关键词： 粗糙集理论   多级评分   认知诊断   属性约简   机器学习   决策表  

摘要： 认知诊断(cognitive diagnostic assessment,CDA)不仅能够评估个体能力值水平,还可以提供各知识点属性的掌握情况,使得针对性补救教学成为可能。研究者们开发了许多参数化的认知诊断模型,取得了很好的成果,但也存在一些问题,这些问题包括被试量依赖、估计时间过长等,这些问题使得认知诊断无法很好的应用于实际需要。为了解决以上问题,研究者提出了将以分类算法为主的粗糙集方法用于认知诊断中,粗糙集作为刻化和处理不确定性的数学工具,无需先验信息,即可导出分类规则以对论域中的对象进行分类。由此开发出的认知诊断粗糙集方法有着无需项目参数、无需大量被试、适用于属性个数多的测验、无需等值、能够提供学生诊断的即时反馈等优点。然而,已有认知诊断粗糙集方法在属性约简方法和决策规则判准上仍然不成熟,存在一定的问题,例如遗传算法约简结果易局部收敛导致可靠性不足;决策规则判准方法结果粗糙;在较大样本下表现无法提升,以及无法用于目前实际考试中最为常见的多级评分项目。针对以上问题,本文对认知诊断粗糙集方法中的属性约简和决策规则判准两个环节进行了改进,并将认知诊断粗糙集方法拓广到多级评分测验。为了探究改进的认知诊断粗糙集方法效果及其影响因素,本文共开展了四项研究,其中三项模拟研究及一项实证研究。研究一主要在模拟条件下,对粗糙集四种具有代表性的属性约简方法在各条件下进行比较;研究二模拟在认知诊断粗糙集方法下,对六种机器学习方法与决策规则判准的结果进行了比较;研究三通过对比两种决策表的设计,开发了多级评分认知诊断粗糙集方法;研究四在实证数据下验证了改进后认知诊断粗糙集方法的有效性。研究结果表明:(1)在4种属性层级关系条件下,条件信息熵的属性约简方法在粗糙集方法中表现都高于其他几种约简方法,包括已有研究中使用过的遗传算法,且条件信息熵的方法的判准率显著高于遗传算法的判准率。(2)随着属性数增加、猜测失误率提高,DINA(deterministic inputs,noisy“and”gate)模型的判准率下降很快,而粗糙集方法相对更稳定一些。(3)在绝大多数条件下,六种机器学习方法中支持向量机、随机森林和朴素贝叶斯分类器在粗糙集方法中表现高于简单使用决策规则对被试的属性掌握模式进行判准,且朴素贝叶斯分类器方法表现最佳;在属性数较多且样本量较大的条件下,即对于机器学习方法来说训练集较大时,机器学习方法的表现明显好于决策规则方法,二者的判准率存在显著差异。(4)所开发的多级评分认知诊断粗糙集方法虽然与PC-DINA(partial credit DINA)模型结果还有一定的差距,但其判准速度快、不依赖被试量以及判准性能良好的优点依然得到保持,具有一定的实用价值。(5)在实证研究中,改进后的认知诊断粗糙集方法在模式判准率上高于原始的认知诊断粗糙集方法和DINA,在属性判准率上几者表现相近。

关键词： 地表反照率   平坦地表   山区地表   哨兵二号   机器学习   遥感反演  

摘要： 地表反照率定义为地表反射太阳短波辐射与入射短波辐射之比,是地球表层能量循环的关键参数之一,驱动地表辐射强迫变化,进而对区域地表气候变化产生影响。遥感卫星为全球尺度地表反照率制图提供了关键数据源。在过去几十年中,利用遥感卫星数据已经生产了区域/全球覆盖范围的百米至千米空间尺度的地表反照率遥感产品,如500m中分辨率成像光谱仪（MODIS）MCD43A3产品、0.5°多角度成像光谱仪（MISR）反照率产品和1000m全球陆地表面卫星（GLASS）反照率产品等。这些反照率产品已被应用于提供区域/全球范围的反照率观测,供气候变化监测和生物圈模型应用、辐射强迫估算、物候学研究等,总体精度在0.02-0.05之间。对于反照率产品的应用,如森林管理中特征斑块反照率分布、全球农业的典型农田大小或城市地区的主要不透水表面范围反照率的变化和分布等,这种粗尺度的反照率产品并不十分适合。此外,地表反照率遥感产品受地形效应影响严重,已有的反照率产品都没有考虑到地形影响,使得这些产品在山区的误差较大,难以获得满意的结果。高分辨率反照率具有更高的空间分辨率（从10m到100m）的优势,可以填补反照率产品从全球范围到区域尺度应用的空白,特别有助于量化地块尺度上土地利用变化引起地表反照率变化对农田生态系统干扰的影响。Sentinel-2卫星可以提供可见光至近红外波段精细尺度的观测值,空间分辨率为10m,时间分辨率约为5天,为构建高分辨率的地表反照率产品提供了重要数据源。 针对反照率产品空间分辨率低,没有考虑地形影响这两个问题,本论文以构建高分辨率地表反照率遥感产品为目标。首先,通过比较四种数据驱动的机器学习算法(人工神经网络（ANN）、K近邻算法（KNN）、随机森林（RF）和XGBoost（XGBT）)的性能来评估最优的机器学习反演地表反照率算法;进而,利用Sentinel-2卫星数据,分平地和山地两类地形特征情况,反演高分辨率地表反照率遥感产品;最后,利用最优的反演模型,借助于Google Earth Engine（GEE）平台,生成了青藏高原2019年高分辨率地表反照率产品,并将其重采样到500m后与MODIS反照率产品进行比较,评价其时空一致性,同时也比较了Sentinel-2和MODIS地表反照率在冰雪地表的精准体现。本文的主要结论如下: （1）在平坦地表,机器学习模型（ANN、KNN、RF、XGBT）在反演地表反照率方面具有很好的性能。通过测试数据与验证数据的检验,四个模型的精度都非常高,Bias范围为-0.0024～0.0018,R2高于0.99,RMSE范围在0.0055～0.0126。通过与地面站点反照率测量值相比,四类算法反演的Sentinel-2高分辨率反照率显示出很高的精度,Bias范围为0.0007～0.0113,R2高于0.9465,RMSE范围为0.0308～0.0335。其中,RF模型反演精度优于ANN、KNN和XGBT模型,Bias是0.0027,R2为0.9472,RMSE为0.0308。 （2）在山区表面,机器学习模型（ANN、KNN、RF、XGBT）在反演地表反照率方面也具有很好的性能。通过测试数据在不同坡度范围内进行检验,四个模型具有很高的精度。整体的Bias范围在-0.002～0.0023,R2高于0.96,RMSE范围在0.0048～0.0092。通过与地面站点反照率测量值相比,四类算法反演的Sentinel-2高分辨率反照率显示出很高的精度,Bias范围为-0.002～-0.0009,R2高于0.5871,RMSE范围为0.0254～0.0272。其中,RF模型反演精度优于ANN、KNN和XGBT模型,Bias是-0.002,R2为0.6162,RMSE为0.0254。 （3）青藏高原区域,Sentinel-2地表反照率与MODIS产品有很高的一致性,黑空反照率的Bias为0.003,R2为0.9387,RMSE为0.0282。地表反照率呈现季节性变化,冬季反照率值最高,春季开始降低,夏季将至最低值,秋季反照率值增加,冬季反照率增加到最高。Sentinel-2地表反照率在冰雪地表上有很高的准确性,可以很好的表现出冰雪地表的地表反照率分布并反映其变化。

关键词： 脑卒中   非平衡数据   机器学习   风险预测  

摘要： 当脑血管突然破裂或者由于血管堵塞造成部分血液不能流向大脑时,就会引起脑卒中。没有血液供应,脑细胞会逐渐死亡,进而大脑区域会受到影响并致使残疾。若能早期识别卒中症状,并且及时地进行干预治疗,那么对于提升患者的治疗效果以及减少患者伤残率都有重要的意义。为此本文选取了部分机器学习算法来构建脑卒中预测模型,为预测脑卒中发生风险设计了一个优异的框架,用以辅助医生进行诊治决策,期望能最大化实现对患者病情的早期预防和治疗。本文研究的主要内容如下:基于重采样方法的数据平衡。首先,对healthcare-dataset-stroke-data公开脑卒中数据集进行数据预处理,包括数据清理、均值填充、数据规范,采用两种重采样方法解决脑卒中数据集的数据不平衡问题。确定十个特征指标作为机器学习算法模型的输入,中风特征指标作为机器学习算法模型的目标预测类别。将采用欠采样和过采样方法处理后的平衡数据,分别输入到支持向量机、随机森林、逻辑回归算法构建的脑卒中预测模型中,并且,比较分析两种重采样方法优化前后的预测结果。试验结果表明,平衡后的数据明显提升了预测模型的分类性能,且SMOTE算法处理后的数据在分类预测模型中的准确率、精确度、召回率和ROC值都是最高的。基于机器学习算法构建脑卒中风险预测模型。采用部分机器学习算法构建一个堆叠(Stacking)算法模型,将优化后的数据集输入到支持向量机、随机森林、逻辑回归和堆叠算法模型中对疾病风险进行预测。从实验结果可以看出,Stacking-SMOTE算法预测模型的准确率、精确度、ROC值都比单一分类器算法预测模型更优。并且将本研究的结果与相同数据集下的研究结果进行了比较,本研究的方法明显优于其他研究方法的分类性能。此外,Stacking算法利用可解释机器学习技术来理解模型对临床预测的适用性,可以揭示预测结果背后的原因。深度学习算法和经典机器学习算法在预测卒中风险时的性能对比。首先对公开的The International Stroke Trial数据集进行数据预处理,然后采用几种深度学习方法和机器学习方法分别构建卒中风险预测模型,并将它们的预测结果进行比较,最后分析得出结论:深度学习算法在脑卒中风险预测方面的性能并不优于经典机器学习算法。

关键词： 图像处理   害虫识别   BP神经网络   随机梯度下降   动态预测  

摘要： 伴随着农业科技和生产技术水平的提升以及我国农业生产结构加速调整,我国温室大棚产业保持稳步增长。现阶段,影响大棚农作物产量和质量的主要因素为农业害虫,实现对温室大棚害虫的精准查杀和虫害的动态预测是促进温室经济进一步发展的关键。传统的害虫防治主要依靠人眼观察和主观施药,经常出现多用或错用药的情况,导致农作物减产。随着图像处理、计算机视觉和机器学习技术的快速发展,将其应用于农业害虫防治取得了较好的效果。基于此,本文将温室害虫粉虱、蓟马作为实验对象,结合并改进图像处理和机器学习相关技术和算法,研究分析了害虫的识别计数问题和虫害爆发的动态预警问题,并设计了自动化的识别预警系统。测试表明该系统对害虫的识别和计数具有高效性和准确性,且能有效预测虫害的爆发。本文的主要工作和创新点如下:1、针对粘虫板图像存在复杂噪声且害虫数量多导致目标分割困难的问题,本文设计一套完善的工作流程,综合运用了图像增强、边缘检测、阈值分割等技术对害虫目标区域进行精准分割。测试表明,设计的目标分割流程在真实粘虫板图像上实现了较好的分割准确率。最后,对目标分割获取的单个害虫图像提取分类特征并构建训练数据集,使用线性支持向量机完成分类模型训练,测试表明分类模型的识别准确率为96%。2、构建了基于BP神经网络的虫害等级预测模型。针对随机梯度下降法(Stochastic Gradient Descent,SGD)效率低、容易陷入局部最值的问题,提出自适应权重更新和学习率衰减相结合的改进SGD算法,并从参数寻优路径、损失函数和泛化性三个方面对模型进行评估。实验结果表明,改进后的算法在模型性能上有一定提升。最后将本文模型和现有的SVM虫害预测模型进行对比分析,结果表明本文模型具有更高的预测准确率。3、为了更好的应用于实际项目中,本文设计开发温室害虫智能识别、预警系统。该系统可视化展示了不同时段害虫信息,并生成害虫密度热力图;结合环境信息对虫害等级进行动态预测,并根据结果给出相应的治虫策略意见。

关键词： 土壤—环境关系   特征筛选   机器学习   土壤类型   土壤制图  

摘要： 在数字土壤制图中,能否准确获得土壤—环境知识直接决定土壤制图最终精度。在平缓区域,传统的地形、植被等环境要素变异较小,难以有效反映土壤的空间变异。如何提取能够有效反映平缓区域土壤空间变异信息的环境协变量成为数字土壤制图的研究重点和难点,同时也是提高平缓区域土壤制图精度的重要科学问题。基于上述问题,本文综合利用地形因子和遥感图像作为推理制图的知识源,针对丘陵和平原混合区域研究了数字土壤预测制图方法,并分析遥感因子在推理过程中的重要性。本研究的开展可以拓展数字土壤制图知识获取的理论和方法,为提高平缓区域制图精度奠定基础,具有重要的研究价值和意义。本研究以湖北省麻城市乘马岗镇为研究对象,该地区是典型的平原和丘陵混合区域。以地形和遥感因子为基础数据,采用不同特征筛选方法对环境因子进行重要性分析,研究不同环境因子对平原和丘陵区域土壤类型空间分布的影响,得出最优环境因子集。最终通过不同机器学习方法进行建模进而推理制图。研究旨在综合利用地形和遥感因子作为推理制图的知识源,从而提高平缓区域的土壤制图准确度,具体研究内容如下:(1)本文选用不同特征筛选算法(基于递归特征消除算法、基于Relief F算法和基于Tree的特征选择算法)对环境因子进行筛选,基于递归特征消除算法筛选后得到的环境因子预测制图精度比Relief F算法和基于Tree的特征选择算法筛选后得到的环境因子预测制图精度更高。同时,各种筛选算法可以对环境因子的重要性进行排序,从生成的重要性排序结果可以看出,归一化植被指数和均值在平原区域相较于整体区域和丘陵区域的重要性较大,进一步说明遥感因子对平原区域土壤制图的重要性较高。(2)将不同的特征筛选算法筛选后得到的环境因子输入至不同机器学习模型中对土壤类型进行预测,最终得到土壤类型推理图。同时,对各种机器学习模型在整体区域制图、平原区域和丘陵区域的应用进行探讨。结果显示:不同模型表现的土壤推理图相较于传统土壤图图斑均表现的更加细碎,相比整体区域制图结果,按地形分区制图结果精度更高、效果更好。(3)在本研究中,从土壤类型推理制图结果来看,研究区土壤类型的空间分布在这三种模型的预测中显示出显著的相似性。然而,三种模型精度和稳定性表现不同。从模型角度分析,Ada Boost分类模型、GBDT分类模型和Bagging分类模型在分类制图方面展现出各自的优势。从制图精度来看,GBDT分类模型在按地形分区生成土壤图时表现出的精度最高;从模型稳定性的角度来看,Ada Boost分类模型在按地形分区制图生成土壤图的精度最为稳定。从模型综合性能来看,Bagging分类模型在按地形分区生成土壤图时能够在保证稳定性要求的情况下精度表现也较好。综上,将机器学习方法与特征筛选算法结合进行土壤图的建模预测推理具有重要的研究价值。

关键词： 定量构效关系   抗氧化性   抗炎活性   SARS-CoV-2Mpro抑制剂   依布硒林  

摘要： 定量构效关系分析（QSAR）是一种对分子的活性及理化性质进行定量预测的方法,通过建立合理的数学关系模型,揭示分子性质随分子结构特征参数的变化规律,对深入理解药物的作用机理、指导新药设计及合成具有重要意义。本论文采用量子化学计算和机器学习方法结合的研究方法,进行了三个定量构效关系研究以及分子设计工作,其中具体的研究内容概括如下:（1）抗氧化吡咯衍生物:本文针对一系列吡咯衍生物分子及其分别对羟基自由基（·OH）、超氧阴离子(O2·-)和1,1-二苯基-2-苦基-酰肼自由基（DPPH·）的清除活性作为QSAR研究的训练数据集。采用基于遗传算法的多元线性回归（GA-MLR）和人工神经网络算法（ANN）,建立了由量子化学计算获取的空间结构参数以及电性参数与三种自由基清除活性数据的QSAR模型。最终得到的6个QSAR模型均具备良好的预测效果,其中GA-MLR的训练集预测值决定系数R2大于0.8,外部测试集的均方根误差RMSE在0.3至0.6的范围内;ANN模型在训练数据上的R2值均高于0.9,且其各自的测试集的RMSE与线性回归模型具有相近的数值。建模结果显示,在这三类自由基清除活性研究中起重要作用的主要分子描述符是C2-R（b）键长、HOMO轨道能量、分子可极化率和分子疏水性参数Alog P。最后,本文设计了17个新吡咯类分子,根据GA-MLR和ANN模型预测结果,新设计化合物普遍具有更高的抗氧化活性。2)榴莲提取抗炎化合物:本章对从榴莲中提取的45个化合物进行了基于四种机器学习算法的QSAR研究,旨在探讨这一系列结构复杂的天然分子的抗炎活性机制。四种算法包括:采用随机森林（RF）、梯度提升回归（GBR）、支持向量回归（SVR）和人工神经网络（ANN）四种机器学习方法。通过对所建立的全部QSAR模型的评估与分析,获得了由Shadow ratio、Dipole z、Methyl、Ellipsoidal volume和Methoxy这5个分子特征构建的最佳SVR模型。其各项评估系数分别为:训练集的R2为0.907、RMSE为0.123,十折交叉验证R2为0.770、RMSE为0.191,外部验证集R2为0.812、RMSE为0.097。在此基础上,对最佳SVR模型中的5个分子特征依次进行分析,深入讨论了分子特征数据与分子的抗炎活性之间的关系。（3）1,2-苯并硒唑-3-酮类化合物:本章对依布硒林及其结构类似物（1,2-苯并硒唑-3-酮类化合物）的抗新型冠状病毒（SARS-CoV-2）的分子作用机制进行了研究。首先,采用基于RF和ANN算法建立定量构效关系模型,探讨了1,2-苯并硒唑-3-酮类化合物的SARS-CoV-2主蛋白酶(Mpro)的抑制活性构效关系。其次,利用基于配体的并行级联分子动力学模拟（LB-Pa CS-MD）,通过稀有采样,分析了依布硒林分子与Mpro结合口袋的结合作用模式,发现其中的关键结合作用是依布硒林分子与Mpro的氨基酸残基MET49是否形成S-π相互作用。此外,本文设计的46个新型1,2-苯并硒唑-3-酮类似物,根据QSAR模型的预测,其中四个化合物具有最高的Mpro抑制活性,最后经过分子对接计算分析和药代动力学性质评价,其中两个新分子（T17和T23）相比于依布硒林分子（E01）,它们同Mpro活性位点具有更强的结合作用,而且没有潜在毒副特性。

关键词： Chromatin   Denoising autoencoder   Machine learning   Molecular dynamics   Nonlinear manifold learning   Tetranucleosome  

摘要： The packing of nucleosomes regulates gene expression through genome condensation and expansion, but the specific structures and their thermodynamic stabilities remain unresolved. In this work, we employ the use of a meso-scale model of chromatin, referred to as "1-Cylinder-per-Nucleosome," or 1CPN, in combination with nonlinear manifold learning to identify and characterize the structure and free energy of metastable states of short chromatin segments. Our results reveal the intrinsic formation of two previously characterized tetranucleosomal conformations, the "α-tetrahedron" and the "β-rhombus," which have been suggested to play a role in inducing chromatin compaction or elongation, respectively. Building upon these findings, we leverage convolutional neural networks and molecular dynamics simulations, to design a deep convolutional denoising autoencoder (DAE) capable of providing nucleosome-level resolution of scanning transmission electron microscopy images of chromatin (ChromSTEM). Our DAE is trained on synthetic images generated from simulations of the chromatin fiber using the 1CPN model of chromatin, thereby learning structural features driven by the physics of chromatin folding. We find that our DAE outperforms other well-known denoising algorithms without degradation of structural features and allows for the resolution of individual nucleosomes and organized domains within chromatin-dense regions. Lastly, we investigate how post-translational modifications (PTMs), modeled as modifications to the nucleosome interaction potential, affect the construction of these motifs and, consequently, the chromatin fiber as a whole. Our study provides important insight into chromatin folding and highlights the value of interdisciplinary approaches in this field.

关键词： 钢筋混凝土构件   受剪性能   机器学习   可解释性  

摘要： 随着大数据时代的繁荣发展，钢筋混凝土(ReinforcedConcrete,RC)构件受剪性能的智能预测成为了可能.相较于传统建模方法,机器学习算法显著提升了预测精度和泛化能力.建筑安全事关重大，有效预测是避免重大损失的重要途径之一，这不仅要求模型具有较好的预测性能和计算效率，而且希望模型具有透明的决策行为和合理的决策依据.因此，预测模型的可解释性成为受剪性能预测工作中的焦点问题.本文以RC构件为研究对象，以其受剪承载力和破坏模式为预测目标，建立关于受剪性能预测的集成学习模型,建模后利用可解释机器学习方法分析预测模型的决策行为.主要工作如下:　　第一,针对RC构件受剪承载力的预测，本文提出了可解释性回归模型.一方面，收集了RC深梁受剪承载力数据集(457个试件)，依据深梁的受剪机理确定输入特征，对于四种不同的配筋类型分别构建了多个回归预测模型.通过单一模型和集成模型之间的对比，所建立的XGBoost模型在预测性能方面具有明显优势.另一方面，本文基于五种方法多角度地进行模型可解释性研究.首先，LIME方法关注样本个体，解释特征贡献.其次,SHAP方法关注局部和全局解释,包括特征重要性和特征依赖性.然后，本文提出结合Shapley值和受剪机理来度量深梁不同组分受剪贡献率的思想.最后，引用PDP,ICE和ALE方法通过数值模拟分析多个关键影响因素取值的变动对模型输出结果的影响效应.以上结果表明所提出模型的决策是符合深梁受剪机理的，即模型预测结果是可信的.　　第二，针对RC构件破坏模式的预测，本文提出了可解释分类模型.首先，收集了RC梁破坏模式数据集(295个试件)，依据受剪机理和多国规范构造了箍筋特征值的两种形式，从而确定了两种输入特征子集，分别构建了多个二分类预测模型.相较于单一模型，本文建立的集成学习模型表现最佳.之后，本文通过一系列方法多角度地揭示并可视化模型的决策行为.LIME方法解释单个样本的预测概率.SHAP方法能够解释单个样本或整体的预测概率，也能够进行多变量交互影响分析.基于PDP,ICE和ALE方法计算不同类别之间箍筋特征值的界限值，即识别阈值.相较于三个国家规范提出的限值，本文提出的最小箍筋特征值(λsv,f''c,min=0.059)在避免钢筋混凝土梁发生斜拉破坏问题上具有最高的安全性.