关键词： 云计算   机器学习   计算流动动力学   气流组织温度场  

摘要： 从局部离散流场数据点重构全局流场信息对数据中心机房的节能节碳具备重要的研究意义。基于局部散点对数据中心进行气流组织温度场快速重构,可有效降低数据中心总能耗。主要通过发展一种基于多特征输入的三维U形神经网络架构(U-net),利用布设在数据中心机房的温度传感器数据值进行气流组织温度场重构。并研究了在不同学习率与数据集大小的设置下,该机器学习模型的训练预测能力。对比结果表明:不同学习率对于模型训练的结果有较大影响,应通过预实验选取最佳学习率。在同等条件下,应优先选取较大的数据集进行训练,便于提取高维物理特征。

关键词： 矩阵正态分布   低秩分解   判别分析   分类预测  

摘要： 文章在矩阵正态分布下研究矩阵数据的参数估计及其分类方法。首先,基于低秩分解和矩阵正态分布的惩罚似然函数方法提出矩阵数据的参数估计和秩的自适应确定方法;其次,应用块坐标下降方法与增广拉格朗日乘子算法给出有效的迭代估计算法;然后,基于判别分析方法提出低秩分解下的分类预测规则;最后,通过大量数值模拟及卫星陆地资源数据和手写体数字的识别应用,验证了低秩估计方法对提高矩阵数据的估计和分类预测精度具有明显的效果。

关键词： 机器学习   生物医学数据   医学数据挖掘   分类器   教学实践   操作流程   具体案例  

摘要： 本文首先介绍了机器学习常用的一般操作流程、Weka软件以及生物医学数据处理的重要性。然后,阐述了如何使用Weka进行生物医学数据分析和构建机器学习模型,并提供了以糖尿病为例的具体案例来说明这些方法的应用。本文介绍的教学实践方法有助于学生直观地理解机器学习中各个重要步骤,并方便比较不同分类器效果,具备良好的教学潜力。

关键词： 表面增强拉曼散射   机器学习   生物医学  

摘要： 近年来,运用表面增强拉曼光谱(SERS)技术对生物样本检测的研究发展十分火热,尤其是结合机器学习方法的SERS技术在临床样本诊断方面的运用日趋成熟。机器学习方法是基于无监督和有监督的算法,可以解决复杂的样本和大量、高维的数据信息,在生物分析领域受到高度关注。本文介绍了SERS技术结合机器学习方法的相关应用,尤其是在生物医学领域。SERS既可以使用免标记的策略检测生物样本的指纹信息,又可以使用标记方法跟踪蛋白质等生物标志物实现间接检测。本文总结了SERS技术结合机器学习方法用于血液、尿液、组织等临床样本进行疾病诊断的最新进展。此外,本文还汇总了细胞样本及其他复杂样本SERS分析中机器学习方法运用的实例。该文综述了这一领域的最新进展,为从事SERS生物分析领域的研究人员提供可借鉴的方案。

关键词： 机器学习   翻译风格   平行语料库   《德伯家的苔丝》  

摘要： 研究使用机器学习中的分类和聚类方法,基于自建平行语料库,考察哈代名作《德伯家的苔丝》中文三译本的翻译风格。从68个全部特征中筛选出15个显著特征,并结合实例进行量性融合的阐释和总结。结果表明,显著特征能够有效区分三译本风格差异,分类、聚类实验的平均准确率均达到97%左右,提示出各译本在词汇、句法、语篇上的不同风格特征和译者的个人偏好。研究在为既往质性研究提供数据支持和细粒度分析的同时,也提出了一些纠正性结论,如张谷若译本词汇密度更大、被字句比例极少、成语比例差别不大等,并为翻译风格和译者风格研究方法提供了一定改进和补充。

关键词： 机器学习   植物基因组预测   蛋白质相互作用   分子位点预测   功能注释   作物育种  

摘要： 随着高通量测序技术的飞速发展,植物基因组学研究目前已经积累了海量多组学数据。因此如何开发和改进相关处理软件工具,从而有效利用这些海量数据发掘有用的生物学信息,成为当下亟需解决的重要科学问题。其中机器学习方法凭借其显著的预测、分类、数据挖掘和集成能力,在此领域受到广泛关注。本文系统综述了不同类型机器学习方法的基本原理和流程,以及这些方法在植物基因组功能预测中的研究进展,重点总结了机器学习模型在植物分子相互作用预测、重要功能位点预测、功能注释、作物育种等方面的应用成果,并展望了该领域未来的发展方向和应用前景。本文有助于植物研究者快速了解和应用机器学习方法,从而推进植物遗传相关机制的研究和作物性状改良。

关键词： 创伤   机器学习   检伤分类   预测模型   急救医学  

摘要： 背景创伤现场批量伤员的检伤分类是现场急救中的关键环节,探索如何更加高效准确地对伤员进行检伤分类具有重要意义。目的基于生命体征数据和机器学习算法建立并验证创伤伤员检伤分类预测模型。方法回顾性分析美国创伤数据库2017—2019年的院前急救创伤伤员数据,采用支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、梯度提升决策树(gradient boosting decision tree,GBDT)、极端梯度提升(eXtreme gradient boosting,XGBoost)和多层感知机(multi-layer perceptron,MLP)5种机器学习算法开发创伤伤员检伤分类预测模型并验证。采用准确率、精准度、召回率、F1值和AUC值(ROC曲线下面积)进行结果评价,使用ROC曲线进行可视化,并在解放军总医院第一医学中心急诊创伤数据集中对最优模型结果进行验证。结果共选取伤员数据24948例,基于ISS分级标准分为轻伤9496例,中等伤9532例,重伤5496例,危重伤424例。ROC曲线分析显示,相较于其他四种模型,GBDT算法预测上述ISS分级的效能最好,准确率为82.63%,精确度为68.21%,召回率为60.92%,F1值为61.91%,AUC为90.38%。在解放军总医院第一医学中心急诊创伤数据集中验证GBDT模型,准确率为83.15%,精确度为77.38%,召回率为59.89%,F1值为55.26%,AUC为90.38%。结论本研究成功开发并验证了一组检伤分类机器学习预测模型,未来可应用于创伤伤员现场检伤分类辅助决策。

关键词： 流体力学相互作用   机器学习   深度神经网络  

摘要： 对于研究高分子溶液的动力学行为来说,计算分子动力学(MD)采用的隐式溶剂模型中的流体动力学相互作用(HI)是极其重要的。对于计算HI来说,Cholesky方法是最常用到的分解扩散张量的方法。然而,当体系包含粒子的数目较大时,该方法所需的计算量往往大到难以承受。因此,开发计算HI的高效率技术非常必要。近来,机器学习,特别是深度神经网络(DNN),已经在计算多体相互作用方面得到了显著提升。该技术可以显著减少MD模拟所需的计算时间,因此受到了越来越多的关注。在本项研究中,通过应用机器学习方法,我们发展了一种用于加速计算HI的DNN模型,其相互作用训练集通过针对高分子和溶剂的MD模拟来获取。该DNN模型则通过Deepmd-kit软件包来训练。我们选取表现最好的模型,用以取代对扩散张量的分解。计算得到的高分子链的回转半径和扩散系数用来验证模型的精确度。测试结果表明,相较于显式溶剂模型,我们的DNN模型在计算单链的回转半径和扩散系数方面具有优秀的计算精度。此外,该方法还具有两个显著优势。首先,设计训练集只需要特定链长的一条链,其结果却可以应用于其他链长却不影响计算精度。这就大大降低了训练需求。其次,运行时间与链长线性相关,这就使得计算HI的计算成本也大幅缩减。总之,我们开发的方法提供了一种针对长期悬而未决的计算高分子溶液中的HI的成本过于高昂的解决思路。

关键词： 初中英语   核心素养   机器学习   教育评估  

摘要： 在初中英语教育中,学生核心素养的培养至关重要。机器学习方法能够辅助初中英语教育评估反馈的框架,实现对学生核心素养发展水平的预测。文章研究了机器学习技术在初中英语教育评估中的应用,重点讨论其预测学生核心素养的潜力。通过分析,展望机器学习方法在初中英语教育中的作用,并总结了未来的研究趋势。

关键词： 滑坡监测   卷积神经网络   逻辑回归   支持向量机   贝叶斯优化  

摘要： 现有使用机器学习进行滑坡监测方法存在滑坡易发性特征选择超参数多为连续变量,数值约束松散的问题。为解决此问题,提出一种结合CNN-LR-SVM的滑坡易发性监测方法。使用CNN提取滑坡易发性特征值,捕获输入数据中的上下文信息,消除繁琐的传统特征选择过程,提升特征选择准确率。将提取到的特征值与LR、SVM分类器结合。之后,使用贝叶斯优化方法寻找CNN、LR和SVM超参数,考虑历史信息,优化下一步超参数设置方法,解决超参数优化数值约束问题。经实验验证,本方法在选择不同优化算法与激活函数时相比传统单一机器学习模型(以CNN与SVM为例)均有良好性能表现。