关键词： 微通道热沉   性能预测   机器学习   随机森林  

摘要： 本文提出使用机器学习方法快速准确地预测歧管-二次流混合结构微通道热沉的泵功率和总热阻。将混合结构微通道热沉的结构特征参数进行了无量纲化,利用计算流体动力学的方法获得数据集。测试了不同机器学习算法在混合结构热沉性能预测任务上的表现。结果表明在数据集有限的情况下,随机森林算法能准确地学习到无量纲结构参数与泵功率和总热阻之间的映射关系。本文研究结果将有助于微通道热沉的优化设计。

关键词： Sentinel数据   遥感   红树林   机器学习  

摘要： 红树林和生态环境保护、生态平衡和生物多样性息息相关。使用Sentinel-2A数据获取海南省东寨港红树林保护区的遥感影像,对数据进行预处理,提取光谱特征、纹理特征和湿度特征,基于K近邻(K-nearest neighbor,KNN)、随机森林(random forest,RF)、决策树、支持向量机(support vector machine,SVM)和反向传播神经网络(back propagation neural network,BPNN)方法,通过多次实验提取出海南省东寨港红树林区域,并探讨了机器学习方法中不同类型分类器在提取红树林过程中的优缺点。结果表明:(1)Sentinel-2A的Band8A、Band11、Band12波段组合能够较好突出红树林特征,结合湿度特征和纹理特征可以提高红树林的分类精度;(2)基于机器学习方法能够准确提取红树林区域,其中,SVM分类精度最高,达到92.31%,BPNN、RF分类精度分别为88.46%、90.38%,Kappa系数表明分类结果具有良好的一致性;(3)比较不同机器学习方法对红树林的分类效果,发现SVM和BPNN等非线性方法能提取出更准确的红树林区域,KNN、决策树、RF等容易造成红树林的错分和漏分。利用SVM和BPNN提取红树林具有识别准确度高、无损图像信息等优点。

关键词： 反馈神经网络   支持向量机   高斯处理   柴油-天然气双燃料发动机  

摘要： 为了提高六缸重型柴油-天然气双燃料发动机的性能、减少污染物排放,使用反馈神经网络、支持向量机和高斯处理3种先进的机器学习方法来建立以发动机的转速、扭矩、柴油预喷提前角、柴油预喷比例和天然气替代率作为输入,以NO_(x)、CO_(2)和比油耗作为输出的预测模型,对比3种机器学习模型的预测结果。结果表明:高斯处理(Gaussian processing, GP)模型的预测精度最高,其输出变量的总体决定系数分别为0.960 1、0.991 9和0.993 5,相比于反馈神经网络(feedback neural network, FNN)和支持向量机(support vector machine, SVM),NOx预测精度分别提高3.7%和2.6%,CO_(2)排放预测精度提高约3%,比油耗(brake specific fuel consumption, BSFC)预测精度分别约提高4%和8%;GP模型预测NO_(x)、CO_(2)和BSFC的总体均方相对误差均小于0.13,总体平均绝对百分比误差均小于0.1%。

关键词： 雷击火   火险预测   机器学习   遥感   闪电  

摘要： 【目的】基于长时间序列多源数据,开展雷击火驱动因子分析,采用机器学习方法构建动态、高分辨率雷击火火险预测模型,为雷击火防控提供支撑。【方法】分析大兴安岭地区2010—2020年雷击火时空分布规律,基于闪电监测数据、卫星遥感数据、气象再分析资料、DEM等多源数据选取闪电、气象、植被、地形4类18个雷击火潜在驱动因子,研究其特征及与雷击火发生的关系;提取历史雷击火点和随机生成的非雷击火点对应的驱动因子,构建原始样本集,计算各驱动因子的重要性和相关性矩阵进行驱动因子挑选;基于优化后的训练样本集,采用梯度提升决策树(GBDT)、随机森林(RF)和极端随机树(ERT)3种集成学习模型进行雷击火火险预测能力评估,选择表现最优的方法用于构建大兴安岭地区雷击火火险预测模型并应用。【结果】2010―2020年大兴安岭雷击火出现次数最多和最少的年份分别为2015和2012年,主要集中于5―7月,发生时段主要集中于10:00―17:00;雷击火高发区为漠河县、塔河县、新林区和呼中区。闪电与雷击火的空间分布基本一致,但闪电越多雷击火发生次数不一定越多,2011年闪电次数最多,为114632次,雷击火仅出现11次。在闪电强度为-20~-40 kA、陡度为-4~-8 kA·μs-1、相对湿度小于40%、降水量小于4 mm、气温大于29℃、大气压为91~95 kPa且风速为1~3 m·s-1的气象条件下更易发生雷击火。NDVI(归一化植被指数)、GPP(总初级生产力)、Et(蒸散量)、NPP(净初级生产力)大小与雷击火发生呈正相关。雷击火在海拔300~900 m、坡度0~12°范围内出现次数较多,坡向对雷击火发生影响不大。特征选择后剩余13个特征参量分别参与3种集成学习算法模型构建,其中,ERT模型预测能力最好,其AUC达0.97,查准率、查全率和F1 Score均高于GBDT和RF模型。ERT模型预测的高风险区与实际雷击火点分布区的空间一致性很好。【结论】利用多源大数据,尤其是卫星观测数据,获取更多与雷击火发生有关的潜在驱动因子,并依靠机器学习,能够较好体现因子间非线性关系及自行学习参数间复杂关系能力的优势,本研究构建的雷击火火险预测模型具备很好的泛化性、自适应性和较高的空间分辨率。

关键词： 随机森林   神经网络   回归方程   富集系数   小麦  

摘要： 应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查,构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测,验证不同模型的预测精度并评估其不确定性.结果表明,RF(R^(2)=0.583)和BPNN(R^(2)=0.490)模型预测性能均优于Freundlich转移方程(R^(2)=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近,但RF(R^(2)为0.527~0.601)较BPNN(R^(2)为0.432~0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性,其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.

关键词： 晶圆图   缺陷检测   深度学习   机器视觉  

摘要： 晶圆缺陷是指在晶圆制造过程中,因氧化温度不均、蚀刻问题等异常造成的晶粒功能异常。随着芯片产业的发展,制造工艺向更先进制程迈进,所实现的集成电路的规模和复杂度也日益增加。这使得晶圆的制造工艺更加复杂,晶圆缺陷出现的概率和种类也随之增加。为了提高生产良率,改善工艺制程,识别出缺陷模式并找出对应的工艺问题至关重要。传统的缺陷识别主要依赖于人工设计的特征提取方法,需要有专业的知识及复杂的调试过程。近年来,基于机器学习的识别方法在识别晶圆模式缺陷上取得了一定进展,不少方法识别单一缺陷的精度达到95%以上,也拥有精确识别混合缺陷的能力。然而,带标记晶圆图数据缺乏、样本数据不平衡、新缺陷模式的出现都是其发展路上的挑战。本文总结了几十年来基于机器学习的晶圆图缺陷模式识别方法,从浅层学习和深度学习两个方面介绍了前人的工作。同时针对晶圆识别问题中严重的样本数据不平衡问题,本文重点总结了现有用于解决晶圆图样本数据不平衡问题的方法。根据当前晶圆图缺陷模式识别的产业需求和现状分析,更稳定、更精确的基于半监督或自监督深度学习的识别方法以及获取更高质量数据集的数据增强方法必将成为未来发展主流。

关键词： 恒星参数   恒星年龄   红团簇星   星震学   机器学习  

摘要： 为了了解银河系以及追溯其形成历史,需要对分布在银河系中的大量恒星样本进行准确的年龄预测。通过LAMOST DR5和Kepler的星震学数据交叉匹配获得的训练样本,给出了一个具有163105颗恒星年龄参数的红团簇星星表。使用核主成分分析与随机森林相结合的方法对多个恒星参数与恒星年龄之间的关系进行训练,将样本分为训练集与测试集进行模型的训练与对照验证,测试集显示所训练的模型对恒星年龄预测的绝对误差平均值为0.46 Gyr,相对误差平均值为13%。同时,还探究了核主成分分析所使用的主成分个数与模型预测性能的关系,结果发现,当主成分达到4个时,模型的预测性能开始趋于稳定。

关键词： 两相流   流型   汽泡尺寸分布   机器学习   输入特征  

摘要： 研究流动沸腾两相流动形态对封闭反应堆安全分析程序关键本构模型具有重要意义。本文基于非监督机器学习流型识别方法,提出将两相流物理知识融入数据驱动的机器学习模型,并构建输入特征的挑选原则:①机器学习在输入特征中捕捉到的应为流型相关信息;②机器学习的聚类准则应包络该流型下输入特征的所有可能性。依据挑选原则分析电导探针信号生成的汽泡分布特征,确定汽泡弦长累积分布函数数据可用于非监督机器学习流型判断。依据流型识别结果,获得了竖直环形流道内流动沸腾的二维局部流型特性,发现高位局部流型出现在流道中心位置并偏向内加热壁面;并判别了流道截面的全局流型,结果表明流动沸腾泡状流至弹状流的流型转变出现在空泡份额约为0.14位置。

关键词： 机器学习   功能性核磁共振成像   统计分析   复杂网络  

摘要： 文章通过机器学习方法对功能性核磁共振成像(fMRI)数据进行分类研究,旨在探讨精神分裂患者的差异性脑网络结构。在特征选择上,采用了复杂网络分析来度量脑网络的拓扑属性,并且以年龄为协变量通过双样本t检验构建显著差异性特征集;在分类算法上,采用粒子群优化支持向量机分类算法,在10折交叉验证下进行建模分析。结果表明精神分裂患者(SCH)组和正常被试(NC)组在全局属性和节点属性上存在显著差异,在分类模型下能够得到最佳准确率93%。

关键词： 植被解译   自然保护地   随机森林   旋转森林   植被类型   空间分布   九寨沟县  

摘要： 明确自然保护地的植被类型和空间分布,在改善生态环境质量与维护国家生态安全等方面具有重要参考意义。本文基于Sentinel-2A遥感影像数据,利用随机森林算法和旋转森林算法对九寨沟县自然保护地植被进行分类,并结合植被类型图与坡度、坡向以及高程数据对研究区内各植被类型的空间分布特征进行分析。研究结果表明:1)旋转森林算法分类效果优于随机森林算法,总体精度为85.73%,Kappa系数为0.83;2)九寨沟县植被在阴坡和半阴坡朝向生长较好,各植被类型集中分布于坡度16°~45°范围内,且区域内植被分布垂直地带性明显,海拔由低到高陆续出现的主要植被类型为栽培植被、灌丛、阔叶林、针阔混交林、针叶林以及草地。