关键词： 原子核电荷半径   机器学习   贝叶斯神经网络  

摘要： 原子核的电荷半径是表征其电荷分布范围的物理量,对理解原子核这个复杂的量子多体系统内部核子间的相互作用发挥着重要的作用。但传统的物理模型对原子核电荷半径的描述还难以令人满意,特别是对于像钙同位素链所表现出的强烈的奇偶效应类现象。近些年来,随着机器学习方法在物理学领域的广泛应用,已有多种机器学习模型用于研究原子核电荷半径,这使得原子核电荷半径的计算精度得到大幅提升。本文综述了近年来包括贝叶斯概率分类器、核岭回归模型、人工神经网络以及贝叶斯神经网络在内的机器学习方法在原子核电荷半径研究中应用的最新进展,对比了不同机器学习方法、不同训练集与不同输入对机器学习预测原子核电荷半径结果的影响,并对机器学习在原子核物理中的进一步应用进行了展望。

关键词： 机器学习   肿瘤标志物   胃癌   分类算法  

摘要： 目的基于三种机器学习方法建立多肿瘤标志物联合区分胃炎和胃癌模型。方法选取2010~2021年期间来西京医院就诊诊断为胃炎和胃癌的患者13727例,收集入组患者基本信息(年龄和性别)、甲胎蛋白(alpha-fetoprotein,AFP)、癌胚抗原(carcinoembryonic antigen,CEA)、糖链抗原19-9(carbohydrate antigen 19-9,CA19-9)及糖链抗原125(carbohydrate antigen 125,CA125)结果。采用随机森林(random forest,RF)、决策树(decision tree,DT)和K最邻近法(K-nearest neighbor,KNN)三种机器学习算法挖掘入组患者6种变量的数据,建立区分胃炎和胃癌模型。验证各模型对所有入组患者、不同年龄层的入组患者、AFP阴性入组患者的胃炎和胃癌鉴别能力,并与单肿瘤标志物鉴别能力做对比。结果利用机器学习算法构建的RF-pv6,DT-pv6和KNN-pv6模型对所有的患者诊断曲线下面积(area under the curve,AUC)均高于0.742,单肿瘤标志物AUC均低于0.644;各模型对于小于50岁患者,AUC均高于0.668,单肿瘤标志物AUC均低于0.641;各模型对于大于50岁患者,AUC均高于0.734,单肿瘤标志物AUC均低于0.647;各模型对于AFP阴性患者,AUC均高于0.731,单肿瘤标志物AUC均低于0.639。各模型在所有入组患者及其亚组中的AUC高于单肿瘤标志物的AUC。结论通过利用机器学习算法挖掘入组患者的6种特征数据建立的三种模型效能均优于单肿瘤标志物对胃炎和胃癌的鉴别能力。

关键词： 小于胎龄儿   预测模型   机器学习   系统评价   预测性能  

摘要： 目的 系统评价基于机器学习方法构建的小于胎龄儿预测模型,为模型的构建和优化提供参考。方法 计算机检索PubMed、EMbase、Web of Science、CBM、WanFang Data、VIP和CNKI数据库,搜集关于小于胎龄儿预测模型的研究,检索时限均从建库至2022年8月10日。由2位评价员独立筛选文献、提取资料并评价纳入研究的偏倚风险后进行系统评价。结果 共纳入14个研究,样本量范围347~215 865例。使用逻辑回归、随机森林等19种方法构建了40个预测模型,13个研究的偏倚风险评价结果为高风险,预测模型的曲线下面积(AUC)为0.561~0.953。结论 小于胎龄儿预测模型的整体偏倚风险较高,预测性能一般,XGBoost方法构建的模型在不同研究中都获得了最好的预测性能,stacking方法将不同模型融合可以提升预测性能。母亲血压、胎儿腹围、头围与估计胎儿体重是小于胎龄儿的重要预测因子。

关键词： 气候变化传播   框架策略   主题模型网络分析   无监督机器学习   LDA主题模型  

摘要： 气候政策体系中的一个重要环节是加强面向公众的气候变化传播。在传播中使用并创新框架策略能达到影响公众认知与行为,提升传播效果的目的。但现有气候变化传播框架策略研究在媒介选择和方法运用上存在不足,难以支撑框架策略在形态丰富性和识别准确性上的创新。从视频媒介YouTube上提取234个气候变化纪录片的字幕构建了130万单词量的语料库,并基于无监督机器学习的主题模型网络分析法识别其中的框架策略。结果发现,气候变化视频传播语料中存在“环境威胁框架”“人类威胁框架”和“危机可控框架”3种策略。前两者分别强调气候变化对环境和人类生存的威胁;后者则强调气候变化所造成负面后果可通过科学、技术及多主体共同行动来有效控制。这是已有文献中未曾发现的复杂框架策略。研究发现对推进中国气候变化传播实践具有重要启示。

关键词： 机器学习   超临界二氧化碳   管道   泄漏   卷积神经网络   支持向量机  

摘要： 碳捕集与封存(CCS)项目中涉及的大规模CO_(2)适合采用超临界管道输送。然而超临界CO_(2)管道泄漏过程伴随着复杂相变,因此对其最大泄漏速率进行准确预测是目前的研究难点。鉴于传统物理模型方法存在建模复杂、假设过多、计算耗时等缺点,研究提出通过机器学习方法预测超临界CO_(2)管道最大泄漏速率,分别采用粒子群算法优化的支持向量机(PSO-SVM)和简化处理的卷积神经网络(CNN)对等熵阻塞泄漏模型所生成的泄漏特征数据进行学习,并测试了机器学习模型的预测准确率和泛化能力。研究结果表明:①物理模型、PSO-SVM、CNN的预测结果与实验数据的平均误差为28.82%;②两种机器学习模型预测精度相差不大,CNN的训练时间远短于PSO-SVM,但PSO-SVM的泛化能力强于CNN,因此,SVM适用于小样本数据精确预测,而CNN更适用于对大数据的学习和预测。本研究成果为超临界CO_(2)管道最大泄漏速率预测提供了一种高效的新方法。

关键词： 急性肾损伤   机器学习   预测模型   系统综述  

摘要： 目的:系统性回顾基于机器学习方法的急性肾损伤预测模型的研究现状,为探索临床早期诊疗提供参考。方法:检索PubMed、Web of Science和CNKI近10年急性肾损伤的论文,利用机器学习方法预测,进行文献筛选后重点提取预测研究的设计、数据的利用和预测模型的建立与评估3个方面的内容。结果:检索纳入13个国家或地区的71篇论文。54项研究为单中心回顾性研究。样本量范围为18~970869(中位数为5133),特征数量范围为10~1917(中位数为25)。实验室检查数据为常用特征。多数研究没有解决数据偏差问题(如数据缺失、样本不均衡)。仅7项研究建立动态连续预测模型。结论:利用机器学习方法预测急性肾损伤尚无法与临床诊疗深度融合。未来研究应基于优化的数据和算法,建立多中心前瞻性的融合复杂算法的动态预测模型。

关键词： 双重机器学习   银行竞争   企业负债   融资约束  

摘要： 本文以2009年中国银监会降低中小商业银行设立分支机构的准入门槛作为外生事件,实证检验了银行业竞争加剧对企业债务和投资带来的影响。在实证方法上,本文采用双重机器学习模型进行因果识别,该方法能克服传统线性回归的模型误设和机器学习模型的正则偏误问题。本文研究发现:银行业竞争加剧能显著降低企业负债成本,提高企业长期借款的融资能力,并促进企业“脱虚向实”。在异质性分析中,本文发现银行竞争所带来的正面影响在小规模企业中表现得更为显著。本文研究对于解决中小企业“融资难融资贵”,改善企业金融化现象,以及优化金融资源配置具有重要启示。

关键词： 连续刚构桥   预拱度预测   机器学习   数据预处理   极端梯度提升   梯度提升回归  

摘要： 为在连续刚构桥悬臂浇筑施工阶段快速预测各悬浇段预拱度,收集土木垴大桥、庄窝大桥及南石大桥各悬臂浇筑段的预拱度及影响因素构建高维数据集,采用缺失值填充、归一化等数据预处理技术对数据集进行处理,基于梯度提升回归、极端梯度提升、支持向量机回归、随机森林及决策树5种机器学习算法,建立连续刚构桥预拱度预测模型。应用训练好的模型对西郊大桥悬浇段进行预测。结果表明:极端梯度提升在边跨预测效果最好,平均绝对误差0.97 mm、均方根误差1.28 mm,训练集确定性系数0.998,测试集确定性系数0.944,对西郊大桥边跨预测最大误差为3.9 mm;梯度提升回归在中跨预拱度预测效果最好,平均绝对误差1.4 mm、均方根误差1.63 mm,训练集确定性系数0.995,测试集确定性系数0.989,对西郊大桥中跨预测最大误差3.2 mm。研究成果满足施工要求,未来可进一步扩充数据集,提高预测精度。

关键词： 机器学习   Tsetlin Machine   心拍分类   可解释性   人工智能  

摘要： 目的探讨Tsetlin Machine(TM)在心拍分类中的应用。方法运用TM对中国生理信号挑战赛2020数据集中正常、室性早搏和室上性早搏心拍图片进行三分类,并对分类结果进行解释性分析。该数据集包括10例心律失常患者的单导联心电图数据,排除1例心房颤动患者,最终纳入9例患者数据。结果分类结果表明,TM的九折平均识别准确率达84.3%,并且能通过位模式解释图展示分类判别的依据。结论TM在分类心拍的同时能对分类结果作出解释,对分类结果的合理解释便于人们理解模型在进行心拍图分类时的判决依据,进而增加模型的可信度。

关键词： 组合预测模型   变分模态分解   混沌麻雀搜索优化算法   长短时记忆神经网络   多元线性回归   总氮  

摘要： 地表水体水质参数具有高度非线性和非平稳性特征。为提高水质预测的精度,以鄱阳湖湖区4个在线水质自动监测站总氮(TN)为例,引入变分模态分解(VMD)方法处理原始TN数据,得到具有不同频域的模态分量,对其中变化复杂的各高频分量,采用长短时记忆神经网络模型(LSTM)进行预测,并引入混沌麻雀搜索优化算法(CSSA)对LSTM模型的超参数进行自动率定;对周期性变化的各低频分量,采用多元线性回归模型(MLR)进行预测,再将上述各分量预测结果叠加得到水体TN的预测结果,最终提出了一种新的水质组合模型VMD-CSSA-LSTM-MLR(VCLM),并与3种单一模型LSTM、支持向量回归(SVR)和BP神经网络进行对比,验证了VCLM模型的效果。提出的模型可以作为湖区在线水质监测和水环境综合管理的有效工具。