关键词： MAGNETIC bearings   BEARINGS (Machinery)   MAGNETIC devices   MACHINE learning   GAS cooled reactors   NUCLEAR reactors  

摘要： Magnetic bearings are widely applied in High Temperature Gas-cooled Reactor (HTGR) and auxiliary bearings are important backup and safety components in AMB systems. The performance of auxiliary bearings significantly affects the reliability, safety, and serviceability of the AMB system, the rotating equipment, and the whole reactor. Research on the dynamic behavior during the touchdown process is crucial for analyzing the severity of the touchdown. In this paper, a data-based dynamic analysis method of the touchdown process is proposed. The dynamic model of the touchdown process is firstly established. In this model, some specific mechanical parameters are regarded as functions of deformation of auxiliary bearing and velocity of rotor firstly;furthermore, a machine learning method is utilized to model these function relationships. Based on the dynamic model and the Kalman filtering technique, the proposed method can offer estimation of the rotor motion state from noisy observations. In addition, the estimation precision is significantly improved compared with the method without learning. The proposed method is validated by the experimental data from touchdown experiments.

关键词： 高光谱遥感影像   异常探测   鲁棒性背景分布估计   核机器学习   迭代回归   密度估计   鲁棒性背景特征学习   慢特征分析   流形学习   稀疏学习  

摘要： 高光谱遥感影像数据分析技术已成为遥感科学领域的重要研究方向之一,高光谱遥感影像通过20世纪80年代兴起的成像光谱仪技术,可获取地球表面地物丰富且具有地物判别性的光谱信息,为识别探测地物目标提供了有力的判别依据。以非监督形式进行的高光谱遥感影像异常目标探测技术,在无需先验地物光谱的情况下,可通过对高光谱遥感影像数据内在结构分析的形式探测具有独特地物特性的地物目标,该应用对稀有矿物探测、国防侦查、农业监测等实际应用领域具有重要的研究意义和价值。高光谱遥感影像异常探测中,对背景地物(非异常目标地物)的抑制通常是探测识别异常目标最重要的环节,国内外对高光谱遥感影像异常探测的研究也主要着重于此。然而,如何有效地抑制高光谱遥感影像异常探测中的背景地物仍面临许多难题:1)首先,高光谱遥感影像的背景数据分布在其数据空间中较为复杂,简易的背景数据分布估计方式较难实现对背景与异常目标的分离,同时,现有的方法中在背景分布估计的环节上常将异常目标信息加入到估计过程中,从而导致背景分布估计结果不准确;2)其次,高光谱遥感影像普遍存在光谱相似性与非线性光谱混合现象,光谱相似性现象使高光谱遥感影像中的异常目标与某些背景地物类型在一些波段范围内有相似的光谱特征,同时非线性光谱混合现象使高光谱遥感影像产生复杂的背景特征,这两种现象均对有效地学习高光谱遥感影像中的背景特征带来了挑战;3)再者,高光谱遥感影像数据冗余性高的特点会对高光谱遥感影像异常探测中背景地物和异常目标信息之间差异性判断造成影响,背景分布估计或背景特征学习这两种常用的用于抑制高光谱遥感影像背景信息的方式,会因高光谱遥感影像数据冗余性较高特性而在一定程度上形成不准确的背景分布估计或无法学习获得能够表达背景特性的背景特征。为了克服以上问题,准确且充分地挖掘高光谱遥感影像中背景地物信息,本论文结合多种机器学习领域的有效方法,针对异常探测问题,对高光谱遥感影像鲁棒性背景建模进行了深入的探讨。本论文的主要创新点如下:(1)针对高光谱遥感影像的背景数据分布在其数据空间中较为复杂,且背景估计环节会受异常目标信息干扰等问题,本论文提出了两种在高光谱遥感影像异常探测中具有鲁棒性的背景分布估计方法:鲁棒非线性迭代异常探测器和鲁棒性背景回归异常探测器,这两种方法均运用核机器学习方法对高光谱遥感影像数据的非线性特性进行分析,以增强高光谱遥感影像数据背景地物和异常目标的可分性,并分别运用迭代统计和数据回归方式建立鲁棒性背景估计过程。(2)针对高光谱遥感影像普遍存在的光谱相似性与非线性光谱混合现象,对异常探测应用中学习有效的背景特征带来挑战等问题,本论文提出了两种高光谱遥感影像鲁棒背景特征学习异常探测方法。这两种方法分别将两种机器学习方法:慢特征分析方法和流形学习方法,用于高光谱遥感影像背景地物特征学习,以在有效地抑制背景特征的同时,探测突出影像中异常目标。这两种机器学习方法均是采用非线性特征学习的方式寻找能够准确表达背景地物特征的有效特征空间。(3)针对高光谱遥感影像数据冗余性高的特点会使背景分布估计或背景特征学习这两种常用的用于抑制背景信息的方式,在一定程度上可能形成不准确的背景分布估计或无法学习获得能够表达背景特性的背景特征等问题。本论文从数据压缩感知的去冗余角度出发,运用稀疏学习这种机器学习方法获取高光谱遥感影像的去冗余表达,生成可以间接地表达高光谱遥感影像信息的影像稀疏字典,提出一种在稀疏字典中间接地分析高光谱遥感影像背景地物和异常目标的信息含量的方法。同时提出两种适用于高光谱遥感影像异常探测应用的稀疏字典增强操作方法,以增强高光谱遥感影像稀疏字典中背景地物和异常目标信息的差异度。

关键词： 银行卡收单定价   影响因素   层次分析法   机器学习方法  

摘要： 收单业务作为银行卡业务的重要环节,其重要性日益增加。2016年3月18日国家发展改革委、人民银行联合颁布了《关于完善银行卡刷卡手续费定价机制的通知》,完全放开收单市场,收单环节由政府指导定价调整为实行市场调节定价,由收单机构与商户自主协商确定具体费率。政府指导定价不复存在,市场化的收单市场竞争将会愈加激烈,可能会带来市场份额的新一轮洗牌。在这机遇与挑战并存的背景下,收单机构如何发挥自身优势,制定正确的竞争策略、科学合理的定价机制,将成为其竞争力强弱的重要砝码,关乎其市场地位和发展方向。所以,制定科学的收单定价机制,确定并量化影响定价的因素,对于收单机构刻不容缓。基于以上背景,本文以银行卡收单侧定价影响因素为研究对象,力图量化因素影响程度,为收单机构定价提供参考。但收单侧定价是一项复杂的系统工程,涉及多方参与主体的利益关切,关乎银行卡受理环境和金融行业的发展。因此,需要综合成本、需求、竞争等因素,全面地考量、核算银行卡网络中多个价格间的联动关系。然而现有研究文献或是定性分析或是在严格假定条件下的模型推导,缺少对收单定价的全面、定量分析。本文通过梳理文献和咨询专家意见,从五个维度综合考量,共选取了 23个指标,建立了银行卡收单侧定价影响因素指标体系,然后基于实证数据分别运用层次分析法和机器学习方法计算得出各个影响因素的权重并对其重要性进行排序。主要研究内容如下:1.银行卡产业相关背景分析。针对银行卡产业参与主体的多样性和收单定价的复杂性,本文通过介绍银行卡产业基础理论知识,明确了收单机构在银行卡产业链中的地位和收单机构与其他参与主体的密切关系,系统展示了 POS收单交易过程中各个价格的产生和利益的分配情况,为综合多重因素构建定价影响因素指标体系奠定理论基础。通过介绍银行卡收单业务政策背景和收单市场现状,明确了当前收单政策和收单市场特征,为研究收单定价影响因素奠定了现实基础。2.基于层次分析法的银行卡收单侧定价影响因素分析。鉴于银行卡收单行业数据搜集的难度和收单侧定价的复杂程度,本文通过文献梳理和专家咨询建立了银行卡收单侧定价影响因素指标体系,采用层次分析法确定了各个影响因素的权重并对其重要性进行排序。3.基于机器学习方法的验证分析。由于层次分析法计算权重时,是基于专家打分构造的判断矩阵,而专家打分带有较强的主观色彩,于是运用机器学习方法对权重排序进行验证。首先选用四种机器学习的方法对实证数据进行分类,得出训练集和测试集的误判率,并选出最优方法。然后,运用最优方法对自变量按照其对因变量的重要程度进行排序,并与层次分析法得出的结果进行比较验证。经研究得出了三个主要结论。第一,层次分析法得出的银行卡收单侧定价影响因素的权重排序中,一级指标中的卡组织定价对收单侧定价的影响程度最大,其次为收单机构自营成本;二级指标中的交换费和网络转接服务费的组合权重排名第一(均为0.2472),机具总成本、发展客户成本、POS机服务成本的组合权重排名也较靠前。第二,机器学习方法得出的银行卡收单侧定价影响因素的权重排序中,商户的银行卡交易金额对商户借记卡扣率影响最大,其次为商户所属行业。银行卡受理意愿和银行卡交易笔数的影响程度排名也很靠前,但它们影响程度相当于银行卡交易金额影响程度的一半左右。第三,层次分析法和机器学习方法得出的影响因素权重排序结果基本一致。除了人均GDP的排名不同外,其余指标排序都相同。

ISBN: (纸本)9787121323638

关键词： 飞行器维修   分类预测技术   飞机发动机故障预测   神经网络   随机森林  

摘要： 随着计算机技术和互联网技术的更新换代,航空领域的新需求和新技术不断涌现,航空维修也在技术的更新中不断地发展、变革,传统的维修方法已经不能适应发展的需求。为了保证飞行器的持续适航,需要对飞行器进行系统的管理,充分利用现有技术对可能发生的故障进行预测分析。本文根据航空公司的需求设计开发了飞行器维修跟踪系统,并引入分类预测算法到系统中。该系统不仅能够提高机务维修人员的工作效率,还能通过预测飞机发动机故障类型来适时安排维修,从而减少飞机故障率,保证飞机的安全飞行。本文首先分析了飞行器维修跟踪系统和数据分类预测技术的发展现状及应用情况。同时,介绍了数据分类预测方法,提出了基于神经网络算法和随机森林算法的综合评价模型,并对该模型进行了飞机发动机故障预测的仿真实验,实验证明了综合评价模型用于飞机发动机故障预测的可行性。然后,对飞行器维修跟踪系统进行需求分析和设计,系统主要功能包括:1)发动机故障预测:根据飞机发动机典型故障特征参数和分类预测算法对现有数据进行故障的预测,并实现了飞机发动机故障状态可视化图表,为维修人员直观的展示当前发动机故障状态。2)维修预警:根据飞机飞行日志、维修时间间隔、利用率(每月起落次数、每月飞行小时)等各项参数,给出具体的维修策略以及预计维修日期,并对接近或超过预计维修日期的部件进行预警。3)维修方案:定义了所有飞行器维修所需要的规则,不同的机型维修规则的定义有所不同,为了满足不同用户不同机型的需求,用户可根据自己的需求申请相应维修方案的权限。4)机队管理:供用户管理维护飞机的基本信息,并且使不同型号的飞机都能够绑定与之对应的维修方案。最后,在正文中给出实际案例,验证了系统的可行性和有效性。本论文以为航空公司提供便捷机务维修平台为目的,引入机器学习算法到飞机维修的实际应用中,不仅提高了机务人员的工作效率,节约了航空公司的成本,也减少了飞机的故障率,从而保证人身安全。

关键词： Hydrophobicity  

摘要： Membrane proteins are central to carrying out impressive biological functions. In general, accurate knowledge of transmembrane (TM) regions facilitates ab initio folding and functional annotations of membrane proteins. Therefore, large-scale locating of TM regions in membrane proteins by wet experiments is needed;however, it is hampered by practical difficulties. In this context, in silico methods for TM prediction are highly desired. Here, we present a TM region prediction method using machine learning algorithms and sequence evolutionary profiles. Hydrophobic properties were also assessed. Furthermore, a combined method using sequence evolutionary profiles and hydrophobicity measures was tested. The model was intensively trained on large datasets by means of neural network and random forest learning algorithms for TM region prediction. The proposed method can be directly applied to identify membrane proteins from proteome-wide sequences. Benchmark results suggest that our method is an attractive alternative to membrane protein prediction for real-world applications. The web server and stand-alone program of the proposed method are publicly available at http://***/nnme/***.

关键词： 冷胁迫蛋白   机器学习   分类预测   特征提取   数据库  

摘要： 冷胁迫对生物的生长和生活有着极度严重的影响,尤其是对植物来说。对植物的冷胁迫调节机制的研究,对相关的生物技术研究以及提高农作物产量等都有重要意义。当前,对植物冷胁迫蛋白的识别主要依靠人工进行,这种方式费时费力。截止目前,通过前期的资料整理,对整个拟南芥的蛋白数据库进行统计,已发现的与冷胁迫相关的蛋白仅有594条。所以,利用机器学习的方法,通过对已有的数据进行训练和预测,以为生物实验提供数据支持,具有一定的意义和研究价值。在本课题中,仅仅有正例的数据以及拟南芥的全部蛋白质序列,其中在后者中包含很多的未发现的冷胁迫蛋白序列。所以,这里首先考虑了PU Learning方法,从理论上来讲PU Learning是最合适的方法之一。将除正例数据之外的蛋白序列作为未标记的数据。尝试了PUCPI和LibD3C两种当前比较常用的PU Learning算法,但结果仅在50%上下。之后开始采用常用的分类算法进行尝试,将之前的未标记数据作为负例数据处理,并在LibSVM中得到了较好的结果。除了对分类算法的尝试,实验中还尝试了多种特征提取方法,如Pse-One、K-SkipN-Gram、Information Theory等,以及对多种特征提取方法的组合。此时,分类的准确率提高到了80%以上。在最后,一个新的负例集合被构造出来(这样可以有效的降低负例集中包含的未发现的冷胁迫蛋白的数量),并把分类准确率提高到了85%左右,取得了较好的结果。在寻找到了一个较好的冷胁迫蛋白的预测方法后,对现有的数据进行了整理并搭建了冷胁迫蛋白数据库网站。网站采用了Maven、Spring Boot,Mybatis,Mysql、VUE等主流Java Web开发技术,主要使用Java语言进行开发。为使用者提供了对拟南芥冷胁迫蛋白进行序列浏览、全文检索(Lucence)、序列比对(Blast)与分类预测等功能。

关键词： 储层预测   机器学习方法   AVO   井震信息   多信息概率融合法  

摘要： 致密砂岩储层具有低孔低渗、非均质性强的特征,井震数据开展储层预测难度较大,机器学习方法与多信息概率融合技术为致密砂岩储层预测和精细表征提供新的思路和方法,对致密砂岩储层预测具有重要应用价值。以苏里格气田召30区块致密砂岩储层为研究对象,以岩石物理分析和地震正演模拟为指导,从多个角度,采用多种方法逐步实现从定性、半定量、再到定量的储层预测总体思路。首先,实现了致密砂岩储层的地震正演模拟和AVO正演模拟,提供一种定性分析过程。其次,采用频繁项集的地震数据挖掘方法,提取识别砂体和含气性的频繁组合模式,并与地震正演模拟相互印证,提供初步的储层目标;采用半监督模糊C均值方法分析不同参数和不同地震属性组合下的沉积和气层展布特征;基于地震波形和叠前地震属性,采用自组织神经网络方法得到砂体和气层厚度分布规律,提供了有效的定量解释手段。最后,综合机器学习方法得到的多种储层预测信息,建立多信息概率融合法约束下的三维地质模型,得到高精度的储层预测信息。通过上述研究,取得了如下成果:致密砂岩储层的地震正演模拟,结果显示不同厚度、不同含气性储层在地震数据上具有明显的响应特征,AVO类型以III类为主,与叠前地震资料分析结果相符。基于叠前-叠后地震属性,利用频繁项集FP-Growth方法挖掘叠前属性和叠后属性的频繁组合模式,分析结果与AVO正演模拟结果相符,验证了该方法的准确性。基于叠前-叠后不同地震属性组合方案和水平井测井资料,采用半监督模糊C均值方法完成了沉积和气层厚度展布特征的研究,分析结果与钻井数据一致并且优于传统的模糊C均值方法。在归纳的四类地震波反射模式基础上,开展了基于自组织神经网络方法对地震波形和叠前属性的分析,完成了砂体和气层厚度的解释,分析结果与先验地质认识一致。综合多种方法得到的储层信息,建立多信息概率场融合法约束下的三维地质模型,通过交叉验证方法预测砂体厚度误差为3.74m,气层厚度误差为1.34 m。研究表明,机器学习方法在召30区块井震储层预测过程中取得了明显效果,基于多信息概率融合得到的三维地质模型,为钻探部署提供理论依据。

摘要： Sparse machine learning models have become increasingly popular in analyzing high-dimensional data. With the evolving era of Big Data, ultrahigh-dimensional, large-scale data sets are constantly collected in many areas such as genetics, genomics, biomedical imaging, social media analysis, and high-frequency finance. Mining valuable information efficiently from these massive data sets requires not only novel statistical models but also advanced computational techniques. This thesis focuses on the development of scalable sparse machine learning methods to facilitate Big Data analytics. Built upon the feature screening technique, the first part of this thesis proposes a family of hybrid safe-strong rules (HSSR) that incorporate safe screening rules into the sequential strong rule to remove unnecessary computational burden for solving the lasso-type models. We present two instances of HSSR, namely SSR-Dome and SSR-BEDPP, for the standard lasso problem. We further extend SSR-BEDPP to the elastic net and group lasso problems to demonstrate the generalizability of the hybrid screening idea. In the second part, we design and implement an R package called biglasso to extend the lasso model fitting to Big Data in R. Our package biglasso utilizes memory-mapped files to store the massive data on the disk, only reading data into memory when necessary during model fitting, and is thus able to handle data-larger-than-RAM cases seamlessly. Moreover, it's built upon our redesigned algorithm incorporated with the proposed HSSR screening, making it much more memory- and computation-efficient than existing R packages. Extensive numerical experiments with synthetic and real data sets are conducted in both parts to show the effectiveness of the proposed methods. In the third part, we consider a novel statistical model, namely the overlapping group logistic regression model, that allows for selecting important groups of features that are associated with binary outcomes in the setting wher

关键词： MACHINE learning   ARTIFICIAL intelligence   MENTAL arithmetic   COGNITIVE structures   COGNITIVE ability  

摘要： Cancer is the second leading cause of death, next only to heart disease, in both developed as well as developing countries. A major source of difficulty in addressing cancer as a disease is its bewildering variety, in that no two manifestations of cancer are alike, even when they occur in the same site. This makes cancer an ideal candidate for "personalized medicine" (also known as "precision medicine"). At present there are some high-quality public databases consisting of both molecular measurements of tumors, as well as clinical data on the patients. By applying machine learning methods to these databases, it is possible even for non-experimenters to generate plausible hypotheses that are supported by the data, which can then be validated on one or more independent data sets. A characteristic of cancer databases is that the number of measured features is many orders of magnitude larger than the number of samples. Therefore any machine learning algorithms must also perform feature selection, that is, elicit the most relevant or most predictive features from the large number of measured features. In this paper, some algorithms for sparse regression and sparse classification are reviewed, and their applications to endometrial and ovarian cancer are discussed. (C) 2017 Published by Elsevier Ltd.