关键词： 钢材   机器学习方法   技术开发   计算机学   电子显微镜   材料学   兰州大学   材料结构  

摘要： 德国萨尔兰州大学的计算机学和材料学专家通过机器学习技术开发了一种分析钢材类别的软件,其比其他分析软件更客观准确。在开发过程中,材料学专家需帮助计算机人员了解材料结构与性能间的关系,同样,计算机人员也帮助材料学家学习使用机器学习方法,以便得到更为精确的结果。这款软件主要关注钢材的微观结构,要求钢产品生产过程对金属内部结构的影响。在材料开发和质量控制阶段,传统使用光学电子显微镜进行样品检测,而使用新技术后,材料专家们发现用户使用时的错误率更低,它对客户的专业水平要求不高。

关键词： Distributed energy systems   Supervised learning   Transfer-learning   Multi-objective optimization  

摘要： This study evaluates the potential of supervised and transfer learning techniques to assist energy system optimization. A surrogate model is developed with the support of a supervised learning technique (by using artificial neural network) in order to bypass computationally intensive Actual Engineering Model (AEM). Eight different neural network architectures are considered in the process of developing the surrogate model. Subsequently, a hybrid optimization algorithm (HOA) is developed combining Surrogate and AEM in order to speed up the optimization process while maintaining the accuracy. Pareto optimization is conducted considering Net Present Value and Grid Integration level as the objective functions. Transfer learning is used to adapt the surrogate model (trained using supervised learning technique) for different scenarios where solar energy potential, wind speed and energy demand are notably different. Results reveal that the surrogate model can reach to Pareto solutions with a higher accuracy when grid interactions are above 10% (with reasonable differences in the decision space variables). HOA can reach to Pareto solutions (similar to the solutions obtained using AEM) around 17 times faster than AEM. The Surrogate Models developed using Transfer Learning (SMTL) shows a similar capability. SMTL combined with the optimization algorithm can predict Pareto fronts efficiently even when there are significant changes in the initial conditions. Therefore, STML can be used along with the HOA, which reduces the computational time required for energy system optimization by 84%. Such a significant reduction in computational time enables the approach to be used for energy system optimization at regional or national scale.

关键词： 信号处理方法   智能化处理   大数据   征稿通知   机器学习方法   信息技术   社会生活   学习能力  

摘要： 随着信息技术的高速发展,在现代社会生活中每天都有着各式各样的大量数据产生。大数据时代已然来临,而如何合理地存储、处理以及利用这些数据就成为了受到广泛关注的焦点性问题。一方面,大数据更加依赖具有学习能力、推理能力和优化能力的智能信号处理方法;另一方面,大数据为智能信号处理方法的发展提供了条件。大数据时代的智能信号处理是以信号模型为驱动,以大样本为基础,通过机器学习方法提取信号特征,进而实现对信号的智能化处理和利用。本次征文的主要目的是给大数据时代下的智能信号处理提供新的视角和思路。

关键词： 心电信号   分类   ARMA模型   机器学习   心律失常  

摘要： 近年来,心血管疾病已成为威胁人们生命的主要疾病,而心血管疾病患者早期发病时往往出现心律失常症状,因此早期检测心律失常对提前预防心血管疾病,及早介入治疗具有至关重要的意义。基于此,本研究利用小波分析方法对不同类型的心电序列进行去噪声处理,再利用ARMA模型以及时间序列的方法对分解后的信号序列进行特征提取,将ARMA模型的系数作为心电信号的特征指标;结合决策树分类、支持向量机分类和随机森林分类机器学习方法对提取后的心电特征指标进行分类研究,并根据实验结果对三种算法的性能进行比较分析。

关键词： 气象观测   社会化   数据获取   应用   技术   爬虫   观测数据   机器学习方法  

摘要： 如何获取及利用网络中蕴含的大量社会观测数据成为新媒体时代气象观测发展的重点。深圳市气象局利用爬虫技术获取数据,并通过机器学习方法对数据进行筛选过滤,建立了一套高扩展性、高效性和低成本的气象社会观测数据的采集系统,快速获取、筛选、分析和提取有价值的、多样化的气象相关的社会观测数据,并对数据加以分析应用,为预报员进行公众服务、大城市气象灾害风险预警提供支撑。

关键词： 气动特性建模   机器学习   分类与回归树   浅层学习   深度学习  

摘要： 气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和“黑箱”建模方法。本文对“黑箱”建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成“合成图像”,建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。

关键词： 癌症基因组学   生存分析   Cox比例风险模型   随机生存森林模型   LASSO回归  

摘要： 乳腺癌、宫颈鳞状细胞癌、子宫内膜癌、卵巢癌是女性常见的癌症.由于癌症的恶性发展并缺乏有效的早期诊疗手段,这些癌症已成为当今世界女性患者的头号杀手.为了探索高通量组学数据能否促进癌症患者的预后,本研究利用美国癌症基因组图谱项目中四种女性癌症的1861个样本的临床数据和多维组学数据(包括DNA甲基化、mRNA表达、miRNA表达和基于芯片的蛋白表达组学数据),建立了Cox比例风险模型和随机生存森林模型用来回顾性地预测患者的生存率.本研究发现,在宫颈鳞状细胞癌中,通过整合临床与DNA甲基化及miRNA表达组学数据建立的模型,生存预测能力显著高于仅使用临床数据的模型(一致性指数c-index中位数提高了8.73%~15.03%).本研究虽然验证了有些组学数据对特定癌症生存模型的预测能力有提升作用,但也存在着相对于临床数据,组学数据对模型的预测能力无显著提升的情况.这些结果为系统地开展基于癌症基因组学的生存预测研究及提升临床生存分析的预测准确性提供了有用经验.

关键词： 骨强度   QCT   机器学习模型   机器学习方法  

摘要： 当今人口老龄化现象日益显著,骨质疏松、骨质增生等骨退变疾病是中老年群体的常见病、多发病。2018年10月国家卫健委发布的调查结果显示,我国65岁以上人群骨质疏松症患病率高达32.0%;50岁以上人群低骨量率为46.4%。骨质疏松最严重的后果是骨折。骨折的原因是骨的强度/刚度降低,不足以承担外部载荷。临床上常用的评价骨强度的方法是双能X线骨密度仪测量骨密度,然而,测量得到的是二维面积密度,不能准确反映骨强度和相应的骨折风险。骨是具有多层次结构的活的组织,其整体强度由骨的几何形态(包括宏观形态,即宏观形状和大小等,和内部骨小梁结构的排列)和骨材料/骨质的强度(包括矿化程度、胶原特性、显微损伤情况等)决定。基于临床医学影像的生物力学建模仿真方法(又称生物力学CT),是当今技术上最先进的无创评价骨强度的方法。然而,这种生物力学建模仿真方法对于力学要求高,临床医学工作者不容易掌握。因此,迫切需要建立起更为简单方便操作的基于临床医学影像评价骨强度和骨折风险的方法。本研究建立了基于临床QCT影像的机器学习模型,首先根据临床QCT影像建立个体化非线性有限元模型(QCT/FEA)预测骨强度,作为机器学习模型的输出,然后选取临床QCT影像中可以提取的与骨强度高度相关的信息作为输入,并采用参数筛选和参数降维的方法对输入参数进行处理,机器学习模型采用广义回归神经网络(GRNN)和支持向量机(SVM)。具体流程如下:(1)建立基于临床QCT影像的非线性有限元模型计算骨强度:QCT扫描获得骨影像,在Mimics软件里建立三维几何模型,并生成体网格,赋予横观各向同性、非均匀、弹塑性材料属性,在ABAQUS软件中施加载荷和边界条件,给出合适的失效准则,进行非线性显微有限元分析,计算得到骨强度,作为机器学习模型的输出量。(2)机器学习模型的输入量:包括松质骨的材料分布(灰度分布在1、2、5、8、10、15、20、25、30、40、45、50、60、70和75%位点处的灰度值)、骨内区域灰度值(整体、皮质骨和松质骨分区域灰度值)、以及综合特征参数。利用训练集内骨结构的输入量和非线性有限元分析计算的骨强度作为输出量,建立广义回归神经网络和支持向量机两种机器学习模型,并用测试集内骨结构的输入量预测骨强度,用QCT/FEA计算的骨强度来验证机器学习模型的预测效果。即将测试集样本的QCT/FEA计算强度和机器学习模型预测强度绘制Bland-Altman图,分析QCT/FEA模型和机器学习模型所预测椎体强度之间的差异。结果表明,用参数筛选方法和参数降维方法获得一些参数的组合,两种机器学习模型对于骨强度的预测效果很好,且无显著性差异。为了验证训练好的机器学习模型对新样本强度的预测能力,从社区医院随机选取志愿者的QCT影像,运用QCT/FEA计算骨强度,机器学习模型预测骨强度,从相对误差可见机器学习模型预测骨强度准确性较高(相对误差小于8%)。本研究表明,采用基于临床QCT影像的机器学习模型可以有效地预测骨强度,为个体化骨折风险的评估提供了理论方法,便于临床制定相关治疗和干预策略。基于QCT影像预测骨强度不仅可以保证精度,而且对医护人员的操作技术要求较低,因此该方法具有广阔的应用前景。机器学习模型在股骨、脊柱、桡骨和胫骨等部位的强度预测、骨折风险评估方面具有很大的应用潜力。

关键词： Evapotranspiration   Latent heat exchange   Machine learning   Remote sensing   GLASS   MODIS   Regression tree   Neural network   Random kernel   Bootstrap aggregation tree   Flux tower   Surface radiation   Vegetation index   Leaf area index   FPAR   Albedo   Nadir adjusted reflectance   Regularized linear regression   Computational efficiency   Surface energy balance  

摘要： Remote sensing retrieval of evapotranspiration (ET), or surface latent heat exchange (LE), is of great utility for many applications. Machine learning (ML) methods have been extensively used in many disciplines, but so far little work has been performed systematically comparing ML methods for ET retrieval. This paper provides an evaluation of ten ML methods for estimating daily ET based on daily Global LAnd Surface Satellite (GLASS) radiation data and high-level Moderate-Resolution Imaging Spectroradiometer (MOD'S) data products and ground measured ET data from 184 flux tower sites. Measurements of accuracy (RMSE, R-2, and bias) and run time were made for each of ten ML methods with a smaller training data set (n = 7910 data points) and a larger training data set (n = 69,752 data points). Inclusion of more input variables improved algorithm performance but had little effect on run time. The best results were obtained with the larger training data set using the bootstrap aggregation (bagging) regression tree (validation RMSE = 19.91 W/m(2)) and three hidden layer neural network (validation RMSE = 20.94 W/m(2)), although the less computationally demanding random kernel (RKS) algorithm also produced good results (validation RMSE = 22.22 W/m(2)). Comparison of results from sites with different ecosystem types showed the best results for evergreen, shrub, and grassland sites, and the weakest results for wetland sites. Generally, performance was not improved by training with data from only the same ecosystem type.

关键词： Reduced rank KPCA   Nonlinear process monitoring   Fault detection   Tabu search algorithm   Air quality monitoring   Fault isolation  

摘要： Data-driven techniques have been receiving considerable attention in the industrial process monitoring field due to their major advantages of easy implementation and less requirement for the prior knowledge and process mechanism. Principal component analysis (PCA) method is known as a popular method for monitoring and fault detection in industrial systems but as it is basically a linear method. However, most practical systems are nonlinear. To make the extension to nonlinear systems, kernel PCA (KPCA) method has been proposed for process modeling and monitoring. We present in this paper an online reduced rank optimized KPCA (RR-KPCA) technique for fault detection in order to extend the advantages of the KPCA models to online processes. Following the fault detection, the identification of the variables correlated to the fault occurred is of great importance. For this purpose, it is proposed to extend the approaches of localization by partial PCA and by elimination in the linear case to the nonlinear case, by exploiting the solution of reduction of the dimension of the kernel matrix in the feature space. The partial RR-KPCA and the elimination sensor identification (ESI-RRKPCA) are generated based on the static RR-KPCA and the online RR-KPCA methods. The idea of these approaches is to generate partial RR-KPCA models with reduced sets of variables. In other words, their goal is to generate indices of fault detection sensitive to certain faults and insensitive to others. The proposed fault isolation methods are applied for monitoring an air quality monitoring network (AIRLOR) data.