关键词： 语音识别   机器学习   深度学习   语言模型  

摘要： 文章介绍了语音识别的机器学习方法的原理和应用现状,该方法利用深度学习技术使声学特征和语言模型相结合,提高了语音识别的效率和准确性,推动了智能语音领域的发展。在此基础上,文章分析了语音识别的机器学习方法在大数据、物联网、云计算等领域的应用前景,以期为网络应用建设提供参考。

关键词： 高质量发展   股票市场表现   机器学习   错误定价  

摘要： 从高质量发展理念出发,基于“创新、协调、绿色、开放、共享”五大新发展理念建立高质量发展指标体系,应用九种机器学习方法对股票收益率进行预测,并对指标体系各变量的重要性、成分预测能力的变化以及预测能力来源进行探究。结果表明,公司高质量发展水平对股票收益率具有显著预测能力;创新类指标是预测股票收益率的最重要类别;除股市动荡时期外,公司高质量发展水平对股票市场预测能力较为稳定且有增强趋势。从成分预测能力来看,创新类与绿色类指标的预测能力增强,协调类指标预测能力下降;高质量发展水平可以预测公司未来基本面变化,但投资者对该部分信息反应不足,这种错误定价是高质量发展指标体系预测能力的来源。建议完善资本市场定价机制,使公司的高质量发展水平得到充分定价。

关键词： 债券违约预警   机器学习   看门人   地区经济   营商环境   信息含量  

摘要： 债券市场安全涉及国家的金融安全,近年来因我国债券违约频发而备受关注。基于我国债券市场特征、财务困境和制度经济学理论,引入财务信息和非财务信息变量并使用传统统计方法和机器学习方法可构建一批债券违约预警模型。研究发现:第一,对比传统统计方法构建的债券违约预警模型,基于机器学习构建的债券违约预警模型具有更高的预测准确度。第二,在使用财务信息变量的基础上引入非财务信息变量,债券违约预警模型的预测准确度大幅提高,表明非财务信息为预警模型提供了有效的增量信息。具体来说:(1)作为债券市场重要的“看门人”,审计和评级机构都能提供债券违约的预警信息,但违约前一年审计意见提供的预警信息的重要性高于信用评级提供的预警信息;(2)发债企业的所有制、上市状况及其所属地区的经济与社会环境如社会资本和营商环境对于债券违约预警具有重要作用;(3)货币政策信息对于债券违约预警也具有重要作用;(4)预警模型帮助投资者大幅降低“踩雷”的概率,极大提高了债券投资的安全性。

关键词： 锂离子电池   健康状态预测   分类   机器学习   优化算法  

摘要： 对锂离子电池进行准确的健康状态(SOH)预测是电池应用中的一项关键技术。由于锂离子电池内部复杂的电化学反应体系,多样的失效机理及生产差异,锂离子电池的退化往往呈现出较大的分散性,为锂离子电池SOH的准确预测造成了较大的困难。为此,提出一种基于机器学习的锂离子电池SOH分类与预测方法,基于精度约束,利用双子群优化算法确定训练集数据合适的类别个数及类别范围;基于Softmax分类模型根据锂离子电池早期退化数据进行SOH分类,使得退化趋势较为接近的电池被分为一类;对每一类电池分别利用神经网络构建其SOH预测模型,从而减小锂离子电池数据的大分散性的影响,提升锂离子电池的SOH预测精度。所提方法相比传统方法预测误差降低了34%以上,验证了所提方法的有效性和优越性。

关键词： 牛膝   炮制品   炮制程度   红外光谱   正交偏最小二乘法-判别分析   机器学习算法  

摘要： 目的采用红外光谱技术结合机器学习算法建立牛膝Achyranthes bidentata炮制品类别与炮制程度的定性判别模型。方法采集不同炮制品与不同炮制程度牛膝的中红外光谱(midinfraredspectroscopy,MIRS),运用BP神经网络(back propagation neural network,BPNN)、遗传算法优化BP神经网络(GA-BP)、随机森林(random forest,RF)、径向基神经网络(radial basis function network,RBFN)、卷积神经网络(convolutional neural networks,CNN)等机器学习算法建立牛膝炮制品类别与炮制程度的定性判别模型;采集不同炮制品与不同炮制程度牛膝的近红外光谱(near infrared spectroscopy,NIRS),使用TQAnalyst软件中的判别分析法建立牛膝炮制品类别与炮制程度的定性分析模型。结果机器学习算法模型结果显示CNN判别模型较优秀,BPNN、RF及RBFN性能相近,GA-BP模型性能相对较差。3个NIRS定性模型结果显示验证集准确率均为100%,可准确预测炮制品类别与炮制程度。结论通过红外光谱技术建立的定性分析模型可作为牛膝炮制品类别与炮制程度的鉴别手段。同时提供了快速、无损的检测手段及可靠的数据分析方法,为中药材炮制品类别与炮制程度精准识别提供新的方法参考。

关键词： 机器学习   气象归一化   大气污染物   长期趋势   随机森林模型  

摘要： 选取2015~2021年长三角地区4个代表性城市污染物浓度,利用机器学习的气象归一化方法解耦气象因素对污染物的影响,量化气象和排放对污染物浓度变化的贡献.结果表明,长三角地区PM_(2.5)、NO_(2)和SO_(2)排放下降影响贡献较大(57.2%~68.2%、80.7%~94.6%和81.6%~96.1%),抵消了气象因素带来的不利影响,致使污染物浓度降低.而气象条件对于臭氧日最大8 h(MDA8O_(3))的贡献强于其他污染物(23.5%~42.1%),其中气象因素促进污染物浓度上升(4.7%),排放变化促进污染物浓度下降(-3.2%).NO_(2)和MDA8O_(3)在2019~2021年降幅更快,主要原因是2019~2021年排放起到较2015~2018年更强的促进污染物浓度降低作用.PM_(2.5)和SO_(2)在2019~2021年的降幅较2015~2021年整体有所减弱.基于机器学习的气象归一化方法可以解耦气象对污染物的影响,量化排放变化对污染物浓度的影响,为评估污染控制政策的有效性提供了很好的研究手段.

关键词： 建筑能耗预测   建筑节能   随机森林   决策树  

摘要： 为了减少建筑对能源的过多消耗,通过对建筑能耗数据进行数据挖掘,提出了使用机器学习的方法对建筑能耗数据进行预测分析。首先对建筑能耗数据中的自变因素和从变因素进行相关性分析;然后进行数据归一化;接下来使用KNN、决策树、AdaBoost和随机森林这四种机器学习方法进行能耗预测。在实验过程中,使用交叉验证的技术,分别对四种算法计算了MAE、MRE、MSE、RMSE四种评价函数。最后将四种方法所得的结果做了比较。实验结果显示随机森林算法表现出最好的效果。

关键词： 抑郁症   人工智能   预测   血细胞分析参数  

摘要： 通过机器学习算法挖掘常规检验的血细胞分析参数,构建抑郁症诊断及与焦虑症鉴别诊断的预测模型。利用2020—2021年北京朝阳医院和河北医科大学第一医院血细胞分析参数进行研究,收集研究对象22项血细胞分析检验项目及年龄、性别参数,探索采用支持向量机、决策树、朴素贝叶斯、随机森林和多层感知器多种机器学习技术构建抑郁症预测模型。结果显示,基于健康人群和抑郁症组血细胞分析参数,构建的随机森林模型预测抑郁症发生准确率高达0.99,F1为0.975,受试者工作特征曲线下面积和平均精准度分别为0.985和0.967。血小板参数变化是影响抑郁症发生的重要因素。而基于抑郁症组和焦虑症组的血细胞分析数据,构建的随机森林鉴别诊断模型显示出最高的预测准确性(0.68)和AUC(0.622)。年龄和血细胞参数及红细胞平均体积对该模型贡献最大。综上,本研究通过挖掘血细胞分析项目,初步建立了抑郁症预测及与焦虑症的鉴别诊断模型,显示了机器学习模型在精神疾病中更为客观的评估价值。

关键词： 政策效应评估   异质性处理效应   机器学习   大数据  

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。

关键词： 图像特征   遥感影像分类   变化检测   遥感技术   机器学习方法   细粒度   遥感数据   直接提取  

摘要： 遥感技术革命性地拓展了人类观测地球的手段和能力,遥感数据理解已成为当前认知地球变化、了解人类活动的重要工具。遥感影像分类是遥感图像理解的基石,在地物观测和变化检测等领域正发挥着关键作用。现有机器学习方法多基于图像直接提取图像特征预测类别标签,然而图像特征与类别标签之间存在较大的语义鸿沟,面向少样本、细粒度的遥感影像进行分类仍是当前非常具有挑战性的任务。