关键词： 机器学习方法   智能家居   安防系统  

摘要： 在现代智能化技术、计算机技术不断发展下,智能家居安防系统也迎来了新的发展契机,基于现代科学技术与高端设备进行智能家居安防系统的升级设计成为当前人们所关注的重点。本文在明确机器学习方法概念基础上,分析了当前智能家居安防系统现状,然后针对基于机器学习方法的智能家居安防系统设计与应用做出简要的论述。

关键词： 视觉系统   机器学习方法   有意思   分辨  

摘要： 简介人类往往能很轻易地就分辨一个事物究竞是无趣还是有趣。当我们看到一个东西,即便我们从未见过它,不知道它是用来做什么的,我们的视觉系统也能瞬间在视野里将它分辨出来,并判断出它与周遭事物相比是不是个有意思的物体。但同样的事情,如果让一台机器来做,可就要了它的“命”了。事实上,要让机器学会分辨物体,对它们进行分类,是一件相当困难的事情。

关键词： 神经网络   光谱变换   植物水分   机器学习方法   反演模型   状态评价   高光谱数据   等效水厚度  

摘要： 叶片等效水厚度(EWT)对植物水分状态评价具有重要意义,因此如何快速、准确、无损地检测叶片等效水厚度也具有重要的意义。高光谱数据可为检测植物中的叶片等效水厚度提供重要的手段。现有的研究主要集中使用各种机器学习方法来对叶片等效水厚度进行反演,这些方法往往需要对原始光谱进行光谱变换、特征选择、降维等一系列操作。本文采用神经网络的方法来建立叶片等效水厚度的反演模型。实验结果表明:在LOPEX93数据集中,使用神经网络的方法R2值与RMSE值分别达到了0.945与0.0012优于机器学习方法。

关键词： 硅酸盐玻璃   决策树   神经网络   K-means聚类   Spearman相关性  

摘要： 玻璃在中国史料中早有记载,但是由于长期存在名称和质地的混淆,且近现代有关中国古代玻璃的研究起步较晚,关于古代硅酸盐玻璃的风化和成分研究比较缺乏。以往研究古代玻璃器的著作,多是从王朝更替的角度,对文化交流、化学分析等方面研究玻璃的文化艺术形态及其自身的运行发展的规律,较少有学者系统建立数学模型并使用智能算法定性定量开展风化硅酸盐玻璃原成分预测及亚分类方法研究。本工作以多组风化和未风化硅酸盐玻璃为研究对象,提取其化学成分含量、纹饰和颜色等数据,利用Spearman系数分析了纹饰、颜色和玻璃大类之间的相关性并研究影响表面风化的因素;利用决策树进行大致分类,然后用神经网络预测玻璃风化前主要化学成分的含量,并总结硅酸盐玻璃的分类依据。此后通过K-means聚类建立分类模型:确定最佳类别数,进行亚类划分,寻找铅钡玻璃和高钾玻璃的最优分类数量。研究结果表明,只有玻璃类型对表面风化具有显著影响;风化过程中参与度较高的化学成分为二氧化硅、氧化铝、氧化铅、氧化钡、氧化铅和五氧化二磷;风化后,铅钡玻璃二氧化硅含量明显下降,氧化铅含量明显上升,而高钾玻璃二氧化硅含量明显上升,氧化钾氧化钙和氧化铝含量明显下降;高钾玻璃分为3个亚类,铅钡玻璃分为4个亚类。为后续利用机器学习研究古代硅酸盐玻璃的风化和成分提供了参考。

关键词： PISA2018   教育生产函数   机器学习   决策树回归   随机森林回归  

摘要： 基于PISA2018我国四省市学生和学校的调查数据,在教育生产函数的框架下,通过机器学习的研究方法,探讨不同学生和学校特征在学业表现中的重要性。研究发现,在学生特征方面:个体社会经济地位和课上学习时间在数学、阅读、科学表现中的重要性最突出,且学习时长对学业成绩的影响存在学科差异;学生职业期望在数学和科学成绩上的重要性较为突出;学生的社会经济地位及课上学习时长在高、低学业表现学生群体中的重要性均相对突出。在学校特征方面,弱势学生比例及教师数量在三种学业表现中都相对重要,且其在高、低学业表现学校群体中的重要性相对突出。此外,比较发现,在初中阶段,学校特征类因素对学生学业表现的影响更大。因此,建议提高学生课堂学习的效率,增强青少年对基础学科的认同感;推进公共教育服务均等化,加大对教育资源优越地区相对弱势学生群体的关注力度;调整初中阶段教育资源配置结构,优先保障对学校的投入。

关键词： 山南汛期降水   气候因子   机器学习  

摘要： 利用山南地区1980—2022年汛期降水距平资料,对其进行降水特征分析,得出山南地区汛期降水百分率整体呈略微增加趋势,即每10a降水百分率增加了1.7%;调用国家气候中心提供的气候因子与山南汛期降水距平做相关性分析,得出西伸脊点指数、亚洲区极涡面积指数、东亚大槽强度、西太平洋副高北界位置指数等气候因子与山南汛期降水相关度较高;分别用130个气候因子和挑选的优势气候因子指数为预报因子,分别基于支持向量机、决策树、随机森林等机器学习方法建立了山南汛期季节降水预测模型,采用ps评分的方法对各模型进行检验,结果发现:在检验时段内4月起报山南初夏降水ps评分为72.56分,6月起报山南盛夏降水ps评分为72.43分,6种机器学习中卷积神经网络学习ps评分最高为74.65分,挑选最优气候因子ps评分略高于国家气候中心提供的130个气候因子的ps评分。

ISBN: (纸本)9787111717737

关键词： 水质   时空变化   机器学习   特征识别  

摘要： 本文以湖州市省控监测断面水质为研究对象,采用统计软件对湖州市水质时空变化情况进行分析,根据《地表水环境质量标准》将水质监测数据进行分类,并利用机器学习算法对水质数据进行模式识别,在完成模型训练后,采用递归特征消除算法进行特征筛选,对关键水环境污染物进行识别。结果表明,湖州市整体水质按优劣情况排序依次为西苕溪流域、东苕溪流域、东部平原河网、长兴水系,水质指标对水质级别影响程度排序依次为化学需氧量、总磷、氨氮、高锰酸盐指数、五日生化需氧量。研究成果可为湖州市水环境治理工作提供技术支撑。

关键词： 金属玻璃   软磁性   玻璃形成能力   机器学习   材料描述符  

摘要： 提出一种领域知识辅助的机器学习方法,实现对软磁金属玻璃饱和磁化强度(B_(s))和临界尺寸(D_(max))的预测。基于公开的实验数据,建立软磁合金数据库。提出一个通用的特征空间,适用于面向不同预测任务的机器学习模型训练。结果表明,机器学习模型的预测能力比基于物理知识的估计方法精度更高。此外,领域知识辅助的特征选择可在有效减少特征数量的同时,不显著降低模型的预测精度。最后,对软磁金属玻璃临界尺寸的二分类预测进行讨论。

关键词： 精神分裂症   多分类器   Xgboost模型   灰质体积   低频幅度   缺陷型精神分裂症   支持向量机   灰质体积   阴性症状   缺陷型精神分裂症   功能连接   感觉运动网络   灰质体积   支持向量机  

摘要： 第一部分 基于Xgboost和改良小数据集信息融合方法建立精神分裂症多重分类研究 背景:精神分裂症是一种严重的精神病性障碍,根据患者是否存在持续的阴性精神病性症状,可分为缺陷型精神分裂症(deficit schizophrenia,DS)或非缺陷型精神分裂症(non-deficit schizophrenia,NDS),前者预后更差,因此早期正确鉴别DS、NDS及正常对照(Health control,HC)有助于精神分裂症不同亚型患者的精准长期干预和康复。 目的:针对精神分裂症患者及其健康对照组小样本队列的多模态磁共振扫描数据集,本文采用新的基于极限梯度增强算法(Extreme Gradient Boo sting,Xgboost)以及信息融合的多重分类方法完成DS和NDS亚型以及正常对照组的三分类研究。 方法:首先,引入Xgboost分类器,基于MRI数据提取灰质体积(Gray matter volume,GMV)和低频幅度(Amplitude of Low Frequency Fluctuations,ALFF)作为分类器的特征值区分两种精神分裂症亚型与健康对照的三分类。然后,再利用D-S证据理论(Dempster-Shafer,D-S)实现GMV与ALFF特征值的信息融合,根据不同分类器的输出确定基本概率分配。最后,应用该算法对38名健康对照、16名DS患者和31名NDS患者进行分类,并用10折交叉验证法获取分类性能。 结果:基于精神分裂症小数据集的GMV值和ALFF值,利用改进的Xgboost和信息融合方法获得的多重分类器的准确率为73.89%,曲线下面积(Area Under Curve,AUC)为0.89,高于单用GMV或ALFF的分类结果,也高于其他传统分类算法,包括支持向量机(Support vector machine,SVM)、逻辑回归(Logistics Regression,LR)、K邻近(K-NearestNeighbor,KNN)算法、BP神经网络(Back Propagation neural network,BP NN)、分类回归树(Classification And Regression Tree,CART)、朴素贝叶斯分类器(Naive Bayes,NB)、极限梯度增强(Xgboost)和深度神经网络(Deep Neural Networks,DNN)。 结论:精神分裂症小数据集中,基于Xgboost和信息融合改进的多分类方法的准确率较高,分类结果优于其他传统机器学习方法,提高了精神分裂症亚型分类的效能。 第二部分 基于支持向量机和GMV信息分类缺陷型与非缺陷型精神分裂症患者 背景:根据患者是否存在原发性和持续性阴性症状,精神分裂症可分为缺陷型精神分裂症(DS)和非缺陷型精神分裂症(NDS),不同的亚型预示不同的预后及用药倾向。本研究基于灰质体积(GMV)和支持向量机(SVM)对缺陷型与非缺陷型精神分裂症患者进行分类,并进一步探讨分类重要脑区的GMV值与临床症状的相关性。 方法:首先,共有16名DS、31名NDS和38名健康对照(HC)接受了静息态fMRI扫描,利用基于体素的形态测量学(voxel-based morphometry,VBM)方法获得全脑GMV。患者组进一步完成临床量表评估,包括简明精神病评定量表(Brief Psychiatric Rating Scale,BPRS)、阴性症状评估量表(The Scale for the Assessment of Negative Symptoms,SANS)和阳性症状评估量表(The Scale for the Assessment of Postive Symptoms,SAPS)。然后,基于 GMV 图像数据,采用 PRoNTo(Pattern Recognition for Neuroimaging Toolbox)软件中自带的SVM分类器对三组患者进行分类。最后,对DS和NDS分类中权重占前1%的脑区提取GMV值,并探讨两亚型患者的GMV值与临床量表之间的相关性。 结果:利用支持向量机分类方法,本研究获得DS与NDS、DS与HC、HC与NDS的分类准确率分别为78.6%,84.63%及83.26%,且对应的曲线下面积(AUC)分别为0.84、0.85及0.84,在DS和NDS分类中权重占前1%的部分脑区的GMV值与SANS量表呈负相关,这些脑区包括右侧顶下小叶、右侧顶上小叶、左侧中央前回、楔前叶、右侧颞下回和右侧丘脑。 结论:基于SVM分类器和GMV图像,本研究获得了相对较高的分类精度,并发现分类中起重要作用的脑区对应的GMV值与SANS量表呈负相关,提示阴性症状加重会使部分脑区的灰质体积降低,为精神分裂