关键词： 盒型件冲压   变压边力参数   响应面法   遗传算法   机器学习方法  

摘要： 起皱和破裂是拉深成形过程中常伴有的主要成形缺陷,导致零件起皱和破裂出现的工艺参数有很多,例如摩擦系数、冲压速度、板料温度、压边力等等。基于传统方法的板料拉深成形工艺的设计,需要通过“试错法”反复修整设计参数以及工艺参数,消耗大量时间,成形质量也无法确保。目前在实际的工业生产中,在板料冲压成形过程控制起皱及破裂问题的主要手段之一是控制压边力。理论和研究表明,变压边力能够有效提高板料的成形性能,但这导致整个系统更加复杂,零件质量优化难度更大。因此,如何提高板料成形质量优化效率是十分关键的问题。通过代理模型与优化算法的结合对最优成形参数的搜索,提高零件成形质量一直是该领域的研究热点。 本文基于智能化算法,以异形盒型件为研究对象,对零件的成形质量(最大减薄率、最大增厚率)预测与优化方法进行研究,主要工作内容如下: (1)通过响应面方法建立预测成形质量模型。分析板料出现破裂、起皱缺陷的原因,根据盒型件几何特征变化,设计一种分区压料板,每一块压料板能够独立施加压边力。基于拉丁超立方实验设计方法,单区域压边力范围为0.2-2.2 k N,共设计175组,利用PamStamp有限元方法完成板料成形分析。以最大减薄率与最大增厚率为质量评价指标,利用响应面法建立分区压边力条件下的板料成形质量预测模型,根据压料板在不同位置施加的压边力大小不同,分析关键区域压边力对成形结果的影响。 (2)利用遗传算法优化盒型件成形质量,实现分区压边力工艺参数自动优化。将有限元方法与遗传算法结合,直接利用有限元方法计算成形质量。将响应面法与遗传算法进行结合,搜索整个设计空间,寻找最优成形参数。并将两种方法进行横向对比分析,比较两者的优劣性。 (3)分析复杂工艺参数下代理模型对成形结果的预测能力。提高变压边力自由度,将分区压边力与变化压边力结合,其中压料板分为八个独立区域,冲压行程中设计六个关键节点,共48个压边力变量。根据python实现自动化仿真,共随机仿真1000组。根据K-最临近算法、人工神经网络、梯度提升方法、高斯过程建立成形质量预测模型,分析对比不同模型预测成形质量的准确程度。利用卷积神经网络建立预测板料厚度分布模型,对变压边力工艺成形后盒型件的板料厚度分布进行预测,并将结果与有限元分析方法进行对比,讨论预测厚度分布方法的可行性。

关键词： 滨海盐沼湿地   涡度协方差技术   总初级生产力   光学卫星遥感   机器学习方法  

摘要： 总初级生产力（Gross primary productivity,GPP）是衡量生态系统功能的重要参数之一,准确估算滨海盐沼湿地GPP对阐明滨海湿地碳收支情况及碳汇能力至关重要。然而,由于滨海湿地具有面积小、破碎化等特征并且受潮汐淹水的影响,区域尺度滨海湿地GPP估算依然具有较大的不确定性,缺乏适用的高分辨率滨海盐沼湿地GPP估算方法。本研究以长江口典型盐沼湿地九段沙湿地与崇明西沙湿地为研究区域,基于线性回归模型和机器学习随机森林回归模型,通过整合涡度协方差（Eddy covariance,EC）、陆地卫星（Landsat）和中分辨率成像光谱仪（Moderate-resolution imaging spectroradiometer,MODIS）影像等多源数据,开展长江口盐沼湿地的高空间分辨率GPP估算模型的构建与评价、影响因素探究以及空间格局的分析。本研究基于不同分辨率的卫星遥感数据源,使用卫星衍生的光合有效辐射（Photosynthetically active radiation,PAR）、增强植被指数（Enhanced vegetation index,EVI）、归一化差异植被指数（Normalized difference vegetation index,NDVI）和归一化差异水指数（Normalized difference water index,NDWI）单独或不同的指标组合方式为驱动因素来实现两种回归模型,并研究它们在估算GPP方面的表现。主要研究结果如下:（1）本研究通过采用完全由遥感数据驱动的VI×PAR模型结构,实现了长江口典型盐沼湿地GPP估算。结果表明,采用线性回归模型进行EVI与PAR的整合通常具有最大的GPP估算潜力,其表现达到了R2>0.75,RMSE<6.80μmol m-2 s-1。在几乎不受潮汐和植物凋落物影响的滨海盐沼湿地中,NDVI的表现超过了EVI（R2>0.78）。与线性回归方法相比,随机森林方法在使用EVI、NDVI、NDWI和PAR组合作为输入变量时,在估算近瞬时尺度的GPP变化时具有最佳性能。此外,使用30米分辨率的Landsat数据比使用500米分辨率的MODIS数据或10米分辨率的Sentinel-2数据更适合于产生准确的GPP估算结果。（2）探讨环境因素特别是潮汐淹水对使用的VI×PAR估算形式估算GPP的影响,结果表明,考虑潮汐淹没的影响后,在剔除NDWI>0.2的数据的情况下,VI×PAR与实测GPP之间的简单线性关系强度普遍有一定程度的提高,EVI×PAR的R2可以达到0.81。并且在随机森林回归模型中,使用EVI、NDVI、NDWI和PAR的组合表现最好,具有最高的测试数据的R2（0.71）和最低的RMSE(6.64μmol m-2 s-1)值。这表明使用机器学习算法,以及增加反映潮汐影响的遥感指数,对于滨海盐沼的GPP估算是有利的。（3）本研究对以长江口典型盐沼湿地为研究区域进行了植被分类和区域尺度的GPP估算。估算结果表明,2005年至2020年期间,长江口盐沼湿地的植被面积整体呈现上升趋势,整体上长江口盐沼植被面积从2005年的121.28km2到2020年的101.07 km2,净损失20.21 km2。不同种类的长江口盐沼植被的面积变化量差异很大,其中C4植物互花米草的GPP值明显高于其他类型植被,例如基于线性回归模型的GPP估算结果,在2020年8月16日长江口互花米草湿地的空间平均GPP为20.96μmol m-2 s-1,比芦苇的GPP高出约49%。综上所述,本研究结果表明,在进行滨海湿地GPP近瞬时尺度估算及其空间格局分析时,运用高空间分辨率的数据,准确使用遥感指数,并结合机器学习算法,将有利于获得更精确、更全面的估算结果。

关键词： 轨道电路数据   绝缘节识别   小波变换   支持向量机   样本划分  

摘要： 随着经济的快速增长,对铁路运输效率和运输能力的要求越来越高。绝缘节作为轨道电路的重要组成部分,对轨道信号实现电气隔离,以保证铁路的正常运行。绝缘节可分为机械绝缘节和电气绝缘节两种。目前,国内高铁站内采用的机械绝缘节类型中,胶接绝缘节最为普遍,此种绝缘节的平顺性通常要弱于电气绝缘节,严重损伤时会引起车辆的高频振动。为便于对胶接绝缘节的状态进行综合评价,本文需要解决绝缘节定位和绝缘节分类两个问题。鉴于此,本文挖掘胶接绝缘节和电气绝缘节的数据特性,并基于轨道电路数据识别两类绝缘节的位置及区分绝缘节的类别。根据数据信号的特征属性,本文建立了基于小波变换和支持向量机(Support Vector Machine,简称SVM)的两类绝缘节识别方法。针对绝缘节定位问题,首先对轨道电路数据信号做归一化处理。其次借助小波变换系数模极大值点对应信号突变点的理论,选取db3小波对信号做小波变换并获取小波变换系数的模极大值点。之后针对小波变换系数模极大值点中包含许多非绝缘节处的干扰点的情况,根据绝缘节处的信号特性,通过设置阈值等措施滤除干扰点,仅保留绝缘节处的值最大的模极大值,实现绝缘节的准确定位。最后对比分析了不同小波的绝缘节定位效果,以及其他方法的定位效果。针对绝缘节分类问题,首先根据绝缘节定位点及绝缘节的长度信息,选取轨道电路信号中的绝缘节位置点及两侧有效样本点,将其划分为单个样本,并提取合适的特征参数,构造特征集。其次输入特征集到RF、XGBoost、BP神经网络、SVM等分类器中进行分类识别。结果表明,基于SVM的建模方法得到的准确率为99.42%,精准率为100%,召回率为95.24%,F1评分为97.56%,相比其他模型更好,且平均运行时间更短。因此SVM模型可以更有效的区分两类绝缘节。

关键词： 野生型胶质母细胞瘤   弥散张量成像   影像组学特征   预后价值   风险分层   机器学习  

摘要： 背景:　　胶质母细胞瘤(Glioblastoma,GBM)是胶质瘤中发病率最高、恶性程度最高且预后最差的一种分型。其标准多模式治疗包括最大安全切除术以及术后规律放疗联合替莫唑胺化疗。尽管进行了标准治疗，患者中位生存期也仅有12-15个月。世界卫生组织(World Health Organization,WHO)于2021年发布了第5版中枢神经系统(Central Nervous System,CNS)肿瘤分类办法，其中异柠檬酸脱氢酶(Isocitrate Dehydrogenase,IDH)野生型且病理检验提示肿瘤组织存在坏死或微血管增生，或具有表皮生长因子受体基因扩增、7号染色体扩增/10号染色体缺失(+7/-10)、端粒酶逆转录酶(Telomerase Reverse Transcriptase,TERT)启动子区突变这三个分子变异之一的成人弥漫性胶质瘤被定义为“胶质母细胞瘤，IDH野生型”。与2016年的WHO CNS肿瘤分类办法相比，IDH突变型的胶质瘤被排除在GBM之外，显著降低了 GBM的异质性。然而，目前的临床工作发现IDH野生型GBM患者的治疗反应及预后情况仍存在较大差异。这表明IDH野生型GBM背后可能存在不同亚型。因此，对IDH野生型GBM患者进行风险分层，探索各个亚型背后的特征性生物学通路将有助于改善疾病管理，指导个体化治疗。近年来，影像组学与机器学习技术的飞速发展大大降低了提取与分析高通量数据的难度。因此，大量的影像组学研究得以展开，众多研究结果表明医学影像可部分地反映肿瘤的病理生理特征。在胶质瘤磁共振成像(Magnetic Resonance Imaging,MRI)相关的影像组学研究中发现，影像组学特征比临床病理特征显示出了更高的预后价值。作为MRI中的结构成像序列，弥散张量成像(Diffusion Tensor Imaging,DTI)通过收集并分析脑中水分子扩散方向的信息来展示脑白质纤维束的微观结构，它能够清晰地反映胶质瘤对脑白质纤维束的侵犯与浸润，帮助人们了解胶质瘤对脑组织微观结构的影响。然而,由于缺乏对DTI序列相关指标的含义与临床意义的了解，使DTI序列的临床应用受到极大的限制。　　目的：　　从DTI图像中提取并筛选出具有高预后价值的影像组学特征，构建并验证预测IDH野生型GBM患者预后的影像组学模型，对患者进行风险分层，寻找可能的肿瘤亚型。探索这些高预后价值的影像组学特征背后的生物学基础，从而对IDH野生型GBM患者进行早期精准干预，以改善患者的预后。　　方法：　　本研究团队搜集了从2013年1月到2022年1月之间，于郑州大学第一附属医院神经外科进行手术治疗并经过组织病理确认的脑胶质瘤患者的临床及影像资料信息，经过入组筛选后共纳入258名IDH野生型GBM患者。将入组患者按照约1∶1的比例随机分入训练集(N=134)与验证集(N=124)。将同时具有术前DTI图像与术后肿瘤标本转录组测序(RNA Sequencing,RNA-Seq)数据的患者纳入影像基因组学分析集(N=53)。从入组患者的术前DTI图像中提取轴向弥散率(Axial Diffusivity,AD)、各项异性分数(Fractional Anisotropy,FA)、径向弥散率(Radial Diffusivity,RD)和平均弥散率(Mean Diffusivity,MD)参数图，并分别从中提取影像组学特征。依次通过组内相关系数(Intraclass Correlation Coefficient,ICC)分析、单变量预后分析、套索算法(least absolute shrinkage and selection operator,LASSO)联合Cox回归分析的特征筛选办法，使用最终筛选出的最具预后价值的影像组学特征构建预后模型，并算出每位患者的影像组学风险得分(Radscore)。然后，使用多种指标与方法，从多维度来综合评价影像组学预后模型的预测能力。此外，我们使用加权基因共表达网络分析(Weighted Gene Co-expression Network Analysis,WGCNA)结合基因集富集分析（Gene Set Enrichment Analysis,GSEA）方法，在影像基因组学分析集中寻找影像组学特征背后的关键生物学通路。　　结果：　　从AD、FA、MD和RD参数图中提取影像组学特征共计4788个，进行特征筛选后共得到14个预后价值较高的影像组学特征构建预后模型，其中以体素强度特征与纹理特征对预后模型的贡献最大，而形状特征则未入选。经统计分析，分入训练集与验证集的患者之间的临床信息无显著差异[性别(P=0.376）、年龄（P=0.638）、术前卡氏评分（Karnofsky Performance S

关键词： 机器学习   公募基金   业绩预测   基金选择   神经网络  

摘要： 近年来,在中国经济高质量发展和实现共同富裕战略目标的背景下,公募基金凭借着其低门槛、多样化、规范透明等特点,深得中国投资者的推崇。截止到2022年12月底,中国公募基金市场管理规模已超过26万亿元,整体上呈现良好发展态势,但其中仍存在投资者利益被轻视,投资者教育同质化,缺乏针对性等问题。基金市场中占比最大的普通投资者因缺乏经验和专业知识,更容易受到多种外部因素影响,在投资中呈现出较大的非理性,从而导致选基、投资失败的现象。为帮助投资者克服在公募基金投资过程中的局限性。本文在研究众多公募基金业绩影响因素和公募基金业绩评价相关文献的基础上,首先使用Lasso、岭回归、支持向量回归机(SVR)、随机森林、梯度提升回归树(GBRT)、XGBoost、Light GBM以及深度神经网络八种机器学习方法构建了公募基金业绩预测模型,通过比较预测业绩(超越基准收益率与累计收益率)与真实业绩的差距,来观测使用基金历史回报、风险因素和衡量基金经理能力的各种指标是否对于公募基金未来业绩具有预测效果并对影响基金未来业绩的因素进行分析;其次,在不同的市场情形下,根据预测结果构建投资组合,并使用收益标准差、最大回撤、夏普比率、索丁诺比率等指标对投资组合的收益与风险进行评估,以进一步的分析模型的业绩预测能力和对“好坏”基金的区分能力;最后,通过投资组合单个和多个投资周期的实际业绩表现来衡量基于机器学习预测模型的选择有潜力的基金的有效性。经过实验发现机器学习方法对基金未来业绩具备一定的预测能力,同时也具有对“好坏”基金的区分能力,使用机器学习方法所构成的投资组合无论是在一个投资周期还是在多个投资周期,最后所取得的收益率均能超越随机选择基金所构成的组合和沪深300指数涨跌幅。但遗憾的是,当使用超越基准收益率作为预测指标时,对于基金的区分能力弱于使用累计收益率作为预测指标,这可能是因为基金经理对基金基准设置不够准确,造成了一定的风格漂移。而各个模型在不同的市场情形下的表现不同,在市场连续上涨期间,使用神经网络模型所构建的投资组合不仅风险低于其他模型的组合而且获得了更高的累计收益率;而在市场连续下跌期间,XGBoost所构成的投资组合虽然能获得超越其他模型和沪深300指数涨跌幅的累计收益率,但也承担着较高的风险。另外,在经历八个投资周期后,神经网络模型的组合最终取得最高的收益率,这说明神经网络模型长期表现更佳。本文通过实验证明,使用基于横截面回归的机器学习方法在一定程度上能够预测公募基金未来的业绩并帮助选出具有潜力的基金;使用神经网络构建模型,预测基金未来的累计收益率对基金的筛选效果更好。从而为投资者选择基金提供了一些经验和参考,为基金公司和基金监管部门改进管理方式提供一些启示。

关键词： 酸面团   微生物多样性   高通量测序   机器学习  

摘要： 酸面团是由谷物加工产物和水为主要原料,经自然发酵或接种微生物后培养发酵形成的传统面食发酵制品。本课题以河南、山东、山西和陕西地区的酸面团为研究对象,采用传统分离培养方法和高通量测序技术对酸面团微生物群落结构解析,利用机器学习的聚类和降维算法对水分、地理位置与酸面团微生物群落结构进行相关性分析,并采用随机森林算法对关键微生物识别,以期为酸面团产业化生产提供理论参考。首先,采用传统分离培养法从65个酸面团样品中分离到乳酸菌17种,共275株,分别是旧金山果实乳杆菌、解淀粉芽孢杆菌、植物乳植物杆菌、柠檬明串珠菌、屎肠球菌、食窦魏斯氏菌、戊糖片球菌、面包伴生乳杆菌、融合魏斯氏菌、肠膜明串珠菌、短促生乳杆菌、弯曲广泛乳杆菌、类干酪乳酪杆菌、乳酸片球菌、清酒广泛乳杆菌、罗西氏糠乳杆菌和欺诈明串珠菌。其中,旧金山果实乳杆菌和植物乳植物杆菌为优势菌种,分别占18.2%和15.3%。分离到酵母菌9种,共160株,分别是酿酒酵母、异常威克汉姆酵母、膜璞毕赤酵母、仙人掌有孢汉逊酵母、哈萨克斯坦酵母、季也蒙毕赤酵母、戴尔有孢圆酵母、扣囊复膜酵母和库德毕赤酵母。其中,酿酒酵母和异常威克汉姆酵母为优势菌种,分别占37.5%和23.1%。其次,通过高通量测序技术鉴定到酸面团中真菌主要为酿酒酵母、哈萨克斯坦酵母、扣囊复膜酵母和异常威克汉姆酵母,其中,酿酒酵母在80%的酸面团中存在,为优势菌种。不同地区酸面团真菌群落组成存在明显差异,陕西地区的酸面团中哈萨克斯坦酵母相对丰度最高,而扣囊复膜酵母在山西地区的酸面团中相对丰度最高。旧金山果实乳杆菌、戊糖片球菌、食窦魏斯氏菌、植物乳植物杆菌和柠檬明串珠菌为主要细菌菌种,其中以旧金山果实乳杆菌为优势菌种。相较于其他地区,河南地区的酸面团戊糖片球菌较多,而食窦魏斯氏菌在陕西地区的酸面团中相对丰度较高。最后,基于机器学习算法探究水分含量、地理位置和酸面团微生物群落的相关性及关键微生物识别。实验结果表明,水分含量对酸面团中微生物影响较大,而地理因素影响较小。水分含量在15%以上的酸面团中关键乳酸菌为旧金山果实乳杆菌和柠檬明串珠菌,水分含量15%以下的酸面团中以戊糖片球菌和短乳促生杆菌为关键乳酸菌。对不同地区的酸面团关键微生物识别,结果表明河南地区酸面团关键乳酸菌为柠檬明串珠菌、短促生乳杆菌和弯曲广泛乳杆菌,关键酵母菌为酿酒酵母和东方伊萨酵母;扣囊复膜酵母为山东地区的关键酵母菌;山西地区酸面团关键乳酸菌为戊糖片球菌和类食品乳杆菌;陕西地区酸面团关键乳酸菌为旧金山果实乳杆菌,关键真菌为哈萨克斯坦酵母。

关键词： 液态金属电池   电池管理   电池分选   机器学习   深度学习  

摘要： 液态金属电池是一类新兴的电化学储能技术,具有成本低、寿命长、安全可靠性高等优势,在规模储能领域拥有广阔的应用前景。电池分选是提高电池成组性能,保障储能系统安全长效运行的重要手段。目前报道的分类重组方法普遍采用聚类法,该方法产生的聚类结果与电池真实类别存在差异。此外,现有的电池分选方法主要是针对锂离子电池,缺乏适用于大容量、大电流、低电阻的液态金属电池的分选研究。为了发展适用于液态金属电池的分选方法,提升液态金属电池的成组性能,本文围绕液态金属电池成组分选,从电池测试方案设计、分选指标预测方法设计、分类重组方法试验、分选框架构建等方面开展了一系列工作,具体研究内容和成果概括如下: 1.设计了液态金属电池测试方案,构建了用于电池分选的数据集;为实现液态金属电池分选指标高精度预测,提出了基于集成学习的分选指标预测方法,利用特征选择与集成学习提升模型的预测精度与可靠性。结果表明,经过特征选择的集成学习模型的预测均方根误差仅为0.2278,在分类重组中实现了96.62%的准确率; 2.提出了基于时序特征与深度学习模型的分选指标预测方法,该方法优化了特征提取与分析过程、能直接使用时序特征进行预测,同时采用了基于循环的预测方法有效提升了预测精度。结果表明,该方法与基于集成学习的分选方法性能相当; 3.为实现能获取液态金属电池真实类别的分类重组方法,提出了基于新颖性检测与异常检测的液态金属电池分类重组方法,比较了两种方法优劣与异同,并测试了新颖性检测方法在不同样本数量下的性能;在运用于现实的电池二分类时,基于新颖性检测的分类重组方法具有优异的性能,并在极小的训练样本时仍有较好的表现; 4.设计了基于序列学习与聚类算法的新型分选框架,该框架能将一般的分选指标转化为特定分选指标,并能通过无标签批次数据的积累提升对指标的转换精度;在序列学习过程中模型取得最佳性能时,初始误差和学习极限之间的差距被弥补了近71.8%。

关键词： 强化学习   注意力机制   不平衡数据   集成学习  

摘要： 类别不平衡问题一直是机器学习领域研究的难点和热点。在真实世界中,图像数据的非平衡问题广泛存在,例如在医疗领域的疾病诊断中,罕见病的医学影像是少数类,而健康的医学影像是多数类;在安防领域的目标检测中,危险品数量往往是少数类,其余物品数量是多数类。在这种情况下,传统的分类模型容易出现偏差,即将样本数较多的类别判断为正确结果的概率更高。然而,在这些问题中,正确识别少数类样本具有更重要的应用价值。近年来,强化学习已成为机器学习领域中备受关注的新兴研究方向,它为处理不平衡图像的分类问题提供了一个新的方法论。本文基于深度强化学习DQN方法构建不平衡分类模型,并依据相关研究理论进行了如下工作:首先,对深度强化学习不平衡分类算法进行改进,提出了融合自注意力机制的深度强化学习算法(DQN+attention),研究了通道域注意力机制Se Net、ECANet、空间域注意力机制SANet以及混合域注意力机制CBAM与深度强化学习模型(DQN)结合对模型分类性能的影响。其次,为提升融合自注意力强化学习模型的泛化能力,提出了融合集成学习思想的特征增强深度强化学习算法(Dm QNimb+SENET+SANET),并改进了算法的奖励函数。本文使用召回率(Recall)、F1值(F1＿score),几何平均值(G-Mean)、平衡准确率(Balanced-Accuracy)作为评价指标,在公开数据集cifar-10、animal-10、cifar-100上与DQN不平衡分类模型、Resnet-50、Resnet-50＿RUS、Resnet-50＿ROS、Resnet-50＿FL进行了多种不平衡率图像分类的对比实验,研究结果表明,加入不同类型的注意力机制均能有效提升模型对于少数类别的识别能力。同时,Dm QN+SENET+SANET算法在处理类别不平衡分类任务上相较对比模型具有一定的优势。

关键词： 非平衡数据   Meanshift算法   SMOTE算法   机器学习   防返贫监测  

摘要： 非平衡数据是指不同类别的样本数量存在显著差异,这种显著差异会使得很多分类器丧失对少数类的识别能力,故产生了数据非平衡问题。这种数据非平衡问题在现实生活中普遍存在,如信用卡违约、罕见病诊断、金融欺诈。在上述问题中,对少数类的精准识别尤为重要。为解决数据非平衡问题,提高分类器对少数类的识别效果,众多算法相继被提出。其中合成少数类过采样技术(Synthetic Minority Over-sampling Technique)一经提出便受到普遍好评,基于SMOTE的改进算法也不断被提出,但改进后的算法大多原理复杂。k-means-SMOTE算法是一种将k-means聚类和SMOTE相结合的简单有效的过采样方法。然而,该聚类算法需要人为给定聚类簇数,这在实践中难以确定。因此,本文提出了一种改进的过采样算法:Meanshift-SMOTE算法。该算法借鉴了k-means-SMOTE算法中k-means和SMOTE的结合方式,充分保留了k-means-SMOTE算法的优点的同时使用Meanshift聚类替换掉k-means聚类,使得改进后的算法可自主确定最优聚类簇数,无需人为给定。随后,将改进后的算法与经典SMOTE算法和k-means-SMOTE算法在公开数据集上做比较,对比了该算法在逻辑回归、KNN、决策树三种基线分类器上的提升效果。对比结果表明:(1)使用过采样算法比不使用过采样算法分类效果更好,过采样算法对于逻辑回归和KNN的分类效果提升作用更明显;(2)Meanshift-SMOTE算法与k-meansSMOTE算法相比,对分类器的提升效果显著,较经典SMOTE算法也有一定提升;(3)Meanshift-SMOTE算法对于决策树基线分类器的提升效果明显高于另外两种过采样算法。将上述算法组合应用于防返贫监测数据集,得到的结果仍支持上述三点结论。实证方面,本文选取了我国防返贫监测信息系统中的数据,用来做防返贫监测研究,并基于研究结果提出了政策建议。在巩固脱贫攻坚成果、防止发生规模性返贫、顺利衔接乡村振兴等新时代的工作要求下,实现“有返贫风险户”的精准识别、及时干预具有重要意义。“有返贫风险户”的精准识别正是典型的数据非平衡问题。本文将改进后的过采样算法用于防返贫监测模型建立。表现最好的模型为调参后的逻辑回归模型,其分类结果表明:在与Meanshift-SMOTE算法结合下,“有返贫风险户”的召回率提升至0.8712,高出经典SMOTE算法1.51%;综合评价指标G-mean提升至0.8184,高出经典SMOTE算法0.61%;AUC值提升至0.82,高出经典SMOTE算法1%。

关键词： 机器学习   爆炸荷载   钢筋混凝土板   动态响应预测   损伤识别  

摘要： 近年来,国内外频繁发生爆炸事故,给建筑物带来严重的破坏,迫切需要对建筑结构进行抗爆研究,提升其抗爆能力。钢筋混凝土板是结构中的重要构件,因其自身特性,当发生爆炸事故时,板件所受的爆炸荷载面积较大,极易导致板件发生破坏,板件的破坏失效会引起梁柱等关键构件的失稳,进而引发连续坍塌等一系列严重后果。因此,开展钢筋混凝土板在爆炸荷载下的动态响应分析和损伤破坏机理评估,具有重要意义。 传统钢筋混凝土板的抗爆研究主要是从理论、试验以及模拟三个方面开展,上述的方法在实际中均有着一定的局限性。而机器学习方法是利用计算机系统来解决问题的技术,可以让计算机通过分析输入的数据,学习出正确的结果,并将其应用到新的问题上。因此,本文将机器学习方法运用到钢筋混凝土板的抗爆分析中,利用机器学习方法中的监督学习方法,提出了爆炸荷载作用下的钢筋混凝土板的最大位移预测模型和爆炸后损伤评估模型。通过模型性能对比、与既有方法对比和模型解释分析所提模型的适用性。本文主要开展的研究工作如下: (1)从公开数据库中检索收集钢筋混凝土板在爆炸荷载作用下的相关研究文献,并从69篇公开文献中收集整理了563个普通钢筋混凝土板在近场爆炸作用下的相关数据,建立数据量大、参数信息详尽数据库。 (2)利于MATLAB软件搭建了4种机器学习模型用于预测在爆炸荷载作用下钢筋混凝土板的最大位移值,并从不同的性能指标度量对比分析了4种机器学习模型的优劣,将最优模型预测结果与既有方法预测结果进行对比,通过排列特征重要性和Sobol敏感性分析方法对机器学习模型进行解释,验证了利用机器学习方法用于预测爆炸荷载作用下钢筋混凝土板的最大位移的准确性与适用性。 (3)基于现有的损伤评估准则,提出了钢筋混凝土板爆炸后快速损伤评估的两阶段模型,通过位移预测模型对未知板件最大位移的样本进行预测,将预测的最大位移值依照现有的损伤准则进行损伤判别,并将不同准则下的两阶段模型的判别结果进行对比,得出基于支座转角损伤准则下的两阶段模型识别效果最佳。 (4)利用SMOTE过采样方法对不平衡损伤类别进行平衡,用平衡样本训练机器学习分类算法搭建的一阶段损伤识别模型,将一阶段损伤识别模型与两阶段损伤识别模型进行对比,表明了两阶段损伤识别模型具有更好的识别效果,将两阶段模型与既有经验预测方法对比,证明了机器学习方法快速识别爆炸后板件损伤程度的准确性;并探讨了爆炸事故发生后板件的应急抢险与加固流程。