关键词： 机器学习   品种分类   基因组标记   绵羊   准确性  

摘要： 旨在评估基于基因组标记的机器学习(machine learning,ML)算法在品种分类中的有效性,检验不同ML算法在绵羊品种分类中的应用效果如何。本研究采用2种方式对10个绵羊品种进行单核苷酸多态性(single nucleotide polymorphisms,SNPs)位点选择,第一种利用群体间分化指数(fixation index,FST)进行选择,第二种方式是在FST的基础上使用Boruta特征选择算法对SNPs位点进一步筛选。采用K-近邻、支持向量机(support vector machines,SVM)和自适应增强(adaptive boosting,AdaBoost)等8种不同类别的ML算法对绵羊品种进行分类,采用准确性评估不同SNPs选择方式和不同ML算法在品种鉴定中的差异,鉴定绵羊品种分类的最佳组合方式。本研究采用的数据中既有遗传关系较远的品种,也有遗传相似的品种,保证了后续分析的可靠性。根据前1%的筛选标准,FST分析每次筛选出5361个SNPs位点,Boruta算法最终保留(328±11.7)个SNPs位点用于ML品种分类,且在多次迭代后,被标记为“确认”的SNPs位点得分稳定高于阴影特征和被标记的其他两类SNPs位点。Boruta算法保留的SNPs位点数远低于FST分析。在使用ML模型进行品种分类时,大多数模型的准确性均高于0.9。其中,经过Boruta算法选择SNPs位点之后使用SVM模型进行品种分类准确性最高(0.953),AdaBoost表现也同样优秀(0.947),仅使用FST选择SNPs位点之后使用NB模型分类效果最差(0.601)。除NB外,其余模型接收者操作特征曲线下面积均接近于1。无论使用哪种SNPs选择方式均具有较强的区分能力,使用Boruta算法后效果略好。根据上述结果表明,ML方法的实施有效提高了品种分类的准确性,在绵羊品种鉴定中有良好的应用潜力。

关键词： 设备数据资产   预测性维护   5G   智能制造  

摘要： 引言在智能制造背景下,工业物联网(IIoT)通过融合5G、边缘计算、人工智能等技术,推动制造业向数字化与智能化转型。传统设备维护方式(如定期检修)存在效率低、成本高等问题,而基于IIoT的预测性维护技术通过实时数据采集与分析,可实现设备故障的提前预警与精准维护。然而,工业设备数据具有海量、异构、高噪声等特点,如何高效分类数据资产并构建智能维护系统仍是关键挑战。本文提出一种四层架构的预测性维护系统,结合大数据与深度学习技术,优化设备健康管理流程,并通过实验验证其实际应用效果。

关键词： 机器学习   异常检测   无监督学习   聚类算法   粒子加速器  

摘要： 中国散裂中子源(China Spallation Neutron Source,CSNS)作为一个用户装置,其稳定运行对科学研究的顺利开展具有重要意义。然而,由于加速器系统的高度复杂性,传统的基于阈值的报警机制在应对复杂和多样化的异常时表现出明显的局限性,部分未能及时检测的异常可能引发束流联锁,降低运行效率和稳定性。为了解决这一问题,本文提出了一种基于机器学习的异常检测方法,并开发了CSNS加速器智能值班员样机系统。该系统通过特征工程和无监督学习算法,能够实时监测运行数据并精准识别复杂异常,尤其是对传统方法难以检测的波动形态异常表现出显著优势。样机系统已成功应用于CSNS加速器运行环境,能够准确捕获运行过程中的异常情况并报警,从而提升异常监测的准确性和故障排除效率。

关键词： 表面增强拉曼光谱   机器学习   呼吸道病毒   无标记检测  

摘要： 快速准确地检测引发急性呼吸道感染(ARI)的常见病毒,对于公共卫生防控至关重要。尽管传统的病毒检测方法在一定程度上满足了临床需求,但其往往存在耗时较长、成本较高或灵敏度有限等局限性,亟需更为快速和高效的检测手段。表面增强拉曼光谱(SERS)技术因其高灵敏度和特异性,逐渐成为病毒检测领域的研究热点。研究旨在开发一种结合SERS技术与机器学习方法的新型高效检测策略,以实现对呼吸道合胞病毒(RSV)、甲型流感病毒(IFA)和人腺病毒(HAdV)的精准检测。采用柠檬酸盐制备银纳米颗粒(Ag@cit),将碘离子孵育和钙离子聚集的银纳米颗粒(Ag@ICNPs)作为SERS基底。Ag@ICNPs具有适合病毒检测的优质“热点”,能够超快速、高灵敏、无标记地捕获呼吸道病毒的特征指纹图谱。为了进一步提高检测的效率和准确性,将机器学习方法引入到SERS技术中,通过对多种机器学习算法的改进,成功建立了病毒分类器,能够在3 min内对检测限低至1.0×10^(2)copies·mL^(-1)的三种病毒进行快速鉴定,且准确率高达100%。此外,利用病毒浓度与特征峰强度间关系所构建的浓度依赖性曲线,具有良好的线性关系(R2均大于0.998),为量化样本中病毒含量提供了可能性,这对于临床通过病毒负荷的变化监测治疗效果和病情进展具有重要意义。该研究揭示了“SERS@机器学习”联合应用在呼吸道病毒快速精准检测中的显著优势,并为ARI临床诊断提供了一种具有潜在应用价值的新途径,有望在未来成为临床诊断和公共卫生防控中的重要工具。

关键词： 机器学习   多源数据   玉米   SPAD   无人机  

摘要： 为实现玉米精准施肥管理,准确识别其叶绿素含量具有重要意义。叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值是叶绿素含量的重要指示参数,已有研究多采用单一数据源,结合单一机器学习方法来对其反演。为提高SPAD反演精度,本研究探讨耦合多源无人机遥感影像与多种机器学习方法来开展SPAD值反演的可行性,并将其与已有方法进行比较。基于不同有机肥、无机肥、秸秆还田以及种植密度处理的玉米田间试验,获取玉米四叶期和九叶期的无人机多光谱影像和RGB(red-green-blue)影像,并同步测量了叶片SPAD数据。基于多尺度分析的方法,将RGB影像与多光谱影像进行融合,生成既具有高空间分辨率又具有多光谱的融合影像。此外,基于集成学习思想,选择BP-人工神经网络法(back propagation-artificial neural network,BP-ANN)、支持向量机法(support vector machine,SVM)、广义加性模型法(generalized additive model,GAM)、随机森林法(random forest,RF)等不同类型机器学习模型,构建集成学习模型(ensemble learning method,ELM)。基于以上数据源和模型,设计不同数据源和不同机器学习模型的耦合情景。将数据集分为建模数据集和验证数据集,基于建模数据集构建每种情景下的SPAD反演模型,然后基于验证数据集进行模型验证,对比分析确定最优SPAD反演模型与数据源。相对于单源数据,多源数据通过融合多光谱影像的光谱信息和RGB影像的纹理信息,提高了SPAD反演的精度。此外,相对于单一机器学习方法,基于集成学习思想耦合多种机器学习方法可以提高SPAD的反演精度。在所有情景中,基于ELM方法和融合影像的SPAD模型精度最高,其建模R_(cal)^(2)为0.83、RMSEcal为1.93,验证R_(val)^(2)为0.80、RMSEval为2.07;其他情景下,各模型的建模R_(cal)^(2)在0.64~0.88之间,RMSEcal在1.63~2.84之间;验证R_(val)^(2)在0.60~0.78之间,RMSEval在2.18~3.01之间。本研究证明了在反演玉米SPAD时,最优策略是使用多源数据和集成学习模型,为进一步的精准氮肥管理提供了技术支撑。

关键词： 重离子熔合反应   熔合截面   物理信息   机器学习  

摘要： 本文利用基于决策树的机器学习算法——LightGBM(Light Gradient Boosting Machine)研究偶偶核体系的重离子熔合反应的截面(Cross Section,CS)。机器学习算法的输入特征量包括与原子核基本性质相关的物理量(如弹靶核的质子数、质量数、2^(+)和4^(+)态激发能量等)以及从唯象理论模型计算得到的CS,输出量为熔合截面。研究发现,当输入特征量中不包含唯象模型计算的CS时,在训练集上LightGBM预测的CS与实验值的平均绝对误差(Mean Absolute Error,MAE)为0.138,显著优于ECC模型预测的0.172;当在输入特征量中包含唯象模型计算的CS时,由于物理信息的加入,MAE降至0.07。此外,还发现当物理信息引入时,计算得到势垒分布与实验数据能更好地符合。这表明物理信息在机器学习研究重离子熔合反应中有重要作用。

关键词： 计算化学   可再生能源   人工智能   能源材料   机器学习  

摘要： 能源材料低碳替代与绿色转型是实现碳达峰、碳中和的重要途径。传统基于实验的能源材料开发流程具有高可靠性和可直观评估等优点,但存在时间和资源成本高、探索范围有限、依赖知识和经验等问题。本文介绍了能源材料替代与转型中的机器学习方法,回顾了机器学习技术在能源材料研发中的已有应用和可用在能源材料开发中的机器学习算法,分析了机器学习方法在能源材料开发和替代方面的原理、应用、优势与挑战。根据对机器学习方法在能源材料替代与转型中的应用优势和局限性进行系统综述和分析,从数据、模型及应用等方面提出了构建高质量数据集、开发高适配性机器学习算法及拓展高效能源技术和系统的思考与展望。分析表明,机器学习方法在模型适配程度、应用广泛程度等方面都有十分广阔的提升空间,在能源材料替代与转型领域应用机器学习方法具有显著价值和广阔前景。

关键词： 乡村振兴   乡村经营   乡村分类   机器学习方法支持向量机   不平衡学习   浙江省丽水市松阳县  

摘要： 《乡村全面振兴规划(2024—2027年)》明确提出,以提升乡村产业发展水平、提升乡村建设水平、提升乡村治理水平为重点,强化科技和改革双轮驱动,强化农民增收举措。我国的乡村类型繁多,传统的分类方式效率不高。选取松阳县作为研究对象,综合自然禀赋、经济人口以及村庄荣誉等三个维度,采用多个指标构建学习模型,并运用改进的机器学习技术对村庄进行分类。研究结果显示,软间隔支持向量机与平衡方法在村庄类型划分上具有较高的准确度。针对不同类型的村庄,提出了具体的经营策略建议,这不仅提升了村庄分类的效率,还增强了规划的科学性。

关键词： 人工智能   STEAM   智能评估   幼儿教育  

摘要： STEAM教育作为备受重视的学科教育模式,在幼儿教育领域具有重要意义,对不同类型幼儿其STEAM课程的数字内容侧重点不同。因此,文章对STEAM课程内容的设置策略进行研究。首先,本研究通过日常观察和调查问卷的形式,对幼儿自身状况与家庭状况进行全方面的数据提取。然后运用德尔菲法对不同情况下幼儿在STEAM教育中应注重的方向进行整合。最后,通过机器学习中的随机森林算法自主学习幼儿状况数据与专家给出的课程设置意见,从而建立了幼儿状况与STEAM课程设置之间的耦合映射模型。实验表明,映射模型的预测精度为93.3%,且模型输出的各因素贡献度表明,幼儿家庭成员的受教育程度是影响幼儿STEAM课程设置的最重要因素。

关键词： 二氧化碳浓度   机器学习   黄土高原   环境因子  

摘要： 二氧化碳（CO2）是主要的温室气体之一，空气中二氧化碳浓度的变化受到多种因素的影响。现在能连续观测地面空气二氧化碳浓度的站点依旧较少，但是常规气象数据容易观测，在给定地点如何用常规气象数据模拟地面空气二氧化碳浓度依旧缺乏研究。基于陕西省淳化县的和家山小流域的实测气象数据和二氧化碳浓度数据，分别采用不同位置的地面空气二氧化碳浓度或环境因子的组合驱动MLP、LSTM、Bi-LSTM和RF模型，评价了机器学习方法在黄土高原沟壑区典型站点模拟日尺度地面空气二氧化碳浓度的潜力。研究结果表明，无论是以同类型观测数据作为输入还是以环境因子的组合作为输入，4种机器学习模型都可以较好的模拟地面空气二氧化碳浓度的整体变化过程，且都可以用于插补数据。以其他点位实测二氧化碳浓度作为输入时，MLP模拟2号点的浓度C2精度最高，在测试集的误差仅为3.8%；以环境因子作为输入时，RF模拟2号点的浓度C2精度最高，在测试集的误差为6.3%。但是以环境因子作为输入时无法模拟出二氧化碳浓度剧烈的日变化过程。为了进行数据插补，以同类型的观测数据作为输入用于插补数据的效果更好，它可以较好地模拟出地面空气二氧化碳浓度的日变化过程。