关键词： 物联网   机器学习算法   安全和隐私   云计算  

摘要： 物联网已成为重要的网络范式,并且有许多智能设备通过物联网连接。尽管如此,要完全实现物联网愿景仍然存在许多障碍,其中安全和隐私较为关键。确保物联网中的安全和隐私特别复杂,尤其是对于能源供应有限和计算能力低下的资源受限设备而言。机器学习作为另一个重要领域,在计算机视觉、计算机图形学、自然语言处理、语音识别、决策和智能控制等方面均有应用。本文对机器学习在物联网安全中的应用进行了概述。首先对物联网设备及其安全问题进行介绍,然后提供了全面的调查,重点介绍了适用于物联网安全的机器学习技术的最新进展,并描述了各种物联网应用。此外,还讨论了研究挑战和未解决的问题。

关键词： 番茄病害识别   机器学习方法   深度学习方法   轻量级卷积神经网络(LDNet)  

摘要： 传统的作物病害识别方法局限多,研究基于深度机器学习方法的快速、准确地检测番茄病害技术显得十分重要。本研究提出了一种轻量级卷积神经网络(LDNet)识别技术,设计了一种新颖的轻量级卷积神经网络模型,能更准确地定位病害区域。比较实验表明,LDNet在识别番茄叶病方面具有最高的识别性能和最少的参数,适合在移动或嵌入式设备上部署移动番茄病害检测模型,将对于农业的可持续和适当发展以及避免不必要的财力等资源浪费具有重要意义。

关键词： 机器学习   原子核质量   碰撞参数   对称能  

摘要： 机器学习能够从大量复杂的数据中挖掘其内在的关联,近些年被广泛应用在科学研究中。本文分别评估了两类机器学习算法在修正核质量、重构重离子反应碰撞参数以及提取对称能斜率系数等热点问题上的表现,并讨论了机器学习模型的外推能力和泛化能力。结果表明:机器学习方法在三个核物理问题的研究中均体现出强大的能力。将机器学习方法应用于核物理问题的研究中可以进一步探索新物理,从而更好地推动理论和实验的发展。

关键词： 岩土参数刻画   贝叶斯理论   数据驱动模型构建   信息准则   机器学习方法  

摘要： 为构建间接估计岩石单轴抗压强度(UCS)的最优模型并实现UCS的合理估计,提出了贝叶斯高斯过程回归(f B-GPR)方法。fB-GPR综合了高斯过程回归、贝叶斯理论与马尔科夫链蒙特卡洛模拟。所提方法与其它模型选择方法进行了对比,如赤池信息准则、贝叶斯信息准则、偏差信息准则、Kullback信息准则等。研究结果表明:基于fB-GPR的最优模型选择结果更为准确,预测结果与实际情况吻合度更高;100次随机试验中,fB-GPR方法将M-7选为最优模型的概率达到100%,最优模型选择的准确率远远高于其他模型选择方法;fB-GPR方法在误差值达到UCS标准差的50%时,仍可准确地进行模型选择,说明fB-GPR的准确性和鲁棒性更好,受UCS测量误差影响相对较小。研究成果可为构建岩土工程中关键参数预测的最优模型并实现合理预测提供借鉴与参考。

关键词： 落后角   损失模型   代理模型   机器学习   人工神经网络  

摘要： 为了提高压气机特性预测的精度,基于机器学习方法构建预测落后角与总压损失的代理模型。以一台两级压气机为研究对象,基于多个转速工况下的流场实验数据和叶片几何参数建立了基元叶型数据库。通过灵敏度分析方法筛选出对落后角和总压损失影响最大的输入参数,分别采用高斯过程回归和人工神经网络两种机器学习算法建立落后角与总压损失模型,并引入贝叶斯优化算法搜索最佳模型超参数。对于人工神经网络面临的优化问题和泛化问题,调整模型学习率和修正参数梯度以加速收敛,同时采用正则化方法增强模型泛化能力。模型训练过程采用交叉验证策略以降低过拟合风险,并将优化后的代理模型整合到通流程序中对压气机进行特性预测验证。对比表明,低转速工况代理模型的压比特性预测误差显著低于经验模型,其中人工神经网络建模改善最明显,相比经验模型预测误差降低了0.1。通过代理模型横向对比,基于人工神经网络建立的代理模型比基于高斯过程的代理模型预测精度更高且鲁棒性更强。

关键词： 机器学习   预测建模   学业成绩   神经网络   招生数据  

摘要： 利用机器学习方法从招生数据中挖掘影响高校学生大一GPA的因素并构建预测模型。首先,进行了数据清洗、筛选了招生相关数据和大一GPA成绩。随后,将学生的招生信息作为特征,训练了三种机器学习模型,分别为线性回归模型、逻辑回归模型和神经网络模型。最后,对三个模型的性能进行了评估,并对神经网络模型进行了优化。研究的成果可以为高校大一GPA预测建模提供借鉴,并有助于推进学业预警、学业成绩预测和评价的实践。研究结果表明,机器学习方法可以有效地挖掘影响高校学生大一GPA的因素并构建预测模型。通过训练和比较不同的机器学习模型,研究提供了一个可行的预测模型,并对神经网络模型进行了优化,提高了其预测精度。这些成果可以为高校学业预警、学业成绩预测和评价提供有用的参考信息,对于提高学生学习效果和改善教学质量具有积极的作用。

关键词： 土壤有机质   总氮   连续投影算法   偏最小二乘回归   最小二乘支持向量机  

摘要： 土壤养分直接关系到作物产量与品质状况,然而传统化学方法检测存在化学试剂消耗大、耗时费力等问题,不能满足精细农业的需求。快速获取土壤养分信息是发展精细农业、绿色农业的关键,想要了解土壤肥力状况,必须先了解有机质和总氮的含量状况。许多研究表明,长波近红外光谱被广泛应用于土壤检测领域,然而短波可见/近红外光谱在土壤有机质和总氮的研究上却非常罕见。以江西省吉安市安福县和南昌市新建区的四个村庄作为研究区,根据2×2网格法采集了深度为10~30 cm的棕壤、红壤和水稻土三种最为典型的土壤样品共180份。经过研磨、风干等处理后用四分法均匀划分为两份,用于测定样品光谱信息和理化信息。将土壤样品按照2∶1(120∶60)划分为建模集和预测集。考虑到首尾端波段噪声较大,故去除325~349和1051~1075 nm波段,将350~1050 nm波段用于光谱分析。通过连续投影算法(SPA)筛选出有机质12个特征波长点,总氮11个特征波长点,考虑到土壤光谱信息与土壤理化性质之间可能存在非线性联系,建立全波段与特征波长的线性偏最小二乘回归(PLSR)模型和非线性最小二乘支持向量机(LS-SVM)模型对土壤有机质和总氮进行研究,LS-SVM模型采用两步网格搜索法优化了两个超参数γ和σ^(2)。研究结果表明:(1)土壤的光谱反射率随波长增加反射率升高,反射率曲线中460、550、580、740和900 nm处有较为明显的吸收特征。(2)从PLSR模型和LS-SVM模型结果分析可知,非线性模型LS-SVM具有更好的预测精度,分析认为土壤光谱信息与土壤理化性质之间存在一些非线性关系。(3)通过连续投影算法筛选的特征波长提高了模型精度,优化了模型运行效率。SPA-LS-SVM模型是所有模型中最优的预测模型,其中有机质模型的R_(pre)^(2)为0.8847,RMSE_(p)为0.1048,RPD为2.9450,总氮模型的R_(pre)^(2)为0.9018,RMSE_(p)为0.0104,RPD为3.1911。(4)本研究说明可见/近红外光谱能够用于测量不同类型的土壤有机质和总氮含量,并且达到较好的预测效果。可见/近红外光谱在土壤检测领域具有巨大潜力。

关键词： 重症缺血性脑卒中   内在可解释性机器学习   可解释提升机   死亡预测  

摘要： 目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后。通过计算受试者工作特征曲线下面积(AUC)来衡量预测效果,使用校准曲线及布里尔分数(Brier score)评价模型的校准程度,并绘制决策曲线反映临床净收益。结果本研究所构建的可解释提升机具有良好的区分度、校准度和净收益率,其中模型预测重症缺血性脑卒中预后不良的AUC为0.857[95%CI(0.831,0.887)];校准曲线分析结果显示,可解释提升机模型的校准曲线最接近于理想曲线;决策曲线分析结果显示,当该模型预测概率阈值为0.10~0.80时,其预测净获益率最大。基于可解释提升机模型的前5个独立预测变量为年龄、SOFA评分、平均心率、机械通气、平均呼吸频率,其重要性得分从0.179~0.370。结论建立了一个可解释提升机模型,该模型应用于预测重症缺血性脑卒中患者一年内死亡风险具有良好的表现,通过模型可解释性能帮助临床医生更好地理解结果背后的原因。

关键词： 颞叶癫痫   机器学习分类   葡萄糖代谢模式   生物学标志  

摘要： 本文基于机器学习分类模型,根据其葡萄糖代谢模式的不同,探讨左侧颞叶癫痫(left temporal lobe epilepsy, L-TLE)、右侧颞叶癫痫(right temporal lobe epilepsy,R-TLE)以及双侧颞叶癫痫(double sided temporal lobe epilepsy,D-TLE)的机器学习分类。方法 本研究共纳入了20例药物难治性TLE患者,并采取其发作期的18氟脱氧葡萄糖正电子断层发射显像(18F-FDG-PET),其中包括10例R-TLE患者,5例L-TLE患者以及5例D-TLE患者。采用基于体素的模式分析,从而来选择具有组特异性的葡萄糖代谢模式和分类特征。采用5倍交叉验证的方法训练多个三分类模型,以实现3种TLE的自动分类。结果 与健康对照组相比,单侧TLE患者显示同侧葡萄糖低代谢模式,同时D-TLE患者的双侧大脑半球均显示为葡萄糖低代谢模式。然后选择每位患者的9个聚类作为9个特征来训练分类器。利用空间k-邻近算法对基于葡萄糖代谢模式的3种TLE亚型的分类的总体正确率可达85%。结论 研究结果表明,在TLE偏侧化机器学习分类模型中葡萄糖代谢模式是一种有预测价值的生物学标志。另一方面,基于18F-FDG-PET的体素分析是一种有效且稳定的特征选择方法。

关键词： 急性肾损伤   非心脏手术   预测模型   机器学习   随机森林  

摘要： 目的探讨基于机器学习方法对非心脏手术后急性肾损伤(AKI)的预测价值。方法选取陆军军医大学第二附属医院自2014年6月至2022年9月收治的24611例接受非心脏手术患者为研究对象。采用随机数字表法将患者分为训练组(n=17227)与验证组(n=7384)。采用包括逻辑回归、随机森林、支持向量机、简单决策树、极端梯度提升和集成模型在内的机器学习方法训练模型。采用受试者工作特征(ROC)曲线及ROC曲线下面积(AUC)评价模型的整体性能。采用沙普利可加性特征解释法(SHAP)评估每个特征对预测结果的贡献程度。结果非心脏手术后AKI发生率为11.3%(2780/24611)。训练组与验证组患者各项一般资料比较,差异均无统计学意义(P>0.05)。集成模型预测非心脏手术后AKI的AUC为0.749,大于逻辑回归、随机森林、支持向量机、简单决策树、极端梯度提升单独预测。随机森林模型中贡献度较高的20个特征中,手术相关变量有8个,分别为麻醉时长、普通胸外科手术、骨科手术、手术中总失液量、急诊手术、手术中晶体液输注总量、手术中血液制品使用量、手术中胶体液输注总量和择期手术。结论采用机器学习方法开发的非心脏手术后AKI的预测模型可进一步加强对AKI的预防,从而优化和改善患者预后。