关键词： 频谱占用度   信号检测   5西格玛原则   机器学习方法  

摘要： 无线电频率占用度是表征无线电频谱真实占用状况的主要指标。针对目前国家规范测量无线电频率占用度以及频率占用度与无线信道状态关联研究存在的问题,建立了无线电信号发射与频谱接收系统,研究了无线电频率占用度测量方法与信道噪声模型的关系。实验结果表明,如果信道是高斯噪声信道,可采用国标法进行频率占用度测量;如果信道是非高斯噪声信道,采用5西格玛原则统计频率占用度更好。采用机器学习方法研究了无线信道占用状况,结果表明,信噪比(Signal to Noise Ratio,SNR)大于15 dB时,基于信号频谱分类模型的5类无线电信号的分类准确率可达到99%以上;在低SNR和非高斯噪声信道下如何进一步提高无线电信号的分类准确率是一个挑战。

关键词： 道路工程   病害检测   机器学习   像素分割   评价方法  

摘要： 道路路面的质量状况直接影响其使用寿命和行车安全。路面病害具有机理复杂、形态多样的特点，且在空间尺度上呈现出大样本分布，给度量与标注带来较大挑战，传统检测方法难以满足多场景、多类型病害识别的实际应用需求。本文总结了机器学习方法在路面病害自动化检测中的重要研究成果，比较了不同路面病害自动识别方法的技术原理和适用性，并从图像数量、尺寸、光源、相机、标注方式等角度总结了现已公开和私有的路面病害数据集。然后，基于三维深度数据对路面病害展开多种特征分析，为挖掘路面病害多元特征与人工智能模型的相互作用提供算法基础。最后系统性介绍了通用的客观评测指标以保证路面病害智能算法评价的公正性。病害识别经历了传统的阈值分割、面元分类和目标检测并逐步发展到像素级图像分割的趋势，自动识别算法的准确性和通用性得到了大幅度提升。传统机器学习方法和深度学习方法之间仍然可以相互借鉴与融合，以覆盖更多的路面病害类型并促使模型能够学习到更多有效特征，从而提高病害检测精度及效率。现有不同识别算法应以运行时间、显存占比、运算量、识别率作为一致的性能评价指标，并考虑不同道路环境下不同维度的路面病害数据集。未来应研发适应复杂工况的检测与处理方法，提升信噪比与模型泛化能力，推动智能算法多场景落地应用。

关键词： 算力发展   降碳增效效应   双重机器学习  

摘要： 大数据时代，算力作为新型生产要素，对区域降碳增效的作用日益凸显。然而，其具体机制及影响路径尚缺乏系统研究。本文构建区域算力发展指标体系，基于中国2011-2022年省级数据，采用双重机器学习方法，实证分析算力发展对区域碳绩效的影响及作用机制。研究发现，算力发展显著提升区域碳排放经济绩效，并降低福利碳强度，形成降碳增效效应。机制分析表明：算力发展通过提升全要素能源利用效率和促进产业结构优化升级助力区域降碳增效。此外，区域、环境规制和政策支持等异质性因素对算力发展的降碳增效效应具有显著影响。本文进一步揭示算力发展在不同区域和情境下的差异化表现，并提出构建多元化算力供给体系、推进绿色算力一体化发展、深化算力赋能行业应用等建议，因地制宜地探索符合地方实际的低碳发展路径，构建算力驱动的绿色经济发展模式。

关键词： 内卷式竞争   创新遏制   资源囤积   市场掠夺   感知风险  

摘要： 随着全球经济环境的日益复杂和技术变革的加快，产业链内卷式竞争现象在中国制造业中愈发普遍，同时加剧了产业链各个环节的企业感知风险，对产业链的稳定性和安全性产生影响。以中国新能源汽车产业链为研究对象，基于2014—2023年800家上市公司年报数据，结合BERT模型与文本分析方法量化内卷式竞争行为，并通过多元回归模型检验其与感知风险的关联，考察产业链内卷式竞争行为（创新遏制、资源囤积与市场掠夺）对企业感知风险的影响。研究发现：创新遏制、资源囤积与市场掠夺均显著加剧了企业感知风险，其中创新遏制的正向效应最为突出；产业链内卷式竞争行为对企业风险感知的影响具有异质性。研究说明内卷式竞争通过遏制、囤积、掠夺的三重机制放大了产业链感知风险，为企业破解低效竞争格局、优化政策设计提供了经验证据与解题思路。

摘要： [目的]构建和比较多种基于机器学习方法的甲状腺乳头状癌（papillary thyroid carcinoma,PTC）颈部淋巴结转移（neck lymph node metastasis,NLNM）预测模型，评估性能最优的模型并提高模型的可解释性。[方法]回顾性分析2021年1月至2023年9月在广西科技大学第二附属医院接受甲状腺切除手术的903例PTC患者的临床资料。患者随机分为训练集（70%）和验证集（30%），将性别、年龄、肿瘤最大直径、病灶数量及是否存在被膜侵犯等13项临床病理特征变量纳入逻辑回归、梯度提升机、随机森林、决策树、支持向量机和轻量级梯度提升机（Light Gradient Boosting Machine,Light GBM）等10种机器学习算法，对NLNM的风险构建预测模型。通过受试者工作特征曲线下面积（area under the curve,AUC）、灵敏度、特异度、准确率和F1得分等指标比较各模型性能。并通过决策曲线、基于沙普利加和解释（SHapley Additive exPlanation,SHAP）法等可视化方法，对最优模型的效果和可解释性进行分析。[结果]在10种机器学习模型中，Light GBM的预测效果最佳，AUC为0.853(95%CI:0.793～0.837)，准确率为0.771,F1得分为0.764，灵敏度为0.743，特异度为0.799。在决策曲线分析中，Light GBM模型显示出良好的稳定性。基于SHAP方法可视化Light GBM模型，结果显示，肿瘤最大径、甲状腺球蛋白、癌胚抗原和年龄是影响PTC患者颈部淋巴结转移风险预测的最显著因素。[结论]基于SHAP值可解释Light GBM模型对PTC患者NLNM具有最佳的预测价值。

关键词： 机器学习   电子哈密顿量   神经网络   量子化学计算  

摘要： 电子哈密顿量的机器学习为高效的量子化学计算提供了新途径,近年来得到了快速的发展.本文系统总结了机器学习哈密顿量的理论框架与技术路线,重点分析核岭回归、前馈神经网络和图神经网络等相关方法的特点及其适用场景.特别地,基于对称性约束的等变图神经网络显著提升了哈密顿量预测的物理一致性,而高质量的公共数据库和差值学习策略有效缓解了高精度数据稀缺问题.然而,强关联体系的可解释性建模、复杂对称性的精确保持和大体系的高效预测仍然是当前亟待突破的挑战.本文围绕网络架构、特征构造、数据集构建和损失函数设计展开详细讨论,为未来机器学习在电子哈密顿量研究中的进一步发展提供新的思考和展望.

关键词： VTE   神经外科   机器学习   Caprini量表   Boruta  

摘要： 目的 构建基于机器学习算法的神经外科静脉血栓栓塞症(venous thromboembolism, VTE)风险预测模型。方法 采用过采样技术对数据进行平衡,应用Boruta算法进行关键特征变量筛选,然后利用AdaBoost、GBDT、LightGBM、SVM四种机器学习方法构建预测模型,并利用准确率、精确度、召回率、F1分数进行模型性能评估,综合对比四个模型的性能,选取最佳模型,并进行模型变量重要性分析。结果 Boruta方法最终将C1(年龄)、C3(体质指数(BMI>25 kg/m^(2)))、C7(下肢肿胀)、C8(卧床的内科患者)、C10(严重肺病,包括肺炎(<1个月))、C16(其他危险因素)、C18(大型开放手术(>45 min))、C20(限制卧床(≥72 h))、C21(恶性肿瘤(现患或既往))、C31(DVT/PTE史)、C33(脑卒中(<1月))、C35(多发性创伤(<1个月))确定为关键特征变量。利用AdaBoost、GBDT、LightGBM、SVM四种机器学习方法构建预测模型,GBDT是表现最佳的模型,准确率是0.967,精确度是0.967,召回率0.954,F1分数是0.954。年龄、下肢肿胀、卧床的内科患者、体质指数(BMI>25 kg/m^(2))、大型开放手术(>45 min)是神经外科VTE最重要的风险因素。结论 基于机器学习和Caprini评估量表构建的风险预测模型具有较高的模型性能,能够有效缩减评估指标,提升VTE评估的准确性和效率。

关键词： 样本不均衡   BlSMOTE   随机森林   模型融合   深度学习  

摘要： 针对分类样本不均衡问题,提出一种基于BlSMOTE-RF的模型融合方法。首先,利用BlSMOTE平衡数据集;然后,基于随机森林对特征重要性进行排序与特征选择;最后,采用多项式拟合方法融合LSTM、逻辑回归、LASSO、随机森林和岭回归五种模型的预测结果,并在新的测试集上检验。实验结果表明,该方法在准确率、精准率、召回率和F1分数上均优于单一模型。

关键词： 机器学习   预后分类预测模型   随机森林模型   模型评估  

摘要： 随着医疗信息化的发展,机器学习在医学辅助诊断中的应用对临床治疗的决策起到越来越重要的作用。鼻咽癌预后模型研究通过挖掘和分析患者的预后随访报告,通过文本信息抽取,数据去噪、去重、纠偏等预处理手段,整理出了鼻咽癌患者的各项指标数据。选择了其中的高线性相关指标并采用主成分分析方法进行降维与变换处理,作为鼻咽癌预后模型的特征。通过随机森林模型建立鼻咽癌预后分类预测模型,并进行评价,该模型的F1得分为91.1%。实验结果表明,该模型具有高分类性能和高效率优势。

关键词： 崩塌   滑坡   信息量(IVM)模型   随机森林(RF)模型   危险性评价   机器学习   延安市志丹县  

摘要： 为了给延安市志丹县防灾减灾和风险管控提供数据支持,给相似地区危险性评价提供参考依据,补充在崩塌和滑坡灾害危险性评价中未考虑累积降雨方面的影响,在10,20,50和100 a一遇4种不同降雨工况下对研究区进行了危险性评价。以栅格单元作为评价单元,结合灾害特征及区域孕灾背景,通过皮尔逊相关系数法,选取高程、坡度、坡向、曲率、岩土体类型、距河流距离、距道路距离、归一化植被指数8个评价因子,采用信息量模型进行了易发性评价并分析了致灾因子与灾害分布关联性。利用计算机语言,自动处理前期因子数据的分析、转化、管理和出图等流程,改进了信息量(IVM)-随机森林(RF)耦合模型,实现了模型的自动循环迭代对比选择,通过ROC(受试者工作特征曲线,receiver operating characteristic curve)曲线对比了2种易发性模型精度。在耦合模型评价结果的基础上进行危险性评价,用皮尔逊Ⅲ型曲线估算研究区10,20,50和100 a一遇4种不同工况下降雨量,并进行危险性分区。对于易发性分区结果,信息量-随机森林耦合模型评价结果的AUC值(ROC曲线下面积)为0.87,优于IVM模型的评价结果;对于危险性分区结果,从10 a一遇到100 a一遇降雨工况的高和极高危险区面积都逐级增加。研究表明,改进的耦合模型评价方法不仅简化了操作还提高了精度,耦合模型确实拥有更好的评价精度和预测能力。