关键词： 植被覆盖度   多源遥感   机器学习   科尔沁沙地  

摘要： 植被覆盖度是监测生态系统及其功能的关键参数,如何提高大区域植被覆盖度的反演精度,对生态脆弱区环境可持续发展至关重要。本研究基于人工神经网络、支持向量回归和随机森林等机器学习方法,利用无人机、Worldview-2与Landsat 8 OLI遥感数据,对科尔沁沙地植被覆盖度进行多尺度反演。结果表明:随机森林模型比人工神经网络、支持向量回归模型表现佳,可在单元(试验区)、区域(研究区)尺度上较高精度地反演沙地的植被覆盖度,反演值与无人机实测值均在线性水平上呈显著相关(P<0.01);在单元、区域尺度上,构建的植被覆盖度反演模型测试集R^(2)分别为0.84、0.80,MSE分别为0.0145、0.0370,一致性指数d分别为0.9576、0.8991。利用多源遥感数据和机器学习方法,通过局部区域的高精度反演逐步实现低空间分辨率遥感影像的大区域植被覆盖度反演,不仅可有效提高沙地植被覆盖度的反演精度(R^(2)=0.78,大于0.63),也为区域生态环境监测与生态系统健康评价提供支持。

关键词： 性别识别   机器学习方法   适用性  

摘要： 针对人脸图像的性别识别领域,从准确率、计算速度、稳定性等多个角度出发,采用无监督学习、半监督学习、有监督学习等多种机器学习方法进行计算识别。将不同机器学习方法的运行结果进行统计整理,分析各个方法的优缺点。通过参数特征的对比,得出不同应用场景下的机器学习方法适用性结论,为实际应用场景提供具有参考价值的机器学习方法选择方案。

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.