关键词： 机器学习   湍流模型   雷诺平均   大涡模拟  

摘要： RANS模型因其易用性、高效性被广泛采用,但是RANS模型因其不确定度而存在计算精度不足的问题。此外,LES方法尽管能在高分辨计算中取得较好的计算精度,但是所需的大量计算资源限制了该方法的使用。针对传统湍流模型的问题,本文利用机器学习方法对RANS模型及LES模型分别构建机器学习替代模型,并且完成的主要工作总结如下:1.不同机器学习算法在RANS湍流模型中构建替代模型对比研究。从Boussinesq涡粘假设出发,采用多种机器学习算法分别对定常状态下的湍流涡粘性系数进行建模,构建机器学习数据驱动替代模型,在经典的后台阶流动问题展开模型验证对比研究。计算结果表明,在计算效率方面,各机器学习算法构建的模型均能够有效地提高;在计算精度方面,各算法替代模型物理量的计算均能保证在理想范围之内,并且机器学习替代模型均能有效捕捉分离及再附着现象;其中人工神经网络、极限梯度提升及K近邻算法在构建机器学习替代RANS湍流模型中更具潜力。2.机器学习替代模型在不同雷诺数下的泛化性研究。在相对于训练流动不同雷诺数变化的测试流动中的计算结果显示,当测试流动雷诺数与训练流动雷诺数较为接近时,替代模型计算结果能够有效地与原始RANS计算结果吻合;而当测试雷诺数低于训练流动雷诺数时,会存在偏差,并且这种偏差随雷诺数下降而更明显;而在相对于训练流动更高雷诺数下的测试流动中,模拟的偏差会随这雷诺数的升高而进一步减小。揭示了机器学习替代RANS模型的计算精度会随测试流动雷诺数升高而提高的现象。3.针对大涡模拟,使用机器学习方法来重构亚格子不闭合项的研究。模型验证的研究在不同雷诺数下的槽道湍流展开,通过在低雷诺数槽道湍流数值模拟的研究中表明,相对于原始动态Smagorinsky模型的计算,新的机器学习亚格子替代模型能够精确地预测湍流流场的统计性质和空间结构,并且在计算效率上有明显的提升。表明了机器学习算法应用于大涡模拟优化建模具有较高的意义,对揭示复杂的湍流流动现象具有广阔的应用前景。

关键词： 数值模拟   机器学习   大涡模拟   高精度数值模拟  

摘要： 翼型绕流是流体力学研究重点之一,流动相对简单但广泛应用于各种流体机械及飞行器设计中。且翼型绕流可以通过圆柱绕流的势流变换得到,因此本文以圆柱及NACA0018翼型作为研究对象,采用不同湍流模型计算了研究对象在定常与非定常状态下的流场。通过对比分析研究了数值模拟结果,选用二维模型下SST k-ω湍流模型对研究对象的计算结果作为机器学习样本,对机器学习方法的流场复现方法进行了研究,选用多层前馈神经网络模型实现机器学习方法,并根据复现出的流场计算翼型的气动特性,主要方法及结论如下:1、采用S-A、SST k-ω与LES湍流模型,对NACA0018翼型在不同攻角下的流场进行数值模拟,研究表明,S-A模型在0-4°攻角下计算误差可以小于5%,当攻角超过8°时,S-A、SST k-ω方法开始出现较大误差。使用非定常方法进行计算时,SST k-ω与LES湍流模型在攻角α<8°时均能准确预测升力系数,但当α>8°时由于发生了流动分离,SST k-ω湍流模型难以准确预测,另外LES湍流模型可以较为准确的计算出翼型的阻力系数。最后对比了圆柱绕流LES方法与实验的对比,通过对比实验流场与数值计算流场发现SST k-ω方法无法得到圆柱绕流背压面旋涡被主流拖拽破裂的过程。综合对比三种数值模拟在圆柱绕流与翼型绕流中的计算结果可以发现LES在宏观外特性与流场特性均具有较高精度。2、本文采用数值模拟方法获取数据集,数据集的好坏直接影响预测准确性。圆柱绕流因计算简单,且可以通过势流变换得到翼型绕流,因此本文首先采用数值模拟方法对雷诺数为Re=3900的圆柱绕流进行计算,对比圆柱绕流试验压力系数与数值模拟计算压力系数可以发现LES湍流模型与SST k-ω湍流模型计算结果相近,但计算时长相差近35倍。综合考虑计算时间和准确性,选用二维模型下SST k-ω湍流模型建立直径为0.05m的圆柱在Re=3500-5500下压力场速度场数值模拟结果作为学习模型的数据库,研究不同深度、训练步数、学习率和不同网络结构的预测准确性。结果表明,保证训练步数在500-750步之间,学习率为0.1保持不变时预测结果很差,在减小学习率到0.01时可以获得较好的结果,但学习率继续减小会导致神经网络难以收敛,需要增大训练步数方能收敛。另外神经网络在层数增多时会有较好的预测结果,但当前馈网络超过6层时,预测准确性并没有很大的提高,认为使用6层前馈网络即可达到圆柱绕流预测的目的。最后加入0.005的正则化与1%权重衰减可以有效防止过拟合,提高预测准确性。3、将圆柱绕流优秀的预测模型应用于翼型绕流预测。首先利用数值模拟方法获得NACA0018翼型在攻角α=2°、4°、6°、8°,雷诺数Re=0.1-1.6×10范围内共计140组计算结果作为机器学习的样本数据库,建立基于前馈神经网络的机器预测模型,以绕流雷诺数与攻角作为自变量输入神经网络,通过神经网络的计算预测翼型附近压力场速度场。结果表明,采用八层全连接神经网络即可获得准确的计算结果,并可以通过预测得到的表面压力系数反算升阻力系数,发现机器学习方法能获得很好的准确性。对比Xfoil、数值模拟与神经网络计算得到的表面压力系数,发现SST k-ω湍流模型未算出翼型分离点,导致神经网络无法计算出分离点压力变动,表明机器学习方法准确度取决于数据库样本。4、通过计算矢量场速度之间的相关系数可以发现X、Y方向的速度矢量大小相关系数为0.3,相关性较弱,因此采用相互独立的神经网络预测速度矢量场。相比压力场、速度场的预测,因缺少数据间的约束,需要将神经网络训练步长增加至600步以上。并考虑到流场中驻点及部分区域Y方向速度接近于0,将计算结果中绝对值小于10的数据归零处理,最终可以将矢量场预测的平均误差降低至7%以下。

关键词： 机器学习   解调   一维卷积神经网络   衰落信道   降噪自编码器  

摘要： 基于机器学习方法的数字信号调制解调,可以在不进行载波恢复、滤波处理的情况下,实现在同一个网络模型下对多种数字调制信号进行解调,有助于提高通信系统中信息传输的效率,缓解日益复杂通信环境下硬件电路设计的压力。另外基于机器学习方法的数字信号调制解调,可以在不进行信道估计的情况下,直接将符号序列从衰落信号中恢复处理,有利提高通信系统的频率利用效率。因此,基于机器学习方法的数字信号调制的解调成为近年来研究的热点之一。本文针对应用机器学习方法对多制式数字调制信号的解调需要较高的过采样倍数的问题,以及针对衰落信道下基于机器学习的数字调制信号解调方法对不同调制信号泛化能力较弱的问题,进行了研究。主要研究内容如下:1、首先对传统的解调方法与基于机器学习的解调方法进行了对比,分析了基于机器学习方法的优势。对人工神经网络(Artificial Neural Network,ANN)等适用于多制式数字调制信号的神经网络解调器进行了分析,以上方法存在对数字调制信号过采样倍数要求较高,网络参数众多,训练难度较大的问题;对深度置信网络(Deep Belief Network,DBN)等适用于衰落信道下数字调制信号的神经网络解调器进行了分析,以上方法存在对不同数字调制方式泛化能力较弱的问题。2、设计了一种适用于较低过采样条件下的多制式数字调制信号的多尺度一维卷积神经网络解调器。该解调器可以在与传统解调器相同的过采样条件下,对BPSK、4-QAM、8-QAM、16-QAM四种数字调制信号进行解调,并能保证与传统解调方法相同的误码性能。仿真结果表明,在高斯信道下,给出的数字调制信号解调器可以在保证解调误码性能的同时,减少了对采样倍数的要求,降低了神经网络结构的复杂性。3、设计了一种适用于衰落信道下的多制式数字调制信号解调的神经网络级联模型。模型由降噪自编码器和解调器两部分组成,利用降噪自编码器的编码、译码过程来尽量消除衰落信道对数字调制信号的影响,应用解调器对数字调制信号进行解调。在瑞利衰落信道进行仿真,实验结果表明该神经网络级联模型可以在没有信道估计的情况下,实现了对BPSK和BFSK调制信号的解调,说明该神经网络级联模型,在消除了对信道状态信息的过分依赖的同时,增强了对不同调制信号的泛化能力。

关键词： Bioinformatics   Pharmaceutical sciences  

摘要： Protein kinases are the largest family of druggable proteins altered in various human cancers. Kinase-targeted drugs are emerging as a research target for personalized medicine because of the differential drug response shown in patients with kinase mutations. However, nearly 30% of the 545 human protein kinases remain understudied, and little is known about the systematic impact of drug-kinase mutation interactions. Although many biomedical resources with unique perspectives on the protein or drug landscape, generating new knowledge from these resources requires integrative and reproducible workflows. In this dissertation, I develop integrative resources and use machine learning methods for illuminating understudied kinases and investigating the contribution of drug-mutation interactions to drug response prediction. First, I develop a novel orthology inference method, the KinOrtho, to efficiently and accurately identify human kinase orthologs. Next, I integrate multiple resources using a federated query language. Last, I utilize integrative resources, introduce drug-mutation interaction terms to the prediction model, and use machine learning to predict kinase drug response in cancer cells. The findings presented in the dissertation facilitate the understanding of understudied kinase and shed insights into personalized medicine.

关键词： TiO2纳米管   细胞增殖   机器学习   细胞密度  

摘要： 生物医用材料的表界面过程十分复杂,材料表面的理化性质会对其生物相容性产生显著影响,包括材料的化学成分、形貌、润湿性、带电性等。我们对界面过程的理解仍十分有限,而日益增加的“相互矛盾”的研究结果给我们的理解增加了难度。针对二氧化钛(TiO2)纳米管的尺寸对细胞增殖的影响规律仍不清晰的问题,本论文从数据库中收集相关的文献并提取有用的实验数据,应用有监督机器学习算法建立模型,以辅助理解纳米管的结构性质对细胞增殖的影响规律。 本论文主要研究内容如下: (1)数据库建立:从文献库里筛选细胞在TiO2纳米管表面生长的相关文献,选定管径、退火、灭菌方式、培养时间以及细胞种植密度五种特征,收集相关数据并建立数据库。 (2)回归模型的建立与选择:针对细胞增殖趋势随纳米管管径变化的规律不明确的问题,建立了回归模型。梯度提升树(GBDT)模型的分析表明,特征重要性程度排序:细胞密度>纳米管管径>细胞孵育时间=灭菌方式>退火。细胞密度的重要性大于纳米管管径,这在一定程度上解释了文献中出现的“相互矛盾”的结果。 (3)实验验证相反增殖趋势:通过使用网格搜索策略遍历所有实验特征组合并做出相应的预测,我们发现在一系列管径递增的二氧化钛纳米管表面,同时调节细胞密度和灭菌方法,可以获得相反的细胞增殖趋势。进一步的细胞实验证实了该预测,这表明模型预测细胞增殖趋势具有一定的准确性。 (4)分类模型的建立与选择:针对细胞在二氧化钛纳米管和钛箔表面增殖快慢的对比,建立了分类模型。在几种机器学习算法中,决策树(DT)模型具有最高的F1值,准确率可以达到80%。模型给出的特征重要性数值表明除了管径因素之外,细胞种植密度也会显著影响细胞增殖行为,这与回归模型的结果一致。 (5)分类模型的评估:基于决策树模型的可视化反推出三种有望获得优于钛箔的细胞增殖结果的实验方案,我们用实验验证了方案的有效性。此外,我们设计了多组实验条件验证模型的准确性,模型的F1分数可以达到0.82,这证明了模型能够有效地预测细胞增殖结果。 本文的研究结果表明机器学习有助于更好地理解生物学研究中有争议的结果,这为探索生物材料的结构-特性关系开辟了一条新途径。

关键词： Computational fluid dynamics   Aircraft icing   High performance computing   Machine learning  

摘要： The goal of this work is to investigate the aircraft icing severity by using numerical modeling and machine learning methods. Since the ice buildup on the wing’s leading edge may alter the original aerodynamic configuration and degrade the aerodynamic performances, the ice shape is predicted by the numerical simulation approach. Numerical simulations generally require computationally expensive and/or cumbersome treatments to calculate the ice displacement and accretion along the wing, such as remeshing or other sophisticated techniques. Based on that fact, a prediction model based on machine learning methods is built to extract general yet critical ice features such as the ice global coverage or maximum ice thickness. The first stage of the work is comprised of two chapters, where the focus is modeling of ice accretion over aircraft wings. An approach based on the Eulerian two-phase flow theory to numerically simulate ice accretions on an aircraft wing is developed and implemented in OpenFOAM to contribute the open-source community. The airflow field is obtained by solving the Navier-Stokes equations. Turbulence can be modeled or resolved to improve the prediction accuracy, especially in evaluating the effect of icing on the aerodynamics. A permeable wall condition is proposed to simulate the droplets impingement properly. The droplets collection efficiency is calculated according to the droplets velocity and volume fraction. The ice accretion thermodynamic model is built based on the improved Messinger model and the wall function is modified to account for roughness effect in calculating the convective heat transfer coefficient. The ice shape is reconstructed based on the assumption that ice grows in the direction normal to the aircraft surface. The mesh morphing model adjusts the wing’s shape every time step based on the amount of ice accreted. Therefore, the air flow field is updating during the simulation. Ice accretion on a NACA0012 airfoil and an ONERA M6 wing model under d

关键词： 路面监测与分析   最新的研究进展   埋入式传感器   图像处理技术   机器学习方法  

摘要： 在现代交通系统中,道路作为车辆和行人使用频率最高的民用基础设施之一,其服役状况和使用寿命直接影响通行体验和效率。因此,在路面发生不可逆损伤之前进行路面健康监测和及时养护,对于保障公共交通服务质量以及通行安全至关重要。通过路面结构动力响应监测和路面状况评估可有效表征路面损伤状况。埋入式传感器、图像处理和机器学习是目前常用的三种路面结构动力响应监测技术和分析方法。本文综述了近年来上述三种技术在路面工程中的应用现状,并阐述了这些技术在未来路面工程监测与分析中的发展方向。

关键词： 多输入多输出技术   期望传播算法   矩匹配   机器学习方法   近似计算  

摘要： 多输入多输出(MIMO)技术可以成倍地提升通信系统的频谱利用率,在应对现今社会呈指数式增长的无线接入需求上发挥着重要作用。自MIMO技术问世以来,低复杂度高性能的信号检测算法一直是科研工作者和工程师们的研究热点。期望传播(EP)是一种专门解决后验概率估计的算法,在解决通信系统信号检测上有广泛的应用。本文的研究重点为基于期望传播的MIMO信号检测算法。期望传播算法是一种迭代更新的确定性概率近似算法,首先选取可因子化的近似分布,通过并行更新各因子项,在迭代过程中逐步收敛到最佳近似。将期望传播应用到MIMO检测中时,一种情况下可以使用贝叶斯公式直接计算发送符号的联合近似后验分布,而另一种情况下只需要计算符号分量的边缘近似后验分布,因此本文重新推导了两种基于期望传播的MIMO信号检测算法。为方便区分,将上述两种算法分别记为联合后验期望传播算法(Joint posterior probability Expectation Propagation,JEP)和边缘后验期望传播算法(Marginal posterior probability Expectation Propagation,MEP)。JEP算法在大系统条件下被证明是贝叶斯最优的,但是在实际应用中存在最优性无法取得从而限制性能的问题;另外MEP算法的迭代过程中存在大量除法运算是限制其实际应用的主要障碍。鉴于JEP和MEP算法存在的缺陷和问题,本文提出了如下三方面的创新:1.针对JEP算法收敛错误率高和实际MIMO系统下算法最优性无法取得的问题,改进的矩匹配方案充分利用了EP算法的自纠错能力,有效降低了算法的错误收敛率;另外,通过分析两项关键参数(初始方差和震荡因子)对JEP算法收敛速度和检测性能的影响,借助机器学习方法选择每次迭代的最佳参数。最后,仿真结果表明本文方法取得了更优异的检测性能和稳定性。2.为了消除矩阵逆运算带来的高计算复杂度,本文重新推导了近似联合后验概率期望传播算法(Approximated JEP,AJEP)。AJEP算法消除了迭代过程中的矩阵求逆,但是零值初始化时存在收敛速度慢甚至不收敛的问题。为了充分利用零值初始化方案的超低计算复杂度,采用基于机器学习的参数选择方案。仿真结果表明上述关键参数优化有效解决了AJEP算法的收敛问题,并且以更低的计算复杂度取得了超越MMSE检测器的误符号率性能。3.为了消除MEP算法中大量的除法运算,本文提出了一种基于数值近似的低复杂度边缘后验期望传播算法(Approximated MEP,AMEP)。AMEP使用被除数移位相加的近似除法方案和一种忽略极小值的先验信息近似更新方案。得益于EP算法的近似特性,采用上述两种近似计算方案的AMEP算法在MIMO系统收发比值较大的时候相比于MEP算法最大性能损失不到1dB,但是总体计算复杂度不到MEP算法的20%。

关键词： 众包   深度学习   主动学习   专家验证  

摘要： 机器学习需要大量的有标记数据,而标注数据通常需要人工参与,耗时耗力代价昂贵。如何降低训练满足精度要求的机器学习模型所需的标注代价是机器学习领域中的研究热点。主动学习通过询问最具信息量的数据标记,能够用尽可能少的有标记数据得到尽可能好的模型,从而降低标注代价。这些需要主动学习询问标记的数据如果采用人工标注,标注代价仍然很高。众包是一种廉价的数据标注方式,但由于雇员水平参差不齐,标记质量较低,需要利用专家验证进一步提高标记质量。本文围绕能够降低标注代价的主动学习与专家验证方法进行研究,取得了以下进展:1.提出了一种基于局部与全局信息的主动学习方法。该方法基于样本与其近邻的模型输出差异估计样本的局部信息,通过将数据划分为不同的聚簇利用样本的全局信息,并根据模型在不同聚簇上的表现动态分配标注预算。实验结果表明该方法能够有效地减少模型训练所需的有标记数据。2.提出了一种基于协同标注的专家验证方法。该方法结合标记推断与模型学习构建协同标注框架,通过标记推断为模型提供伪标记数据,同时利用模型预测更新标记推断的结果,进而利用专家验证标记推断与模型预测不一致样本的标记。实验结果表明该方法能够降低需要专家验证的标记数目。

关键词： 电子温度预测   锁模分类识别   J-TEXT托卡马克   神经网络   聚类分析  

摘要： 托卡马克等离子体信息的获取需要各种诊断系统,然而在强电磁辐射环境中诊断系统的正常运行会遇到严峻挑战。如某个诊断系统故障而无法探测到等离子体内部对应信息,这将极大影响等离子体的物理研究。诊断系统信号是对等离子体信息的多方位映射,其间存在着各种联系。因此,可借助其他诊断信号推测缺失的诊断信息,消除对物理研究的影响。本文运用机器学习研究等离子体参数之间的拟合关系,借助其他常规诊断信号在J-TEXT装置上进行了等离子体电子温度估算的模型研究,以弥补测量电子温度的诊断信号缺失造成的研究影响。在此研究基础上,本文还运用各类诊断信号和机器学习对锁模等现象进行自动分类与识别标记的模型研究,将有助于充分挖掘等离子体内部联系和进一步研究磁流体不稳定性(Magnetohydrodynamic instability,MHD)的物理机理。本文分析了等离子体诊断信号与电子温度之间的联系,运用全连接的反向传播神经网络(Back Propagation Neural Network,BPNN)和广义回归神经网络(General Regression Neural Network,GRNN)以电子回旋辐射测量或弯晶谱仪(X-ray Imaging Crystal Spectrometer,XICS)探测的电子温度为输出目标,其它等离子体诊断信号(软X射线辐射强度、电子密度、等离子体电流、环路电压以及环向磁场强度等)为输入参数,训练并完成参数设置,实现了电子温度的估算及其剖面的重建。此外,也进行输入等离子体参数对电子温度的敏感性分析。基于BPNN的模型可通过等离子体基本参数实现电子温度的预测,甚至对部分MHD引起的电子温度扰动信号(如锯齿振荡)也能获得很好的预测结果,平均误差在5%以内。基于BPNN、GRNN分别训练了多个预测不同径向位置电子温度的网络模型,以此重建了电子温度剖面。对比了两种神经网络对电子温度的预测效果,BPNN对电子温度的扰动信息预测效果较好,GRNN对平衡温度信息预测速度较快。因此,该方法验证了等离子体诊断信息存在关联,即可通过神经网络算法实现诊断信号之间的预测,即使相关诊断发生故障而无法提供有效信息,仍然可借助机器学习实现等离子体关键信息的获取,为等离子体信息获取提供支持。本文研究了等离子体诊断信息与磁流体不稳定性之间的联系,运用聚类分析和支持向量机(Support Vector Machine,SVM)算法实现了等离子体内MHD行为的自动分类识别。利用无监督式学习的K-均值、层次聚类算法模型,研究了各种诊断信号对等离子体内MHD行为的分类识别效果;选择以磁扰动、软X射线辐射和电子密度等信号为输入参数,实现了对等离子体内锁模、穿透、锯齿振荡、撕裂模等现象的实时分类识别与自动标记,正确率达95%以上。同时,本文还运用监督式学习训练了SVM算法模型,对锁模现象进行识别和分类,正确率达到94%以上。因此,该方法实现等离子体中各种MHD现象的准确分类识别与标记,有助于未来对锁模、穿透、锯齿震荡等物理现象的深入研究。本文基于等离子体内部信息及诊断信号之间的关联性,借助机器学习对J-TEXT装置中的等离子体电子温度预测、MHD现象分类等方面进行研究,并获得了较好的预测与分类识别结果。该方法将有助于深入开展相关物理分析,为J-TEXT装置的聚变研究提供有效助力。