因素,对员工的绩效评价是企业人力资源管理的基础,完善企业员工绩效评价过程,探索科学的员工绩效评价方法对企业提升其竞争力和工作绩效有决定性作用。

关键词： 智能手机   传感器数据   运动状态  

摘要： 随着智能手机的广泛使用,其内置的传感器为监测和分析用户的运动状态提供了丰富的数据资源。这些数据不仅能帮助用户了解自己的活动模式,还能用于估算日常运动所消耗的热量。然而,使运动健康应用准确地将这些数据分类并预测用户的运动特征,仍是一项技术挑战。探讨了基于智能手机传感器数据的运动状态分类与特征预测方面存在的问题,提出了优化智能手机传感器数据处理的建议,以增强运动状态分类的准确性,从而为开发更智能、更准确的运动健康监测应用奠定基础。

关键词： 机器学习模型   贷款预测   模型可视化  

摘要： 随着网络借贷的迅速发展以及市场的饱和,银行贷款业务的客户数量越来越少,甚至让银行陷入获取贷款客户难的窘境。因此,银行客户的贷款分析与预测至关重要。探讨了银行贷款客户与非贷款客户的差异,采用描述性统计分析,并通过斯皮尔曼单因素分析和随机森林算法进行特征选择,以分析用户特征之间及其与贷款意愿的相关性。最终,利用随机森林、逻辑回归、朴素贝叶斯、梯度提升树和XGBoost等算法构建多套贷款预测模型,通过效果对比确定了最佳模型。研究结果表明,所建立的模型具备较高的准确性,能有效支持银行决策者预测客户贷款意愿。

关键词： 植物表型分析   机器学习   作物改良   产量预测  

摘要： 植物表型是基因型与环境相互作用的产物，是植物生命活动的外在表现，涵盖了植物的形态、生理、生化等多层次和多维度特征。植物表型研究是育种的关键环节，对于揭示植物生命活动的相关机制，培育高产、优质、高效的作物品种以及实现农业生产的精准管理具有重要意义。随着高通量植物表型采集技术的发展和应用，植物表型数据呈现出高维、多源、异质、动态等特点，为植物表型分析带来了新的机遇和挑战。机器学习作为一种强大的数据挖掘和知识发现工具，能够从复杂的表型数据中提取有用的特征和模式，为植物表型研究提供了新的思路和方法。本文系统综述了机器学习方法在植物表型研究中的应用和进展，重点介绍了机器学习方法在植物形态结构、胁迫抗性、生化组分等方面分析中的应用，以及在作物改良和产量预测等方面的应用，并对机器学习方法在植物表型研究中存在的问题和未来的发展方向进行了讨论和展望，旨在为今后植物表型研究提供有益的参考和启示。

关键词： 机器学习方法   遥感影像   水域识别   模块   软件系统  

摘要： 为了实现高效率、高精度的水域分类识别，本文设计了一种基于机器学习算法的遥感影像水域识别系统。该系统以地理信息系统技术为支撑，构建了多源影像数据处理和机器学习两个框架，建立了最大似然模块、K最近邻域模块、支持向量机模块和随机森林模块4大分类模块，并基于机器学习技术实现了多源遥感影像数据的水域识别。该系统为专用软件平台，可定向处理多源遥感影像数据，可共用样本库，可实现机器学习模型的高效训练。实验结果表明，该系统在水域识别中表现出了较高的准确性和全面性，可为遥感影像的水域识别提供一种高效的解决方案。

关键词： 温室气体排放   地缘政治冲突   全球供应链风险  

摘要： 逆全球化背景下，温室气体排放与地缘政治冲突相互作用使得全球供应链风险进一步复杂化。文章研究了温室气体排放在地缘政治冲突背景下，如何影响中国面临的全球供应链风险。理论研究表明，如果国际间气候合作不能顺利推进，温室气体排放与地缘政治冲突会相互加强，进而加剧全球供应链风险，主要表现为能源和资源价格波动、国际运输中断、贸易限制、全球供应链本土化和多元化以及全球绿色供应链重构等。文章基于1995—2020年OECD世界投入产出表数据并利用潜因子法、广义随机森林和双重纠偏Lasso法研究发现，温室气体排放与地缘政治冲突相互作用会增加中国供给侧和需求侧的全球供应链风险，特别是来自美国等国家的全球供应链风险较为突出，而且还会引发美国加大对外资的审查力度。

关键词： 熔融沉积建模   人工神经元网络   随机森林   Gradient Boosting   拉伸性能  

摘要： 采用拉丁超立方实验设计，研究了层高、壁厚、顶底厚、顶底线条方向、填充密度、填充线条方向、打印速度、挤出温度、床温、工作空间温度10种熔融沉积建模（FDM）工艺参数对丙烯腈-丁二烯-苯乙烯共聚物（ABS）零件拉伸性能的影响，对比了人工神经元网络（ANN）、随机森林（RF）和梯度提升算法（GB）3种机器学习方法预测拉伸性能的准确性。结果表明，ANN预测拉伸强度和断裂伸长率的相关系数R仅为0.883 5和0.892 4，在训练和测试数据集上，预测的均方误差（MSE）在5～10和20～24之间；RF预测的R值为0.913 6和0.924 0,MSE在3～8和15～20之间；GB预测准确性最高，R值为0.975 9和0.981 2,MSE最低，在1～4和8～10之间。在10种工艺参数中，在采用RF模型时，拉伸性能的显著影响因素为填充密度、壁厚、填充线条方向和顶底厚，在采用GB模型时，拉伸性能的显著影响因素为填充密度、壁厚、层高和填充线条方向。填充密度是影响拉伸性能最显著的因素，对GB预测结果的影响显著性达到80%左右，远大于RF模型中的40%。