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。

关键词： 机器学习   高空数据质控   XGBoost  

摘要： 【目的】建立一套基于机器学习方法的探空数据的自动化质量控制检测算法模型,为提高大气探空数据质量控制的效率及质量提供参考。【方法】本模型使用大气探空观测原始数据,以三西格玛准则完成初步质控,基于三西格玛准则检测结果标记生成机器学习数据集,应用XGBoost机器学习算法完成最终质控模型的构建。【结果】实现了对大气探空观测数据温度、气压、湿度、仰角、方位角、斜距素数的异常数据检测,模型异常数据检测精确率96.7%,识别率比人工检测提高了43.5%。【结论】模型对要素异常值检测具有较好的效果,较人工识别性能有明显提升。

关键词： Failure modes  

摘要： Traditional machine learning models have difficulties in balancing the prediction accuracy and model interpretability‚ as well as have inconsistent results between model predictions and actual physical laws. In order to overcome these limitations‚ a physics-supervised interpretable machine learning approach was proposed to predict the seismic failure modes of reinforced concrete (RC) columns. The physical laws between key characteristic parameters and seismic failure modes of RC columns were revealed first based on the seismic failure modes evolution mechanism of RC columns‚ laws analysis of test data‚ and engineering experience. Then‚ an interpretable model for predicting the seismic failure modes of RC columns was proposed by multiclass logistic regression algorithm. Furthermore‚ the optimal hyperparameter satisfying the physical laws and with the minimum error were obtained by encoding the physical laws and equal proportion K-fold cross-validation algorithm. Finally‚ a physics-supervised multiclass logistic regression (PMLR) prediction model for failure modes of RC columns was established based on the multiclass logistic regression interpretable model and optimal hyperparameter. The results show that the proposed model has satisfactory accuracy and natural interpretability. The prediction results not only meet the actual physical laws between key characteristic parameters and seismic failure modes of RC columns‚ but also reflect the competitive relationship between seismic failure modes of RC columns. The proposed model overcomes the limitation that the prediction results are inconsistent with actual physical laws by traditional logistic regression (LR) model. The prediction accuracy of the proposed model is improved by 12% -35% and 4% -9% respectively when compared with traditional empirical classification methods and machine learning models. © 2023 Science Press. All rights reserved.

关键词： 钢筋混凝土   深受弯构件   开裂剪力   机器学习方法   SHAP  

摘要： 钢筋混凝土(Reinforced Concrete,RC)深受弯构件易发生脆性剪切破坏,斜裂缝产生及发展伴随全过程,开裂剪力是关键指标之一.建立了276根含开裂荷载信息的RC深受弯构件受剪试验数据库,采用机器学习XGBoost集成算法预测其开裂剪力,并采用5项统计指标评估机器学习模型的预测性能.从无腹筋和双向腹筋两类工况,对比了所建机器学习模型与5个半经验半理论计算公式的预测结果,表明所建预测模型的预测精度较高且离散性小,其R2为91%,预测值与试验值比值的均值为0.99,标准差为0.27.此外,采用SHAP(SHapley Additive exPlanations)可解释性方法对机器学习模型预测结果进行全局解释和局部解释,特征重要性排序由重要到一般依次为:加载板宽度、截面高度、混凝土抗压强度,表明所建模型及可解释性方法是符合机理的.

关键词： 机器学习   木材识别   定量解剖   计算机视觉   化学指纹图谱   DNA条形码  

摘要： 随着全球林产品贸易量的剧增和木材非法贸易活动的加剧,珍稀濒危树种保护成为国际社会关注的焦点。发展科学准确的木材识别方法是保护全球森林资源、促进林产品国际贸易健康发展的重要途径。近年来,随着木材科学领域与计算机技术的不断交叉融合,机器学习方法被引入木材树种识别研究领域,促进了木材识别新技术的发展,突破了传统方法无法实现木材“种”水平精确快速识别的技术瓶颈,逐渐成为木材树种识别方向的研究热点。文中综述近年来机器学习方法在定量解剖、计算机视觉、化学指纹图谱、DNA条形码等木材树种识别研究中的应用,并讨论现存的问题及发展方向,以期为木材树种识别研究提供参考。

关键词： 智能家居   智能安防   机器学习  

摘要： 现代化的智能家居系统就是将各种感应装置,如环境感知系统、监控系统和报警系统等安装到家中,可以对各种异常状况进行实时监控,并通过手机向人们发送信息,有助于保障人们居住的安全与稳定。基于此,本文拟从机器学习的分类入手,系统地分析了智能家居系统的需求,结合智能家居的设计原则,从环境感知、智能控制、安全防护等多个角度对智能家居任务管理模块进行了合理地划分,以此来实现对整个居住空间和场景的智能控制。

关键词： Federated learning   Knowledge distillation   Privacy preserving   Heterogeneous environment  

摘要： Federated learning(FL)is a novel technique in deep learning that enables clients to collaboratively train a shared model while retaining their decentralized ***,researchers working on FL face several unique challenges,especially in the context of *** in data distributions,computational capabilities,and scenarios among clients necessitates the development of customized models and objectives in ***,existing works such as FedAvg may not effectively accommodate the specific needs of each *** address the challenges arising from heterogeneity in FL,we provide an overview of the heterogeneities in data,model,and objective(DMO).Furthermore,we propose a novel framework called federated mutual learning(FML),which enables each client to train a personalized model that accounts for the data heterogeneity(DH).A“meme model”serves as an intermediary between the personalized and global models to address model heterogeneity(MH).We introduce a knowledge distillation technique called deep mutual learning(DML)to transfer knowledge between these two models on local *** overcome objective heterogeneity(OH),we design a shared global model that includes only certain parts,and the personalized model is task-specific and enhanced through mutual learning with the meme *** evaluate the performance of FML in addressing DMO heterogeneities through experiments and compare it with other commonly used FL methods in similar *** results demonstrate that FML outperforms other methods and effectively addresses the DMO challenges encountered in the FL setting.

关键词： 卷积神经网络   注意力机制   局部特征   机器学习方法   数据特征   网络应用   识别准确率   检测任务  

摘要： 随着网络应用的普及,恶意URL攻击给人们的个人隐私和财产安全构成了严重威胁。为有效检测恶意URL,本文构建了基于机器学习方法的CBA模型。该模型以Bi-LSTM模型为基础,结合卷积神经网络,在有效提取数据局部特征的同时解决输入文本长度不均衡的问题。通过引入注意力机制,按不同权重对数据特征进行重新排序,提高了模型的识别准确率。实验数据表明,CBA模型在恶意URL检测任务中相比其他模型表现出更优异的性能。

关键词： CT   Attention-MIL模型   COVID-19   社区获得性肺炎  

摘要： 目的:利用深度学习技术,全自动标注病变的计算机断层扫描(CT)数据,开发准确快速区分新型冠状病毒感染(COVID-19)和其他社区获得性肺炎的人工智能模型。方法:回顾性分析248例COVID-19患者及347例其他肺炎患者的资料,进行COVID-19与其他肺炎分类;在人工智能肺分割提取后将异常的CT图像特征降维,输入几种经典强化机器学习模型、三维卷积神经网络(3D CNN)和注意力多示例学习(Attention-MIL)深层神经网络架构中,模型诊断性能利用受试者工作特性(ROC)曲线、精确召回率(PR)曲线、曲线下面积(AUC)、敏感性、特异性、准确性指标进行评价。结果:在经典机器学习模型中K邻近算法(KNN)具有较好的效果,在外部测试集上的AUC值和平均精度(AP)值分别为0.79和0.89,平衡F分数(F1)值为0.76,准确率为0.75,敏感性为0.76,精确率为0.77;经典的3D CNN在外部测试集上效果良好,AUC值和AP值分别为0.64和0.82,F1值为0.71,准确率为0.78,敏感性为0.66,精确率为0.62;Attention-MIL模型在外部测试集上表现出更好的鲁棒性,AUC值和AP值分别为0.85和0.94,F1值达到0.82,准确率为0.92,敏感性为0.74,精确率为0.76。结论:与强化影像组学和3D CNN模型相比,深度学习Attention-MIL模型在鉴别诊断COVID-19和其他社区获得性肺炎上表现出更高的效能。

关键词： 机器学习   孔隙度估算   滩坝相   白垩系   车排子凸起  

摘要： 准噶尔盆地车排子地区白垩系储层以滩坝相沉积为主,储层砂体薄,纵向变化快,孔隙度估算难度较大。基于Xgboost机器学习算法,根据取心井的岩心实测数据,结合其对应的测井数据,建立了测井孔隙度模型。结果表明,研究区对储层孔隙度影响较大的测井变量为自然伽马测井、声波测井、密度测井和冲洗带电阻率测井,其相关系数分别为0.38、0.42、0.28和0.32。基于特征测井数据,利用Xgboost算法预测的孔隙度与实测孔隙度吻合度较高,相关系数为0.92,均方差为0.20。此外,对近期钻探的新井储层孔隙度进行预测,结果表明孔隙度较高的井段与试油数据相吻合,从侧面反映了模型的可靠性。这一结果为研究区油气藏评价和后期油藏模型的建立提供基础数据,有利于提高研究区勘探的精度。同时,该模型也可用于类似滩坝相、砂体薄的沉积背景下储层孔隙度估算研究。