关键词： 机器学习   污水处理   预测   故障诊断   智能控制  

摘要： 由于污水处理系统一般较为复杂且受外界因素影响较多,对其进行精准调控一直是环境领域的难题之一。传统方法无法满足日益复杂的工程项目需求。近年来发展起来的机器学习方法为此类问题提供了一系列有效的解决方案。介绍了人工神经网络、支持向量机、随机森林等机器学习方法的特点,并从水质预测预警、污水处理系统故障诊断和智能控制3个方面阐述了机器学习方法在污水处理领域的应用,分析了机器学习方法相较于传统方法的优势及其应用于污水处理系统中存在的问题,展望了机器学习方法未来在污水处理领域应用的前景和趋势。

关键词： 新能源车   非平衡数据集   机器学习   需求分析  

摘要： 为确定新能源车的市场需求,估计新能源车在特定区域的市场占有率并构建未来市场占有率的预测模型。依据2017年全美国家庭出行调查所提供的新能源车用户详细信息,考虑了车辆相关、家庭相关和个人相关三组变量,进行了因素分析和预测模型的建立,研究了新能源车的购置行为。此外,考虑到新能源车用户仅占所有受访者的4.2%,因此采用非平衡数据集的处理方法,弥补了现有研究中该方面的空白。为更好地构建预测模型,对Logistic回归法(LR)、朴素贝叶斯算法(NB)、随机森林算法(RF)、支持向量机(SVM)和决策树(DT)等机器学习方法进行模型构建和比较,结果表明,随机森林算法(RF)具有最佳预测能力。

关键词： XGBoost   机器学习   临床药学  

摘要： 目前基于XGBoost算法构建的模型已经广泛地运用于医学、药学领域中,而在临床药学细分领域也已实现多个方面的应用,如临床合理用药、药物不良反应预警以及药物的疗效评价及耐药性机制研究等。本文就上述应用层面进行综述,有助于临床药师深入了解XGBoost算法在临床的应用特点,增进临床用药的安全性、有效性、精准性、经济性。

关键词： 通货膨胀   机器学习   SHAP值解释性方法   通胀预期  

摘要： 准确识别通货膨胀的影响因素,可以前瞻性地防范通胀风险及其危害,具有重要政策意义。已有研究主要使用SVAR等传统计量方法分析通胀的影响因素,但传统计量方法能够涵盖的因素种类和非线性关系有限。考虑到机器学习方法能够有效突破传统方法的局限,本文综合使用SHAP值解释性方法和SVR等多种非线性机器学习方法,重新识别了2001—2019年间我国所发生的5轮通胀的影响因素。研究结果表明,第一,通胀预期和食品价格上涨是过去20多年间多轮通胀的共同驱动因素;第二,消费和投资等需求拉动因素对通胀的影响逐渐减弱,成本推动因素尤其是劳动力成本对通胀的影响不断增强;第三,货币政策能够通过多种渠道影响通胀走势,并且一直是通胀的重要影响因素。有鉴于此,建议通过加强引导通胀预期、稳定食品生产和供应、营造良好经营环境以缓解劳动成本上涨压力等举措防范通胀风险。此外,不能因为担心通胀压力就过于束缚货币政策的力度,应该在做好金融市场和房地产市场宏观审慎监管的前提下,适当加大货币政策对实体经济的支持力度,以更好地应对我国经济下行压力。

关键词： COVID-19   Predictor   Machine learning   Community-acquired pneumonia  

摘要： Although some studies tried to identify risk factors for COVID-19, the evidence comparing COVID-19 and community-acquired pneumonia (CAP) is inconclusive, and CAP is the most common pneumonia with similar symptoms as COVID-19. We conducted a case-control study with 35 routine-collected clinical indicators and demographic factors to identify predictors for COVID-19 with CAP as controls. We randomly split the dataset into a training set (70%) and testing set (30%). We built Explainable Boosting Machine to select the important factors and built a decision tree on selected variables to interpret their relationships. The top five individual predictors of COVID-19 are albumin, total bilirubin, monocyte count, alanine aminotransferase, and percentage of monocyte with the importance scores ranging from 0.078 to 0.567. The top systematic predictors for COVID-19 are liver function, monocyte increasing, plasma protein, granulocyte, and renal function (importance scores ranging 0.009-0.096). We identified five combinations of important indicators to screen COVID-19 patients from CAP patients with differentiating abilities ranging 83.3-100%. An online predictive tool for our model was published. Certain clinical indicators collected routinely from most hospitals could help screen and distinguish COVID-19 from CAR While further verification is needed, our findings and predictive tool could help screen suspected COVID-19 cases.

关键词： Epilepsy diagnosis   Deep learning   Granger causality connectivity   Resting-state EEG  

摘要： This study investigates the performance of a convolutional neural network (CNN) algorithm on epilepsy diagnosis. Without pathology, diagnosis involves long and costly electroencephalographic (EEG) monitoring. Novel approaches may overcome this by comparing brain connectivity using graph metrics. This study, however, uses deep learning to learn connectivity patterns directly from easily acquired EEG data. A CNN algorithm was applied on directed Granger causality (GC) connectivity measures, derived from 50 s of resting-state surface EEG recordings from 30 subjects with epilepsy and a 30 subject control group. The trained CNN filters reflected reduced delta band connectivity in frontal regions and increased left lateralized frontal-posterior gamma band connectivity. A diagnosis accuracy of 85% (F1 score 85%) was achieved by an ensemble of CNN models, each trained on differently prepared data from different electrode combinations. Appropriate preparation of connectivity data enables generic CNN algorithms to be used for detection of multiple discriminative epileptic features. Differential patterns revealed in this study may help to shed light on underlying altered cognitive abilities in epilepsy patients. The accuracy achieved in this study shows that, in combination with other methods, this approach could prove a valuable clinical decision support system for epilepsy diagnosis.

关键词： 石墨炔   原子电催化剂   自验证机器学习   密度泛函理论  

摘要： 近年来,原子催化剂(ACs)引起了广泛的研究关注.目前该领域的长足发展受限于贵金属的使用和单原子催化剂(SACs)的性能有限.本文总结了利用密度泛函理论(DFT)和机器学习(ML)方法筛选高效的基于石墨炔(GDY)的原子催化剂的工作.研究表明, Pd, Co, Pt和Hg可以形成稳定的零价过渡金属-石墨炔组合(TM-GDY),而镧系-过渡金属的双原子催化剂(Ln-TM DAC)组合通过f-d轨道耦合作用可以获得有效的催化性能提升.进一步分析表明,主族元素与过渡金属和镧系金属的结合可以通过p轨道耦合保持高电活性,从而构成高度稳定的GDY-DAC系统,机器学习算法也揭示了s,p轨道的作用.此外,理论算法技术在筛选催化水分解析氢反应(HER)的高效组合上也表现出了优越性,创新性地预测了石墨炔-原子催化剂在实际催化反应中的潜能.本综合评述可为未来设计新型原子催化剂提供新的思路与策略.

关键词： 机器学习   水泥—粉煤灰   砂浆   抗折强度  

摘要： 针对低水胶比的水泥—粉煤灰砂浆,采用典型的机器学习技术—人工神经网络方法,建立了基于砂胶比、粉煤灰掺量、水胶比及养护龄期的最佳抗折强度模型。并结合模型的决定系数R2及均方根误差RMSE等对模型进行综合评价。结果表明,提出的水泥—粉煤灰砂浆抗折强度的最佳人工神经网络模型具有较高的R2和较小的RMSE。模型未出现过拟合或欠拟合现象。因此,文章所提出的低水胶比的水泥—粉煤灰砂浆抗折强度的最佳人工神经网络模型具有一定的适用性与可靠性,可为水泥—粉煤灰砂浆配制及工程应用提供辅助参考。

关键词： 小推力   变比冲   轨迹优化   机器学习   间接法  

摘要： 针对变比冲小推力轨迹间接优化中的协态变量初值猜测问题,提出了一种基于机器学习的协态变量初值高精度高效估计方法。首先,基于标称最优轨迹延拓,建立了状态量边值高扰动上限情形下的数据集生成方法,并分析了扰动上限对求解效率的影响。然后,构建了基于位置速度、轨道根数和改进春分点轨道根数多形式状态量组合输入的人工神经网络(ANN)映射关系,分析并优化了神经网络结构。将提出的方法应用于深空探测小推力转移场景,仿真结果表明该方法相对于标称轨迹直接扰动的数据集生成方法及单一形式状态量输入的人工神经网络映射方法,均有效地提升了求解收敛率,能够高效高精度地估计协态变量初值,实现轨迹快速优化。