关键词： 支持向量机   神经网络   智能算法   灰色理论   空气质量预测   偏最小二乘法  

摘要： 空气污染是指人类在自然环境中进行生产生活,由于一些不恰当的行为而将某些污染物排入大气中,当物质浓度达到一定数值后对人体健康和自然环境造成危害的一种现象。大气环境复杂多变且具有动态的不确定特性,引发空气污染的相关因素有很多,比如PM2.5、SO2和O3等超过一定浓度的空气污染物,还有降水、风向、湿度等因素,这些因素都跟未来一段时间之内的空气质量存在着较强的非线性关系。因此较为准确的空气质量预报能够帮助人们采取有效措施,合理安排出行计划,有助于大气污染防控和城市环境规划建设,减少不必要的损失,对人们的生产生活有着重要的指导意义。近年来,人工智能不断有新的进展和突破,机器学习发挥了非常重要的作用。当下,全社会各个领域中的科研人员都在利用机器学习解决疑难问题,使得机器学习成为了炙手可热的处理手段。本文利用智能优化算法和机器学习中的支持向量机与神经网络对太原市2014年至2017年间的空气污染物监测数据进行研究,主要研究内容如下:（1）将模拟退火算法（SA）与粒子群算法（PSO）相结合并对其进行改进,优化支持向量机（SVM）完成参数寻优,并运用偏最小二乘法（PLS）分析各污染物因子间的相互作用,提出一种新的空气质量评价模型。实验结果表明,改进的SAPSO-SVM与PSO-SVM和SVM相比,该模型运行时间短、等级分类精度高,具有良好的评价性能。（2）分别将改进的粒子群算法（IPSO）和遗传算法（GA）与支持向量机（SVM）相结合,通过参数寻优构建新模型完成对空气质量指数（AQI）的预测。实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM。（3）运用果蝇优化算法（FOA）优化灰色神经网络（GMNN）,对网络参数进行寻优并预测太原市未来的空气质量状况。实验结果表明,FOA-GMNN在预测精度、误差率和可靠性方面均优于GMNN,显示了该算法的良好性能。本文提出的三个预测模型:改进的SAPSO-SVM,GA-SVM和FOA-GMNN,用于空气质量的分类和预测,为空气质量评价提供了新思路,为大气污染防治提供了科学合理的理论依据和新的预测方法。

关键词： 选择性剪接   外显子跳跃事件   基因序列信息   RNA-Seq数据  

摘要： 基因选择性剪接是一个复杂多变的过程,它将移除内含子序列并重组外显子序列以产生成熟的mRNA(Messenger Ribonucleic Acid)。基因选择性剪接使得一个基因可以编译多个RNA(Ribonucleic Acid),而每个RNA又可以控制多个对应蛋白质的合成和功能的表达,因此出现了有限基因和近乎无限蛋白质的现象,基因的这种特性造就了地球上生物的多样性。然而基因选择性剪接的一些非正常的组合排列很可能诱发各种用常规手段难以治愈的致命遗传疾病,为人类生存带来巨大的灾难。因此对它的继续深入分析研究是必要的。基因选择性剪接通常可划分为5种不同类型,其中外显子跳跃(exonskippin&,ES)事件是最大的一类选择性剪接事件,约占所有类型的40%以上,这使得它的分析预测和研究成为选择性剪接的重点。经过多年的分析研究,至今为止已经提出了数量众多的分析预测外显子跳跃事件方法,通常可以将它们划分为传统生物实验方法和生物计算方法两大类,然而传统生物实验方法通常有耗时、耗力、昂贵且有限覆盖等局限,不太适合用于大规模分析,所以使用生物计算方法分析预测外显子跳跃事件越来越受到欢迎,并且其取得成绩也越来越受人信赖。通过对以往预测外显子跳跃事件方法的研究学习,我们发现了它们中存在的一些局限,即RNA-Seq(RNASequencing)数据和基因序列信息的不完整性,这可能会给外显子跳跃事件预测带来不可预期的风险。为了克服这些局限,本文则基于RNA-Seq数据、基因序列信息以及旋转森林提出一种预测外显子跳跃事件的新颖生物计算方法。在该方法中,本文重在发挥两种数据各自优势,抽取能够描述外显子跳跃事件的特征,进而对外显子跳跃事件进行分析预测。首先,我们构造一个新的名为 RS(the RNA-Seq features and sequence features)的特征集,它是由从RNA-Seq数据中抽取的RNA-Seq特征和由基因序列信息里抽取的序列特征组成。然后基于RS特征集,结合旋转森林算法(RotationForests,RotaF),我们提出一个新的名为 RotaF-RSES(a Rotation Forests classifier predicts ES event with RS features)的外显子跳跃事件预测方法。为了验证RotaF-RSES方法的有效性,实验中采用两种人类组织RNA-Seq数据(人脑和人类肌肉)和对应的基因序列信息,结果表明RotaF-RSES方法能在一定程度上克服两种数据的局限性,并提升最终的预测准确度,能够为预测外显子跳跃事件的研究提供有益的帮助。

摘要： Soft biometrics, biomedical sciences, and many other fields of study pay particular attention to the study of the geometric description of the human body, and its variations. Although multiple contributions, the interest is particularly high given the non-rigid nature of the human body, capable of assuming different poses, and numerous shapes due to variable body composition. Unfortunately, a well-known costly requirement in data-driven machine learning, and particularly in the human-based analysis, is the availability of data, in the form of geometric information (body measurements) with related vision information (natural images, 3D mesh, etc.). We introduce a computer graphics framework able to generate thousands of synthetic human body meshes, representing a population of individuals with stratified information: gender, Body Fat Percentage (BFP), anthropometric measurements, and pose. This contribution permits an extensive analysis of different bodies in different poses, avoiding the demanding, and expensive acquisition process. We design a virtual environment able to take advantage of the generated bodies, to infer the body surface area (BSA) from a single view. The framework permits to simulate the acquisition process of newly introduced RGB-D devices disentangling different noise components (sensor noise, optical distortion, body part occlusions). Common geometric descriptors in soft biometric, as well as in biomedical sciences, are based on body measurements. Unfortunately, as we prove, these descriptors are not pose invariant, constraining the usability in controlled scenarios. We introduce a differential geometry approach assuming body pose variations as isometric transformations of the body surface, and body composition changes covariant to the body surface area. This setting permits the use of the Laplace-Beltrami operator on the 2D body manifold, describing the body with a compact, efficient, and pose invariant representation. We design a neural network

关键词： M矮星   光谱特征   演化规律   哈希学习   多层神经网络   运动学性质   磁活动  

摘要： M矮星作为低光度、低温度的小质量恒星，在赫罗图上位于主序带的最下端。M矮星作为银河系的主要成员，它们通常具有漫长而稳定的生命周期，其演化过程保存了丰富的物理信息，对于探究银河系结构和演化来说，是一笔宝贵的财富。随着LAMOST一期巡天已于2017年6月圆满完成，共发布光谱901万，确定534万组恒星光谱大气物理参数。LAMOST发布的光谱数是世界上其它巡天项目发布恒星光谱数总和的1.8倍，当之无愧成为目前光谱获取率最高的天文望远镜。LAMOST DR5中包括了众多的M矮星光谱，允许对M矮星大样本进行细致的分析和研究，这对了解邻近的局部银河系结构乃至整个银河系都具有十分重要的意义。　　天文观测技术大发展和大型巡天项目的实施带来了天文观测数据的激增。数据的极大丰富给天文学研究带来了全新的科学机遇，同时也带来了前所未有的挑战。面对爆炸式增长的天文数据，天文学正在与信息技术紧密结合，成为一项由数据驱动的科研活动。　　本论文就是在LAMOST巡天的海量数据基础上，完成了两部分相对独立的工作。第一部分工作通过分析LAMOST中的M矮星光谱，研究M矮星性质;第二部分工作是利用哈希学习的方法在LAMOST“unknown”数据中搜寻M型星光谱。本文工作具体包括以下四部分内容:　　1、M矮星基本物理特性和光谱、测光特征研究。　　这部分工作从M型星及其光谱特征的总结开始，进一步探究M矮星的特征及演化规律。同时围绕金属丰度、活动性和耀发、年龄和质量、运动学及地外行星宜居带搜寻等热点问题展开讨论。　　2、LAMOST DR5中M矮星大样本光谱研究。　　首先结合近红外测光信息和光谱特征，排除LAMOST DR5中可能的M巨星，对得到的M矮星大样本光谱数据进行基本参数测量，包括光谱次型、视向速度、分子带指数、金属丰度敏感度指数、磁活动等。同时，用Python语言改写IDL版本的Hammer程序，验证分子带指数计算的有效性。在发布M矮星参数星表的同时，对分子带指数、磁活动性、金属丰度做统计分析，进一步研究M矮星相关性质。　　3、基于伪逆的多层神经网络在LAMOST光谱中的应用。　　用基于伪逆的哈希学习方法在LAMOST未分类数据中搜寻M型星光谱。建立了一个基于伪逆学习的多层神经网络，将输入光谱数据进行自动特征提取和哈希编码，将得到的指纹信息用在近似近邻搜索中，通过计算比较汉明距离得到相似样本。该方法与传统的基于梯度下降的深度模型相比，只使用基本的矩阵运算直接计算优化目标的解析解，不需要迭代优化过程，效率得到很大提升，这对于海量数据来说是很有效的。通过使用这种新方法，在642，178条“unknown”光谱中发现11，441条M型星光谱。　　4、结合Gaia数据探究M型星光度型分类和M矮星运动学及磁活动性质。　　2018年4月25日，欧空局盖亚(Gaia)空间天体测量卫星项目发布了第二批科学数据(Gaia DR2)。综合这些天体的三维位置、三维运动和测光信息将使天文学开启新篇章。利用前两部分工作中得到的大样本M型星数据，结合Gaia精确的自行和视差信息，进行M矮星的运动学和磁活动性质的研究。同时，发现两种分别基于光谱特征和近红外测光的标准，可以用来进行M型星光度型划分，并且验证了这两种方法的有效性。

关键词： 嵌合基因   基因组编辑   大数据中心   小鼠模型   细胞重编程   遗传学   机器学习方法   其木格   储明星   人类疾病   遗传育种   分子机制   RNA   研究进展  

摘要： Nowadays, people show more and more enthusiasm for applying machine learning methods to finance domain. Many scholars and investors are trying to discover the mystery behind the stock market by applying deep learning. This thesis compares four machine learning methods: long short-term memory (LSTM), gated recurrent units (GRU), support vector machine (SVM), and eXtreme gradient boosting (XGBoost) to test which one performs the best in predicting the stock trend. I chose stock price indicators from 20 well-known public companies and calculated their related technical indicators as inputs, which are the Relative Strength Index, the Average Directional Movement Index, and the Parabolic Stop and Reverse. Experimental results show that recurrent neural network outperforms in time-series related prediction. Especially for gated recurrent units, its accuracy rate is around 5% higher than support vector machine and eXtreme gradient boosting.

关键词： Classification   Fairness   Healthcare   Machine Learning   Computer science   Computer science and systems  

摘要： Machine learning plays an increasingly important role in our lives, tackling both prevalent and specialized but high-risk problems. Motivated by legislation, responsibility to ensure transparency and accountability of machine learning methods and needs to maintain public's trust on the algorithms used in our lives, researchers have paid much attention to the fairness issue in machine learning. There are many methods developed to measure, reduce and even eliminate the fairness issue for both general and specific settings or algorithms. In this project, we focus on fairness in classification machine learning problems in healthcare which is one critical field of the application of machine learning. We found a general way to detect the fairness issue in the performance of machine learning methods and found the general solutions to address the issue in all the dimensions of data, method and metrics. We also introduced fairness threshold to help reduce the fairness issue without retraining the model and performance boundary to help analyze the effect of the methods we tried.

关键词： 债务融资工具   信用风险   违约预测   数据分类   集成学习  

摘要： 债券市场是金融市场的重要支撑，它的发展状况体现了一个国家经济与金融市场发展的成熟程度。债券市场在社会经济中如此重要，主要是因为它具备投资融资、资源配置、宏观调控和防范金融风险等功能。而非金融企业债务融资工具(简称债务融资工具)市场作为债券市场的重要组成部分，经过近些年来的发展，在市场规模、管理体制与投资者结构等方面取得了显著的进步，但在“供给侧”结构性改革的大背景下，“去杠杆”成为金融市场的重要议题，债务融资工具相比其他债券品种违约率更高且存量余额偿还期集中在2018-2021年，再加上发行成本增加与市场流动性偏紧等因素，债务融资工具的信用风险预期将有一定程度抬升。违约预测这一课题在债券领域的相关研究较少，且多数研究未考虑数据不平衡问题，研究结果往往是一风险范围，如将预测的风险高低通过信用评级来展示，不利于投资者作出准确判断，因此如何对债务融资工具进行违约预测具有理论意义和实践价值。　　本文将在非平衡数据的基础上建立债务融资工具违约预测模型，因此预测的目标是判定给定的样本在未来是否发生违约，违约的定义是债券发行主体未能支付或延迟支付利息以及本金的行为。预测变量除了债券发行基本要素指标、债券发行主体在违约前的财务比率指标外，还加入了以往研究未考虑到的发行主体所在地政府财政比率指标，主要包括城投债占GDP比率、政府支出覆盖率和城投债覆盖率;对于被预测变量，债务融资工具与其他金融产品违约情况相似，违约样本在整个样本中所占比例较低，本文所取得的3117笔债务融资工具数据中，违约样本笔数为79笔，数据不平衡比率约为38比1，为解决数据不平衡问题使用了代价敏感成本加成学习技术与集成学习技术，并在集成学习技术中添加了不对称的Bagging方式，在此框架下，使用CART与支持向量机作为基础算法构建模型，并将特征工程和参数调整融入到模型构建过程中。　　通过对构建的模型进行实证分析，并与偏最小二乘判别分析进行对比，发现集成学习技术下的Boost类模型预测与代价敏感成本加成技术下的CS-CART模型效果较好。Boost类模型均取得较好的预测效果，它们的敏感度值均大于0.9300，即对观测为违约的样本判断错误的数量均小于等于1个(共15个);CS-CART模型对观测为违约的样本判断错误的数量为1个(共15个)，敏感度值为0.9333。而AdaBoost模型的敏感度值更达到了1.0000，即对观测为违约的样本预测未出现错误，因此本文认为集成学习技术下的AdaBoost模型有不错的分类和预测精度，RUSBoost与CS-CART模型可作为辅助预测模型与AdaBoost模型一起运用于实务中。最后，加入了偏最小二乘判别分析模型，其对预测变量重要性的判断与集成学习中的Bagging-CART模型有重合部分，因此本文认为在对债务融资工具的违约预测中，反映偿债能力、盈利能力与地方财政状况的预测变量贡献最大。

摘要： This thesis is to meet the needs of developing automation process on defective testing in the hard disk drives production process, focusing on machine learning and articial intelligence. The objective is to to predict the defectives and improve the accuracy rate by using the tree based algorithm and neural networks. The powerful models can help manufacturing process improving time and labor efficiency.

关键词： 膜蛋白类型预测   特征融合   降维算法   Stacking集成学习  

摘要： 膜蛋白作为蛋白质功能的体现者和承担者,在蛋白质组学研究中占有重要地位。研究表明,某些疾病的产生与膜蛋白功能及结构的改变有很大关系,因此,针对膜蛋白类型进行精确的分类预测成为一项重要的研究课题。面对海量膜蛋白序列数据,采用机器学习分类的方法,不仅节约时间、精力,而且能够提高序列数据的利用率。在复杂的蛋白质序列信息中,使用膜蛋白的物理化学性质,序列相关性以及序列进化信息,提取有效的特征,是本文处理序列特征的主要方法。本文提出了一种膜蛋白序列特征融合的表达方法并针对高维特征进行维度约减处理,最后使用多种分类器,引入集成分类思想开展实验对比,我们取得了前沿的成果,实验结果也充分表明融合表达方法的有效性。本文工作具体如下:(1)通过对膜蛋白的序列信息的分析,提出了融合四种特征抽取方法:伪氨基酸组成(40维)、二肽组成(400维)、氨基酸的属性组(13维)和位置特异性分数矩阵(400维)的方法,将原始的膜蛋白序列转化为一个853维度的特征向量。该特征中包含了丰富的序列特征信息,为后续建立可靠的预测模型奠定了良好的基础。(2)膜蛋白特征融合方法也同时带来了信息冗余和维度灾难的问题。因此,本文使用两种降维算法:主成分分析(PCA)与线性判别分析(LDA)。实验表明,经过降维处理后的融合表达方法不仅能够提高运算效率,分类性能也得到了改善。(3)为了进一步提高膜蛋白分类预测性能,本文引入集成学习中的Stacking集成学习框架。框架中的基分类器包括K近邻(KNN)、支持向量机(SVM)、神经网络(NN)和随机森林(RF),元分类器采用多元逻辑斯蒂回归算法(MLR)。实验表明,该方案能够获得更好的预测准确率。