关键词： 蛋白质羰基化   序列信息   特征编码   特征选择   机器学习  

摘要： 蛋白质羰基化(protein carbonylation,PCO)是一种由持续氧化应激诱导的翻译后修饰(post-translational modifications,PTMs),具有稳定性、不可逆性和相对早期形成的特点。研究发现,蛋白质羰基化可引起蛋白质结构的不可逆变化和原有生物功能的丧失以及细胞和组织功能障碍,进而导致细胞活力下降,甚至细胞死亡。蛋白质羰基化与细胞凋亡、衰老以及一些慢性疾病如慢性肺病和神经退行性疾病如阿尔兹海默症等的病因和发生机制密切相关。因此,蛋白质羰基化作为氧化应激的一个生物标志物,在多种疾病的病理过程和衰老中的作用一直以来备受关注。利用生物化学实验技术可以有效识别羰基化修饰位点,但是成本高、耗时长,并且蛋白质羰基化是一个高度动态过程,具有多种修饰形式,因此如果仅仅依赖于传统的生物化学检测技术来识别蛋白质羰基化位点将会严重限制羰基化修饰位点识别的研究进展速度。目前,随着高通量质谱技术的提升,产生了大量的蛋白质羰基化位点数据,为我们系统地对蛋白质羰基化的研究提供了数据支撑。因此,通过计算方法构建模型高效准确地识别蛋白质羰基化位点,既能为疾病的发生和发展研究提供关键线索,又能为生物实验研究提供有力的工具手段。在本文研究中,首先,我们从已发表的文献中收集经过实验验证的、包含蛋白质羰基化修饰位点的序列数据,经过严格的筛选和数据处理后,构建了一个高质量的基准数据集。接下来,我们比较分析了羰基化位点与非羰基化位点周围氨基酸残基的位置特异性序列特征以及氨基酸理化性质的分布情况,同时提出了一种新的特征编码方法即锥面体三维空间坐标特征来表征序列样本。随后利用随机森林(random forest,RF)算法来构建模型,并基于十折交叉验证评估模型的性能。为了去除冗余的特征,降低特征向量的维度,构建更加具有鲁棒性的模型,我们使用F-score方法进行特征筛选,并采用增量特征选择(increment feature selection,IFS)来确定用于构建模型的最优特征子集。与已有的模型相比,训练集上的十折交叉验证结果和独立测试集的测试结果表明,本文提出的模型对于蛋白质羰基化位点具有更好的预测性能。最终,基于最终得到的预测模型,我们搭建了一个用户友好的在线服务预测器i Car PS,同时还设计开发了一个具有图形界面的本地软件包,链接为http://***/server/i Car PS/,以方便相关研究者的使用。

关键词： 财险公司   风险预警   粗糙集   BP神经网络   机器学习  

摘要： 近年来,区域市场财险行业抢抓发展机遇,不断提升服务能力和创新能力,在实现自身快速发展的同时,已成为支持地方经济和社会发展的重要支柱,已成为服务民生和社会治理的重要力量。然而,长期以来重规模、轻效益,重速度、轻质量的粗放经营管理模式,已不能满足区域市场财险行业健康可持续发展的需求,已不能满足党中央关于防范化解重大金融风险的需求。进一步强化风险预警,提高风险管理的主动性,发挥风险管理的前瞻性,提升风险防范化解能力,走高质量发展的道路是区域市场财险公司的必然选择。机器学习方法具备强大的数据挖掘能力,是推动人工智能飞速发展的核心动力,目前已被广泛应用于金融风险预警的研究中,并取得了丰硕的成果。粗糙集理论可以在保持知识分类能力不变的前提下,保留核心属性,剔除冗余属性,能够提高机器学习的性能。因此,本文在归纳总结国内外相关领域风险预警研究经验和成果的基础上,基于财险公司的风险特性,依据财险公司风险管理理论,借鉴国内关于财险公司分支机构的权威评价体系,着眼于区域市场,结合G财险公司N分公司的经营实际和风险预警工作现状,设计了G财险公司N分公司初始风险预警指标体系。综合考虑了预警效果、预警成本和预警效率等因素,本文将2015年至2018年区域市场26家财险公司的相关数据作为样本数据,应用粗糙集理论对该指标体系进行了属性约简,并在此基础上构建了基于BP神经网络算法的风险预警模型,检验预警效果。最后,在实证分析的基础上,提出G财险公司N分公司的风险预警优化策略。实证结果表明,本文构建的基于机器学习方法的风险预警模型,对G财险公司N分公司2015年至2018年的预警准确率达75%,可以提供较好的决策支持。应收保费率、综合费用率、35周岁及以下员工占比、再保险率、总资产增长率、车险赔付率、意外险保费增长率、车险保费增长率、综合成本率、是否被银保监行政处罚等10项指标是当前G财险公司N分公司应密切关注的关键风险因素。本文的研究有利于提高G财险公司N分公司的风险管理能力,有利于规范区域财险市场的竞争秩序,有利于维护地区的金融稳定,对推动财险行业高质量发展、对防范化解重大金融风险有重要意义。

关键词： 机器学习   贷款违约   信用风险评估  

摘要： 本文针对银行个人贷款业务,借助天池贷款违约数据集模拟真实的客户特征数据,采用LR、XGBoost、Lghtgbm等八种机器学习模型,构建贷款违约分类模型,预测贷款违约概率,帮助银行尽快识别高风险贷款,从而降低不良率。结果表明,机器学习可以进一步提高个人信用评估的准确性,为商业银行个人信用评估提供科学依据和参考。

关键词： 机器学习   财务报表   舞弊识别   Stacking算法   RUSBoost算法  

摘要： 随着计算机算力的提升和数据的巨量增长,人工智能技术迅速发展,直接促进了各领域研究模型的迭代更新。人工智能技术中的机器学习方法具有处理海量数据的巨大优势,能从繁杂的数据中找到隐藏的内在联系,这一特性为分类问题和回归问题提供了很多优秀的解决思路。机器学习既可以应用在学术研究中对假设进行反驳或者佐证,也可以应用在实务中以从大量驳杂数据之间发现数据之间隐藏的规律。目前机器学习已经在许多领域得到了广泛的运用,在财务领域中机器学习也得到越来越多的重视和研究,其中就包括利用机器学习方法对财务舞弊进行识别研究。舞弊识别是一个经典的二分类不平衡样本问题,发生的概率低,但能带来极大的负面影响。目前基于中国市场的研究中鲜有将财务报表原始特征作为切入点的成果,国外已有研究Bao(2020)[52]表明,基于财务报表原始特征,运用RUSBoost算法能够搭建出较好的财务舞弊识别模型。鉴于此,本文根据中国上市公司在1998年-2016年的财务报表原始数据,对基于RUSBoost算法的国外财务报表舞弊识别模型在中国上市公司的泛化性能进行检验研究,结果表明该模型鲁棒性能较差,对中国上市公司的财务报表舞弊行为无法取得较好的识别效果。基于该检验结果,本文根据中国市场舞弊范式对数据集和机器学习方法进行调整优化,经过对Logistic回归、SVM及多个集成学习算法的尝试,研究结果表明Stacking模型可以搭建更适用于中国上市公司的财务报表舞弊识别模型。综合来看,本研究有如下贡献:(1)本文根据CSMAR数据库手工整理了 1998年-2016年适用中国上市公司财务报表舞弊识别研究的样本数据集,检验了基于RUSBoost算法的国外财务舞弊识别模型在中国市场无法取得较好的预测效果;(2)将财务报表原始数据作为样本变量,搭建了基于Stacking模型的适用于中国上市公司财务报表舞弊问题的识别模型,本文表明了基于中国市场使用财务报表原始数据作为样本变量的可行性,可以达到良好的预测效果并有效降低舞弊识别的时间成本和复杂程度,为实务中进行中国上市公司财务舞弊识别提供了重要参考;(3)针对本文实验结果进一步使用Grid-Search算法测试模型潜力以探究样本分布对模型的影响。

关键词： 组织溯源   随机森林   机器学习   朴素贝叶斯   决策树   K近邻  

摘要： 肿瘤可以发生在身体的任何组织,并且在发生后可以转移到全身的其他任何部位。一般说来,原发部位的肿瘤及其转移部位的发生可以被顺利地发现,而转移性癌症的原发来源可以在短时间内通过临床评估来确定。但是有一些肿瘤表现为一个或多个转移点,且其原发灶不明,即使医生用标准方法对患者进行全面的检查和评估研究,也无法找到肿瘤的主要来源,这类肿瘤称为原发灶不明转移癌(CUP)。医生对肿瘤患者的医治方案、医治过程及医治用药等都会参考肿瘤的情况,明确肿瘤的发生及转移过程。除此之外,对原发或转移肿瘤组织的识别对于医生为患者制定精确的治疗计划至关重要,在肿瘤的原发部位未知的情况下,为患者设计具体的治疗计划是具有挑战性的。机器学习方法已经在预测、分类中得到广泛的应用,并在临床实践中取得了显著的优势。本文主要研究三种混合机器学习方法追踪肿瘤起源的准确性。此三种混合机器学习方法都是随机森林+分类算法混合机器学习方法的模式。对于随机森林+朴素贝叶斯混合机器学习方法追踪肿瘤起源,整合处理从癌症基因组图谱(TCGA)和GENE EXPRESSION OMNIBUS(GEO)数据库下载整理的数据,在对数据进行预处理后首先使用随机森林的Gini杂质作为评分标准挑选基因,得到输入矩阵。然后将输入矩阵输入到朴素贝叶斯分类器中得到预测的准确度。AUC(Area under the Curve of ROC)是评价模型优劣的常用指标,可以对所有可能的分类阈值的效果进行综合衡量,能直观表示分类器的性能,AUC值越大越好。10-fold交叉验证的结果显示,AUC值为0.91。对于随机森林+决策树混合机器学习方法追踪肿瘤起源,使用的数据与之前的一样处理,得到输入矩阵。然后将输入矩阵输入到决策树分类器中,得到预测的准确度为0.889。AUC值为0.886。对于随机森林+K近邻(K=5)混合机器学习方法追踪肿瘤起源,使用的数据与之前的一样处理,得到输入矩阵。然后将输入矩阵输入到K近邻(K=5)分类器中,得到预测的准确度为0.886。AUC值为0.886。

关键词： 流量测量   以太坊RLPx协议   活跃节点库   机器学习方法   行为流量分割  

摘要： 随着近年来的区块链安全事件频发,区块链网络安全形势愈发严峻,对有效的区块链流量测量与分析方法的需求愈发迫切。相较于比特币,以太坊对智能合约的支持使得以太坊具有更高的应用前景,以太坊流量具有更高的研究价值。对以太坊网络流量的识别和对流量中包含的行为的判断可以为以太坊网络安全监管提供有力支撑,对区块链网络安全流量测量与分析有指导意义。与比特币采用明文传输协议不同,以太坊在数据传输阶段使用私有RLPx协议对传输内容进行了加密,现有的研究人员忽视了对以太坊流量特征的挖掘,行业内缺乏一种快速、准确的以太坊流量识别方法。此外,以太坊通过TCP长连接处理传输内容,在以太坊行为数据发送前将其统一打包为RLPx帧并进行加密,导致单条以太坊流量中包含多种行为流量,现有研究中缺乏一种有效的行为流量分割方法。并且由于行为数据结构间的一致性,使得分割后的以太坊Get类行为流量间存在极高的相似性,难以实现以太坊行为流量的精细化分类。针对以上问题,本文基于以太坊“小世界”特性和行为流量Burst特性,设计实现了以太坊流量识别和以太坊行为流量分类方法,主要包括以下三点研究内容:1.针对以太坊流量存在的占比小、特征混淆的问题,提出了基于活跃节点库的以太坊流量识别方法。该方法基于以太坊特有的“小世界”特性,设计活跃节点库记录监管区域内处于活跃状态的以太坊节点信息,通过活跃节点库筛选出潜在的以太坊流量。对于潜在的以太坊流量,分别对基于UDP的节点发现过程和基于TCP的数据传输过程提取相应流量特征,借助机器学习方法实现对以太坊流量的识别,并以识别结果动态更新节点库。实验结果表明,本文提出的基于活跃节点库的以太坊流量识别方法可以在保证识别时间效率的同时达到较高的识别精度。2.针对单条以太坊流中行为流量混杂、行为流量相似性高的问题,提出基于Burst分割的以太坊行为流量分类方法。该方法通过RLPx帧头数据包定位每个行为流量的起始位置,通过行为Burst范围确定行为流量范围,实现对以太坊行为流量的分割。针对以太坊Get类行为间的相似性问题,选择将Get类行为合并,用机器学习方法进行粗分类,对粗分类结果通过行为重排序、无返回数据的Get类行为剔除和序列化逆推的方法判断Get类行为的准确类别。实验结果表明,该方法可以准确分割以太坊行为流量,并大幅提高了以太坊行为流量分类效果。3.设计并实现了区块链网络安全流量测量与分析原型系统。分别从以太坊流量识别模型构建、以太坊行为流量分割、以太坊行为流量分类、用户界面展示等方面描述了该原型系统的设计细节。以图形界面的方式展示所设计的方法在系统中的运行结果。

关键词： 机器学习   物理过程信息   缝洞介质   渗流   渗透率  

摘要： 储层流场参数的反演对油藏井网调整、注采调控等措施的制定具有重要指导意义。相比于测井和试井解释等传统方法,机器学习通过对油田数据的分析学习,能够挖掘数据间的隐性关系。但目前的机器学习仍属于纯数据驱动下的单一数据学习,其结果和学习过程的物理可解释性有待提高;同时,油气开发井网密度一般较小,井点数据仍属于稀疏训练样本数据,即使采用深度神经网络学习,其预测效果仍欠佳。对此,本文将油气流动物理过程信息,即渗流方程作为约束条件加入到深度学习损失函数项,建立了一种基于油气流动物理过程的深度学习新方法,并应用至缝洞性介质研究中,主要创新工作和结论如下。首先,针对单孔隙介质模型,基于油藏数值模拟结果形成样本数据,开展了单相渗流、两相渗流的渗透率参数反演研究,结果表明:在样本充足情况下,无论是传统模型还是本文新模型均能获得良好的学习和预测效果;随着数据样本的减少,传统模型的预测误差也随之增大,但本文新模型仍能保持较高精度,即使在强非均质和注采关系反转条件下。随后,在单孔隙介质模型基础上增加裂缝系统,建立强非均质性裂缝介质模型,通过离散裂缝数值模拟得到数据样本,开展了单裂缝和多裂缝单相渗流、两相渗流的渗透率参数反演研究,结果表明:对于裂缝介质,当观测井数较少时,由于裂缝介质的强非均质性,纯数据深度学习的预测结果与实际差异巨大,而本文方法能够识别出储层具有高渗区域,相比于传统模型误差减少50%。最后,在裂缝介质模型基础上,增加溶洞系统形成缝洞介质模型,其中溶洞采用Brinkman方程来表征其中的流体流动,将DarcyBrinkman方程作为缝洞介质流动物理过程信息,并以缝洞介质单相流动数值模拟结果数据作为样本库进行深度学习,结果表明:传统的纯数据深度学习效果较差,不能有效识别溶洞,而本方法能够逐步判定储层中间部分包含一定的高渗区域、确定溶洞的位置和边界、预测溶洞之外存在高渗条带、确定溶洞和裂缝的位置,并能够准确预测其渗透率参数。

关键词： 在线学习   最优反馈控制   核模型   深度学习优化器   样本选择模型  

摘要： 近年来,伴随着计算机技术的兴起,大数据和云计算逐渐走进人们的视野,海量的数据和我们的生活变得息息相关。当数据存在异质性且受到复杂的噪声干扰,样本量很大甚至以流式数据的方式呈现时,传统的数据分析方法和统计模型面临着诸多挑战。一方面模型需要进行修正以适应复杂的数据结构,另一方面无法一次性导入内存的数据迫使算法必须依据少量多次获取的样本进行学习。在这一背景下,设计出满足实时更新需求的自适应学习算法以弥补已有方法的不足,成为当今获得广泛关注和应用的热点问题。本文将最优控制方法融入到机器学习的研究中,创新性的建立了一个基于最优反馈控制在线学习框架,并在该框架下提出了一系列用于解决线性和非线性的分类与回归问题的鲁棒自适应学习算法。进一步地,该算法被拓展到时下热门的深度学习领域,应用于图像识别和文本分类。此外,本文还将改进的深度学习算法与传统微观计量模型相结合,实现了全新视角下样本选择问题的研究。本文的主要工作概括如下:第一,构建了基于最优控制的鲁棒在线学习架构,分别讨论该架构下的线性回归、二分类和多分类问题。首先在线学习被转化为状态反馈控制问题,接着使用线性二次型调节器(linear quadratic regulator,LQR)获取最优的参数更新。对未知参数较少的低维情形,使用迭代方法求解Riccati方程,并将对应算法命名为OLQR(online linear quadratic regulator);对于更为常见的高维问题,本文提出ROHDL(online high dimensional learning algorithm)算法,通过极分解大大简化了计算量。OLQR和ROHDL算法相对于经典方法可以获得更快的收敛速度和更好的预测精度,当噪声结构较为复杂时这一优势更为明显。与相关算法的对比实验也证实了所提出算法的优越性。第二,将上述线性问题的架构拓展到非线性回归与分类问题。借助核技巧,非线性学习本质上仍然可以看成有限维系统的一系列状态反馈控制问题。选取固定带宽的高斯核作为核函数,本文提出了一种适用于非线性回归的OKLQR(online kernel linear quadratic regulator)算法。进一步地,考虑到实时数据常常包含结构性的变动,因此固定带宽的核函数存在一定的缺陷,本文提出改进后的OAKL(online adaptive kernel learning)和CAOKC(control-based adaptive online kernel classification)算法,将带宽也作为需要在线更新的未知参数,分别解决非线性的回归与分类问题。大量对比研究表明,该方法相较于当前相关算法在收敛速度、预测精度和对噪声的鲁棒性方面都存在一定优势。第三,提出了基于控制的深度学习优化器CSGC(control-based stochastic gradient descent compression)。深度学习一般需要较多的样本才能完成训练,而每次参数更新仅涉及少量样本,本质上也是一种在线学习,本文所提出的架构依然适用。深度神经网络往往包含较多的未知参数,依据前文所述的框架可以得到一个包含网络中所有未知参数的完整的状态反馈系统。接着根据神经元的连接方式将这些参数分割为若干组,完整的系统也据此分为对应的线性子系统,这些子系统和ROHDL类似,利用极分解技巧就可以进行快速更新。本文给出了CSGC优化器的收敛性与收敛速度相关证明,以论证算法的有效性。与主流的利用一阶信息的梯度方法相比,CSGC不仅继承了控制算法收敛快、预测准确率高的特点,而且可以一定程度上缓解梯度消失问题。在模拟数据、图像识别和文本分类任务上与现有优化器的对比实验也证实了该算法的优越性。第四,基于深度学习的思想,本文提出一种深度学习视角下的样本选择模型(deep sample selection network,DSSN)。该方法对传统的Tobit-I和Tobit-II模型进行了重新解读,分别构建了深度Tobit-I网络和Tobit-II网络,并对模型中变量的显著性水平进行度量。在构建过程中灵活运用了残差神经网络(Res Net)和长短期记忆模型(Long Short-Term Memory,LSTM)等经典深度学习模型中的部分技巧,分别实现了传统Tobit-I和Tobit-II模型的相应功能,并使用CSGC作为优化器进行求解。与经典的样本选择模型相比,一方面深度样本选择网络能够在依赖较少假设的基础上,充分挖掘、量化大样本数据背后的微观决策过程,可以更好的识别显著的变量。另一方面,由于更复杂的网络包含更多的未知参数,样本选择网络在拟合效果和预测精度上都有着显著的提升。数值模拟和实际经济数据也证实了该方法的有效性。本文创新点有:(1)提出一个完整的基于二次型

关键词： 财务困境   财务预警   指标选择   分类与回归树  

摘要： 财务困境是指公司经营过程中财务状况严重恶化、出现债务违约甚至面临破产风险的状况。及时、有效地进行财务困境的预警可以使企业及早发现其生产经营管理的严重问题,避免恶性损失的发生。近年来,我国证券市场上出现了很多因为陷入财务困境被特别处理的上市公司,由于目前我国证券市场信息还不对称,企业的财务危机甚至会对市场环境带来恶劣冲击。因此,无论是从企业自身的角度来说还是从利益相关者的角度来讲,如何建立一个有效的财务困境预警机制都是一个非常重要的研究课题。早期财务困境预警体系主要由财务指标构成,涉及偿债能力、盈利水平、运营效率、成长性、现金流等。由于财务指标存在滞后性,学者开始从财务困境发生原因入手,寻找具有相关性的非财务指标和变量,如公司内部治理指标,包括董事长总经理两职分离、股权集中度、公司董监高持股比例、董监高薪酬等。对财务指标、非财务指标进行预警分析,通过差异性检验和相关性检验发现,偿债能力指标(利息保障倍数、资产负债率、经营活动产生现金流量净额/合计负债、长期债务与营运资金比率)、运营能力指标(总资产周转率、固定资产周转率)、盈利能力指标(净资产收益率、营业毛利率、资产报酬率)等财务指标、股权结构与公司治理指标(高管持股比例、董监高薪酬、股东大会与董事会召开次数等)、EVA指标、金融网络指标(程度中心度)等非财务指标对财务预警均有意义。使用上述具有预警意义的指标并应用分类与回归树模型(CART)研究发现,财务指标中偿债能力指标利息保障倍数、盈利能力指标净资产收益率等在更接近财务困境发生时期时预测能力越强,运营能力指标总资产周转率等在更为早期的预测中预警效果更好。统计检验方法只是指标选择方法的一种,且指标选择合适与否对预警效果具有较大影响。常见的机器学习方法有十余种,因此指标选择方法与机器学习方法的搭配组合高达数十种。研究发现,不同时期最优组合不完全相同,但Ada Boost方法在不同时期中搭配不同方法预警效果较优。财务困境预警的研究意义不仅在于对财务困境进行预测,还在于找出对财务困境发生具有警示意义的指标。对于企业而言,跟踪并关注相关指标的变化情况,找出相关指标恶化原因并及时采取措施应对,可以使企业保持良好的运行状态,实现稳健经营、持续发展。对于投资者而言,及时关注上市公司相关指标变化,有助于进行科学的投资决策,风险厌恶型投资人可以规避财务困境企业减少损失。

关键词： FTIR红外光谱   茶油掺伪检测   机器学习   卷积平滑   随机森林   支持向量机  

摘要： 茶油作为我国一种特有的高端食用植物油,由于其具有丰富的脂肪酸和营养成分,其价格相比于普通食用油普遍较高。因此,市场上部分不良商家通过掺杂低价格的食用油以此来牟取暴利,然而传统的检测手段具有不同的检测限制和检测缺点,无法满足市场快速简洁的检测要求,使得迫切需要开发一种快速准确的检测技术。本文利用红外光谱技术具有简单、快速、无污染和无破坏性的优势,研究傅里叶变换红外光谱（FTIR）结合传统机器学习在茶油掺伪检测模型的研究,主要研究内容包括:首先,概括介绍红外光谱检测技术原理,制作两种分别掺有不同比例的玉米油和大豆油的掺伪茶油样本,利用傅里叶红外光谱仪器获取所有样本的FTIR光谱。对样本的FTIR光谱进行研究分析,通过对比不同种类的食用油FTIR光谱发现三种食用油在指纹图谱内只存在细微差异,不同比例掺伪茶油的FTIR光谱更加相似,难以直接区分开来,因此建立一种基于FTIR光谱的茶油掺伪检测机器学习分类模型来解决。其次,为了解决噪声影响模型分类准确率的问题。先对光谱4000-400cm-1范围进行几种光谱预处理后,分别建立马氏距离判别（Mah）、支持向量机（SVM）、人工神经网络（BPNN）等三种传统的机器学习茶油掺伪检测模型。再通过对比平滑法、导数法、光散射校正等三种光谱预处理方法对模型分类准确率的影响,最后选择卷积平滑（SG）和多元散射校正（MSC）做为模型的预选光谱预处理,此时模型最佳的分类准确率为83%。然后,针对样本光谱数据特征变量众多,且大部分存在相关共线性,影响模型的处理速度和稳定性的问题。对SG平滑和MSC处理后的两种光谱,分别使用主成分分析（PCA）、连续投影算法（SPA）和随机森林（RF）三种特征波长选择方法进行降维。最后建立三种机器学习分类模型,通过对比发现:SG-RF-SVM模型在稳定性和准确率上表现最佳,此时模型对测试集样本的准确率达到了86%。最后,由于SG-RF-SVM模型的准确率受SVM模型部分参数影响。针对SVM模型的核函数、惩罚参数c和核函数参数g进行SG-RF-SVM模型优化,通过K折交叉验证的方法寻找惩罚参数和核函数参数在一定范围的最优解,最后优化后的SG-RF-SVM茶油掺伪检测模型分类准确率达到了93%,达到了传统检测分类的要求。