关键词： Sentinel-2   甘蔗   面积提取   机器学习方法   喀斯特山区   崇左  

摘要： 为了解决在多云雨天气与复杂地形条件下难以快速精准大面积绘制喀斯特山区甘蔗种植区的问题,亟须探究适用于喀斯特山区甘蔗种植区提取的方法。以广西壮族自治区崇左市为研究区域,利用Sentinel-2数据计算多种植被指数,根据Sentinel-2原始波段、光谱指数和纹理信息特征分析,选取地物训练样本,并引入DEM、土地利用等辅助识别特征变量,采用神经网络、随机森林、支持向量机3种机器学习方法,实现2018-2021年甘蔗种植区遥感提取,再利用Google Earth影像和统计数据进行精度评价。结果表明,基于Sentinel-2的甘蔗种植区遥感提取效果较好,崇左市甘蔗种植区总体分类精度均高于91%,κ系数均大于0.88;3种分类方法提取面积误差均值为-4.84%。2018-2021年,崇左市甘蔗种植面积趋于较平稳状态;主要甘蔗种植区以扶绥县、江州区、龙州县及大新县南部和宁明县北部为主。Sentinel-2数据在识别地类复杂多样、农田极其碎片和多云天气频繁等特点的作物信息方面具有较好潜力。

关键词： 机器学习   计量经济学   大数据   因果推断  

摘要： 文章从传统计量经济学的三大作用——经济预测、验证理论、政策评价入手,梳理了机器学习与计量经济学融合发展过程中机器学习在计量经济学中的应用途径。研究发现:机器学习可以更高效地探索变量之间的关系,以做出更精准的预测;在大数据背景下机器学习丰富了经济数据的多样性,通过对大量经济数据进行分析和处理,从而揭示出数据中的潜在模式、关联性和趋势,继而能够检验一些更复杂、更富有挑战性的研究假设;机器学习从识别假设条件、函数形式拟合、“反事实”预测等角度提高了因果处理效应估计的准确性和稳定性,进而更精确地定量评估政策效应,服务国家重大战略需求。

关键词： 血压预测   机器学习   神经网络   综述  

摘要： 对神经网络方法、支持向量机、随机森林算法和贝叶斯学习算法等不同机器学习方法在血压预测中的应用进行综述,旨在加强医护工作者对其的认知,探寻未来该种方法在血压预测领域内的发展前景。

关键词： 身体压力分布   睡枕   人体工程学   机器学习方法  

摘要： 随着人们生活水平的提高,越来越多的人开始关注睡眠质量。因此,文章提出了一种基于神经网络技术的睡枕匹配系统,旨在根据用户个体差异提供有针对性的睡眠问题解决方案,展示了神经网络技术在提高个性化产品匹配效果方面的准确性以及在睡枕匹配领域的具体应用实例,同时还探讨了神经网络技术在其他个性化产品匹配领域的应用潜力,为相关领域的研究与实践提供了新的视角与方法。

关键词： TBM   数据增强扩充   深度学习   参数预测  

摘要： 随着城市化加速和国家交通战略的实施,隧道建设需求急剧增加,而TBM作为高效的隧道掘进设备,其使用频率也在大幅增加,在TBM施工过程中,运行参数的精确预测对提高掘进效率和降低成本至关重要。对于大部分的TBM施工都需要试掘进过程,并根据试掘进过程搜集的数据来调整掘进参数,试掘进过程需要时间和经济成本,因此缩短试掘进过程,减少成本,实现在短时间小数据的情况下实现精确快速的参数设置下的高效掘进是亟待解决的问题,因此本文基于机器学习方法研究了TBM运行参数预测并研究了基于TBM施工数据集的小样本扩充方法,构建了基于生成式对抗网络的新型深度学习模型预测架构。具体工作和成果如下: (1)本文基于吉林引松工程数据,对数据进行了详细的数据处理与分析。通过构建二值判别函数提取了实际施工段数据,利用箱型图法进行数据离群异常值的清洗,采用Z-Score方法进行归一化,同时通过灰色关联度和皮尔逊相关系数法对数据进行相关性分析,两种方法所得的高相关性数据相互印证,最后通过均值滤波降噪法进行数据平滑处理。通过这些方法,确保了数据处理的科学性和准确性,为后续模型的建立和训练提供了高质量的数据基础。 (2)本文在考虑深度学习模型(DNN)能够处理复杂的非线性关系的优势、长短时记忆网络模型(LSTM)可以提取数据中时间特性的优势以及卷积神经网络模型(CNN)则依靠卷积核有效提取数据内部依赖特征的优势的基础上,依次构建了前述三种深度学习模型,并验证对比分析其在TBM运行参数预测中的性能。结果表明在评估验证集上DNN的均方根误差(RMSE)为0.058,平均绝对百分比误差为0.048,决定系数R2为0.919,而LSTM和CNN分别为0.062、0.056、0.936、0.059、0.040、0.991。三种模型在TBM参数预测工作中均表现出优异的性能,其中以卷积神经网络在各项指标上最优。 (3)本文探索了数据增强扩充方法在TBM数据集上的表现,通过构建生成式对抗网络(GAN)实现了对TBM施工数据分布的模拟,从而生成了与原数据极为相似的数据,生成数据评价指标FID达到了0.03,本项研究不仅为TBM运行参数的精确预测提供了新的思路和方法,还为小样本数据环境下的TBM参数预测模型训练提供了有效的数据增强扩充技术支持,具有重要的理论意义和应用价值。 (4)本文通过将预测模型网络层内置于新架构中的数据生成部分,并将生成部分与预测部分直接以串行形式耦合,从而提出了一种基于GAN的TBM参数预测新架构,并通过多项评价指标对新架构在青岛地铁实际施工数据上的预测表现进行评估,GANDNN、GAN-LSTM以及GAN-CNN都取得了不错的表现,这表明新架构的预测性能以及泛化性能都达到了理论上的应用水平。 通过深度学习模型和数据增强扩充技术在TBM参数预测上的应用,本研究有望为TBM掘进效率的提高和成本的降低提供一定的技术支撑。

关键词： 脑电图   早产儿   机器学习   脑成熟度  

摘要： 目的: 基于在早产儿头部不同位置采集的脑电信号,通过机器学习方法建立判别早产儿脑成熟度的预测模型,同时分析影响判读准确性的可能因素。 方法: 前瞻性收集2023年1月至2024年3月于住院期间完成床旁振幅整合脑电图检查的241例早产儿的临床资料,将患儿随机分为训练集和测试集,采集不同位置的头部单导联脑电信号,应用三种机器学习模型(支持向量机、随机森林、决策树)进行脑成熟度判读分析,以人工判读的实际胎龄为金标准,通过计算预测差值、平均绝对误差(mean absolute error,MAE)、根均方误差(root mean square error,RMSE)、相关系数r来评估不同模型的预测准确性。在准确性最佳的机器学习模型下,通过单因素分析评估影响模型判读准确性的因素。 结果: (1)基于支持向量机算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达64.15%,其评估性能为:MAE=0.840,RMSE=1.159,r=0.682;基于随机森林算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达90.09%,其评估性能为:MAE=0.378,RMSE=0.577,r=0.932;基于决策树算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达87.74%;其评估性能为:MAE=0.316,RMSE=0.794,r=0.858。 (2)随机森林模型预测早产儿脑成熟度时,不同出生胎龄分组下的准确性评估:出生胎龄<32周组的MAE=0.561,RMSE=0.783,r=-0.162;出生胎龄32-34周组的MAE=0.448,RMSE=0.750,r=-0.244;出生胎龄>34周组的MAE=0.269,RMSE=0.389,r=-0.068。 (3)将判读预测胎龄的误差在1周之内定义为机器学习模型判读准确,出生胎龄、出生体重、自然分娩比例、脑电图检查时较低的实际胎龄、Ⅱ度及以上颅内出血及脑白质回声增强在判读准确组和判读不准确组存在统计学差异(P<0.05)。 结论: (1)基于随机森林算法构建的早产儿脑成熟预测模型的预测准确度最佳。 (2)基于EEG信号构建的随机森林模型预测早产儿脑成熟度时,模型性能在不同出生胎龄分组中表现不同,随机森林预测模型在评估出生胎龄>34周的患儿脑成熟度时准确性最佳。 (3)低出生胎龄、自然分娩与Ⅱ度及以上颅内出血、脑白质回声增强等因素会降低随机森林模型判读早产儿脑成熟度的准确性。

关键词： 政策效应评估   异质性处理效应   机器学习   大数据   policy effect evaluation   heterogeneous treatment effect   machine learning   big data  

摘要： 对公共政策的准确评估，是制定科学公共政策的重要前提，科学的公共政策将有助于促进国家治理体系和治理能力现代化。异质性政策效应评估作为一种新兴的研究范式，其重要性在政策效应评估文献中已经获得广泛认可。本文总结了异质性政策效应评估的重要价值，以及代表性传统方法的逻辑和局限性。在此基础上，文章重点梳理了机器学习方法在异质性政策效应评估中的重要价值和具体应用：更好地筛选和切分异质性变量、更好地评估多重异质性政策效应、更好地估计个体政策效应等。本文也指出机器学习在异质性政策效应评估的算法可接受性、过程可检验性以及结论稳健性中存在局限性。进一步，文章提出了异质性政策评估和机器学习的重点发展方向：引入和发展机器学习方法，重视异质性政策评估的政策价值及提升机器学习的可接受性；结合传统分析范式，拓展机器学习在异质性政策评估中的新模式；规范研究数据的采集和处理，推动数据和代码的公开透明等。