关键词： incremental sheet forming   failure prevention   friction force   robotized manufacturing   prediction model  

摘要： This paper proposes a method for extracting information from the parameters of a single point incremental forming (SPIF) process. The measurement of the forming force using this technology helps to avoid failures, identify optimal processes, and to implement routine control. Since forming forces are also dependent on the friction between the tool and the sheet metal, an innovative solution has been proposed to actively control the friction forces by modulating the vibrations that replace the environmentally unfriendly lubrication of contact surfaces. This study focuses on the influence of mechanical properties, process parameters and sheet thickness on the maximum forming force. Artificial Neural Network (ANN) and different machine learning (ML) algorithms have been applied to develop an efficient force prediction model. The predicted forces agreed reasonably well with the experimental results. Assuming that the variability of each input function is characterized by a normal distribution, sampling data were generated. The applicability of the models in an industrial environment is due to their relatively high performance and the ability to balance model bias and variance. The results indicate that ANN and Gaussian process regression (GPR) have been identified as the most efficient methods for developing forming force prediction models.

关键词： leaf area index (LAI)   light extinction coefficient   unmanned aerial vehicles (UAV)   multispectral data   RGB data   machine learning   pergola-trained vineyards  

摘要： The leaf area index (LAI), a valuable variable for assessing vine vigor, reflects nutrient concentrations in vineyards and assists in precise management, including fertilization, improving yield, quality, and vineyard uniformity. Although some vegetation indices (VIs) have been successfully used to assess LAI variations, they are unsuitable for vineyards of different types and structures. By calibrating the light extinction coefficient of a digital photography algorithm for proximal LAI measurements, this study aimed to develop VI-LAI models for pergola-trained vineyards based on high-resolution RGB and multispectral images captured by an unmanned aerial vehicle (UAV). The models were developed by comparing five machine learning (ML) methods, and a robust ensemble model was proposed using the five models as base learners. The results showed that the ensemble model outperformed the base models. The highest R-2 and lowest RMSE values that were obtained using the best combination of VIs with multispectral data were 0.899 and 0.434, respectively;those obtained using the RGB data were 0.825 and 0.547, respectively. By improving the results by feature selection, ML methods performed better with multispectral data than with RGB images, and better with higher spatial resolution data than with lower resolution data. LAI variations can be monitored efficiently and accurately for large areas of pergola-trained vineyards using this framework.

关键词： Linac   Electron beam parameters   Monte Carlo simulation   Statistical method   Multivariate analysis   Machine learning  

摘要： Purpose: This study aimed to determine the optimal initial electron beam parameters of a Linac for radiotherapy with a multivariate approach using statistical and machine-learning tools. Methods: For MC beam commissioning, a 6 MV Varian Clinac was simulated using the Geant4 toolkit. The authors investigated the relations between simulated dose distribution and initial electron beam parameters, namely, mean energy (E), energy spread (ES), and radial beam size (RS). The goodness of simulation was evaluated by the slope of differences between the simulated and the golden beam data. The best-fit combination of the electron beam parameters that minimized the slope of dose difference was searched through multivariate methods using conventional statistical methods and machine-learning tools of the scikit-learn library. Results: Simulation results with 87 combinations of the electron beam parameters were analyzed. Regardless of being univariate or multivariate, traditional statistical models did not recommend a single parameter set simultaneously minimizing slope of dose differences for percent depth dose (PDD) and lateral dose profile (LDP). Two machine learning classification modules, RandomForestClassifier and BaggingClassifier, agreed in recommending (E = 6.3 MeV, ES = +/- 5.0%, RS = 1.0 mm) for predicting simultaneous acceptance of PDD and LDP. Conclusions: The machine learning with random-forest and bagging classifier modules recommended a consistent result. It was possible to draw an optimal electron beam parameter set using multivariate methods for MC simulation of a radiotherapy 6 MV Linac.

关键词： bidirectional polarization distribution function   deep learning   machine learning   saline-alkaline soil  

摘要： Currently, soil salinization is a serious problem affecting agricultural production and human settlements. Remote sensing techniques have the advantages of a large monitoring range, rapid acquisition of information, implementation of dynamic monitoring, and low impact on the ground surface. Over the past two decades, many semi-empirical bidirectional polarized distribution function (BPDF) models have been proposed to accurately calculate the polarized reflectance (Rp) on the soil surface. Although there have been some studies on the BPDF model based on traditional machine learning methods, there is a lack of research on the BPDF model based on deep learning, especially using laboratory measurement spectrum data as the processing object, with limited research results. In this paper, we collected saline-alkaline soil in the field as the observation object and measured the Rp at multiple angles in the laboratory environment. We used semi-empirical models (the Nadal-Breon model, Litvinov model, and Xie-Cheng model) and machine learning methods (support vector regression, random forest, and deep neural networks regression) to simulate and predict the surface Rp of saline-alkaline soils and compare them with experimental results. The measured values of the laboratory are compared and fitted, and the root mean squared error, R-squared, and correlation coefficient are calculated to express the prediction effect. The results show that the predictions of the BPDF model based on machine learning methods are generally better than those of the semi-empirical BPDF model, which is improved by 3.06% at 670 nm and 19.75% at 865 nm. The results of this study also provide new ideas and methods based on deep learning for the prediction of Rp on the surface of saline-alkaline soils.

关键词： 爬虫   资讯情绪指数   BERT预训练模型   LSTM模型   回测  

摘要： 近年来,我国股票市场发展速度很快,股票各项指数波动较大,股市的不稳定很大程度上受投资者的投资情绪所致。随着自媒体的快速发展,其具有时效性,普泛性,不可控性强等特点,媒体报道的新闻内容可能会使得上市公司面临着更加恶劣的舆论环境,影响投资者的决策行为,进而对股价产生影响。基于此,学者们产生了诸多文本情感倾向的研究,通过大量的技术手段得出股市的趋势运行思想与方法,但是这些研究方法却很难在现实中去实现。在当今大数据时代,通过有效的研究,可以为投资者以及管理者提供决策与管理制度意见,规避市场风险,在实际应用与理论研究中都具有重要的意义。 本论文在前人研究的基础上,设计出一种资讯情感量化的方法,并与股票行情及技术指标结合,构建了一个新的股票价格预测模型,本文的研究结果可以为市场投资策略提供有力的研究思路,为监管者提供决策意见。核心工作有: (1)从投资者情绪视角,利用爬虫技术自动化爬取个股资讯信息,运用BERT模型对个股资讯进行分类,然后构建资讯情绪指数(下文统称senti);使用LSTM模型,基于市场客观影响情绪指标的开盘价,收盘价,最高价,最低价,市盈率,换手率,乖离率,MACD指标,对比加入senti指标前后对股票预测效果的影响。通过实验研究,融入量化文本指标的股票预测模型可以很好的拟合股票的短期走势。 (2)使用格兰杰因果检验以及时间滞后互相关性分析技术分析了不同股票的资讯与对数收益率之间的因果关系,最后采用策略能否收益来衡量模型的有效性,通过以资讯情绪指数以及股价预测模型作为交易信号,设计了两个投资策略,回测验证了本文设计的资讯量化方法具有一定的获利机会,说明本研究具有一定的参考意义。通过对比研究分析,不同股票资讯情感与对数收益率之间的因果程度也不一样,股价受多因素影响。

关键词： 参考作物蒸散量   FAO-56Penman-Monteith模型   机器学习模型   经验模型   气候变化  

摘要： 参考作物蒸散量（ET_o）是农业水循环和水量平衡的重要组成部分。准确估算ET_o对于农业水资源管理、作物需水量估算和灌溉优化调度都具有重要意义。联合国粮农组织（FAO）推荐的FAO-56 Penman-Monteith模型被认为是计算ET_o的标准模型,能够得准确估算ET_o。然而,许多地区缺乏该公式所需的完整气象数据,导致其应用受到很大限制。为了探究在有限气象数据输入条件下替代FAO-56 Penman-Monteith模型的ET_o估算方法,本文利用我国63个具有辐射观测值气象站点1991-2017年的逐日气象数据,以FAO-56 Penman-Monteith模型计算的ET_o作为标准值,比较了7种不同机器学习模型在7种输入气象变量组合下的ET_o估算精度。然后,在全国696个气象站点,建立3种基于有限气象要素输入组合的机器学习ET_o估算模型,并与相应输入的ET_o经验估算模型进行对比。最后,基于CMIP6的27种GCMs和两种排放情景（SSP245和SSP585）的未来气象数据,分析了我国大陆地区未来696个气象站点的气象要素和ET_o的空间分布特征。研究得到如下主要结论:（1）气象要素Rs、Tmax和Ra与ET_o有较强的相关性,随着输入气象要素数量的减少,机器学习模型的ET_o估算精度降低。气象要素输入组合为Tmax+Tmin+U2+RH+Rs时的ET_o估算精度最佳,其次是Tmax+Tmin+U2+RH+Ra输入组合,仅有Tmax+Tmin+Ra作为输入变量时的ET_o估算精度最低。（2）在利用7种机器学习模型（RF,SVM,XGBoost,Light GBM,MLP,MLR,以及***）估算ET_o时,机器学习模型的估算精度远高于多元线性回归方法,尤其是***、SVM和MLP模型的表现更好。其中,通过Stacking集成方法的***模型比传统单个机器学习模型的平均R2增加0.28%-0.87%;RMSE、MAE、NRMSE值分别降低3.29%-12.81%,2.40%-13.57%和3.28%-12.75%。这表明Stacking集成方法在提高机器学习模型的预测性能上具有更大的潜力。（3）机器学习模型要比相应的传统经验模型具有更高的ET_o估算精度。经验模型中仅有Lobit模型和Abtew模型在部分地区有较好的ET_o估算性能。在中国大陆4个不同气候区中,亚热带季风气候区（SMZ）和高原山地气候区（MPZ）以及温带季风气候区（TMZ）的估算精度总体高于温带大陆性气候区（TCZ）。机器学习模型估算的ET_o年平均值与Penman-Monteith模型计算的结果非常接近,而经验模型通常会高估ET_o值。因此,在缺少完整的气象资料条件下,推荐在不同的地区根据需要使用机器学习模型来估算我国的逐日ET_o。（4）未来气候情景下,中国大陆地区的最高气温Tmax和最低气温Tmin均呈增加趋势,并且SSP585情景下的增加幅度大于SSP245情景。随着时间的推移,Tmax和Tmin的增加幅度也越来越大。太阳辐射Rs在MPZ和TCZ区域呈下降趋势;而在SMZ和TMZ区域呈上升趋势。降雨总体呈增加趋势,但增加的幅度在各区域存在明显差异,存在明显东高西低的特点。（5）未来我国4个不同气候区的ET_o均有明显增加的趋势。从2040s到2090s的ET_o增量也逐渐增加,在SSP585情景下2090s的ET_o增量达到最大,尤其是SMZ和TCZ区域的ET_o增量范围为200-400 mm year-1。在未来情景下,MPZ和TCZ区域的ET_o增加幅度大于降雨增加幅度,而SMZ和TMZ区域的ET_o增加幅度等于或略大于降雨增加幅度,这就会导致中国大陆干旱的地方越干旱,而湿润的地方越湿润。

关键词： 生育相关蛋白   机器学习   精子发生   卵子发生   胚胎发生   富集分析  

摘要： 蛋白质以不同方式参与生命活动。它们在各种生物过程中发挥着重要作用,比如在与生育生殖等相关的生命活动。这些生命活动包括精子发生,卵子发生,胚胎发生以及其他分化过程,如器官发生。这些生命活动受许多蛋白质信号级联调节。在精子发生中,管周肌样细胞利用肌动蛋白和肌球蛋白的收缩丝,把含有不动精子的睾丸液引入睾丸网,还通过分泌纤连蛋白、胶原蛋白、蛋白聚糖参与血睾丸屏障的产生和维持。在卵子发生中,TATA结合蛋白2(TBP2)的表达和作用将会影响早期卵泡发育的进展。在胚胎发生中,细胞粘附蛋白E-钙粘蛋白不仅在压实(compaction)阶段发挥重要作用,还在极化(polarisation)阶段使细胞获得极性。因此,由于生殖蛋白质的重要性,对它们进行分类预测将为详细了解精子发生、卵子发生和胚胎发生的每个步骤的生物学过程和机制提供知识基础。因此,本论文准备构建分类模型对与精子发生相关的蛋白质,与卵子发生相关的蛋白质以及与胚胎发生相关的蛋白质进行分类预测。本论文通过构建三种不同的机器学习模型对该问题进行了研究。首先,本工作收集了相关的蛋白质数据,并使用了基于氨基酸组成及基于理化性质的特征提取方法对其进行了特征提取;通过方差分析(ANOVA)以及增量特征选择方法对特征进行了筛选从而获得最优特征子集;又分别建立了随机森林(Random Forest,RF),极端梯度提升树算法(e Xtreme gradient boosting algorithm,XGBoost)及支持向量机(Support Vector Machines,SVM)模型对分类问题进行研究。在构建分类器时,通过富集分析的结果发现:卵子发生相关蛋白质的富集通路可能会被富集到胚胎发生相关蛋白质的通路中,这说明两者的蛋白质可能会在特征上具有相似性,进而可能会使分类预测结果变差。所以准备构建一个两层的分类器。第一层分类器是将胚胎发生相关蛋白质和其他两类蛋白质(精子发生相关蛋白质和卵子发生相关蛋白质)进行分类,第二层分类器则是将精子发生相的蛋白质和卵子发生相关蛋白质进行分类;最后,通过对评价指标的比较,选择了分类效果较好的支持向量机(Support Vector Machines,SVM)模型作为分类器。最终得到了一个两层的支持向量机模型进行分类预测。第一层分类器(胚胎发生相关蛋白质与剩余生育相关蛋白质)独立测试集的准确率和ROC曲线下的面积分别为81.95%和0.89。第二层分类器(精子发生相关蛋白质与卵子发生相关蛋白质)独立测试集准确率和ROC曲线下的面积分别为84.74%和0.90。通过富集分析发现与精子发生相关的蛋白质主要富集到GO:007283(spematogensis)通路上,与卵子发生相关的蛋白质主要富集到GO:0048477(oogenesis)通路上,与胚胎发生相关的蛋白质主要富集到GO:0001701(in utero embryonic development)通路上。并且通过对这三种蛋白质进行组合后富集分析发现,胚胎发生相关蛋白质会影响到卵子发生相关蛋白质的富集,精子发生相关蛋白质的富集不受其他两种蛋白质的影响。

关键词： 机器学习   随机森林   XGBoost   慢性肺部疾患  

摘要： 目的:本研究根据CHARLS2015年中国健康与养老追踪调查数据库,利用机器学习的方法对变量进行筛选,对所筛选出变量进一步用Logistic回归模型进行变量解释,以探求中老年人慢性肺部疾患(Chronic lung diseases)的相关因素,并进行分析解释,为该疾患患者的防治提供科学依据。方法:1.本研究将CHARLS2015年中国健康与养老追踪调查数据库的血检数据、人体测量、健康状况和功能等七个文件进行合并,根据对患者提问是否有医生告知其患有慢性肺部疾患为依据,将人群分为患病组和未患病组,经过删除缺失值在10%以上的观察单位,并对变量进行性相关性分析后,将相关系数>0.8的变量择一保留。2.本研究采用有监督的学习方法卡方分箱法对定量资料进行了分组处理,该方法可以使定量变量进行合理的分组。其原理是通过组间差异大、组内差异小的原则进行合并,并根据不同的分组数量对变量重要性(IV值)的影响,来确定最佳分箱方案。3.本研究按照4:1的比例将数据划分为训练集和测试集,并对训练集进行降采样处理,以达到样本的平衡,更适合建立模型。4.通过随机森林和XGBoost两种机器学习模型分别对训练集数据进行建模调参,根据特征重要性评分排名,结合向前变量选择法依次带入,以AUC面积作为评价指标对两个模型在训练集和测试集中的表现进行比较,并选择拟合效果较好的模型所筛选出来的变量,进一步用Logistic回归模型对较好机器学习模型所筛选出的变量进行进一步解释说明。结果:1.经过4:1的比例划分训练集与测试集后,训练集共有观察单位10195人,患病率为10.37%,测试集共有观察单位2549人,患病率为9.81%。2.经过降采样,对训练集数据进行处理后,使训练集中患者和非患者的数据达到平衡,得到训练集中的样本数量为2114人,其中患者:非患者为1:1。3.经过随机森林和XGBoost两种机器学习模型的建模并进行调参,以AUC面积作为评价标准发现,随着向前带入变量的数量逐渐增加,在评分指标到达平台期时,随机森林模型的评价指标要优于XGBoost模型。在两个模型均带入变量为90个时,随机森林模型在测试集中的AUC面积为0.745,灵敏度为0.752,特异度为0.738,优于XGBoost模型在测试集的评价指标,AUC面积为0.704,灵敏度为0.732,特异度为0.676。因此选择随机森林模型所筛选出来的变量进行Logistic分析。***回归分析结果:血检数据中血小板水平升高、低密度脂蛋白胆固醇与平均红血球容积的水平在中等水平时为疾患的保护性因素,OR值分别为0.705、0.643、0.543,C-反应蛋白水平升高、白细胞水平升高为疾患的危险性因素,OR值分别为1.86、1.632;在体测数据中呼气峰流速越高、身体质量指数水平越高为疾患的保护性因素,OR值分别为0.332、0.604,连续起坐时间越长为疾患的危险性因素,OR值为1.371;在健康状况与功能中患有哮喘、关节炎和风湿病、胃部疾病或消化系统疾病、心脏病、慢跑一公里有困难、为身体感到苦恼、对自身健康不满意程度、感到恐惧为疾患的危险性因素,OR值分别为14.067、2.158、1.905、1.532、1.570、1.348、3.345、2.222;家中现金越多为疾患的保护性因素,OR值为0.646,男性、上次去医院的目的是看病、参加新农保时疾患的危险性因素,OR值分别为1.641、1.482、1.288。结论:1.在分析大样本数据,变量数量过多的大型调查数据时,如果使用传统的Logistic回归模型进行分析的话,往往会导致模型系数不稳定,且耗时长,效率低。因此,先使用随机森林模型选变量,提高模型的效率,再利用Logistic回归模型对筛选后的变量进一步分析,可提高模型的解释性。2.本研究发现慢性肺部疾患与多方面因素存在不同程度的联系。其中合并其他疾病,如哮喘,关节炎或类风湿性疾病,胃部疾病或消化系统疾病,以及心理状态影响较大。因此,在疾病的治疗过程中,应全面的对患者多方面情况予以关注,多措并举,从而提高治疗效果,以及患者的生活质量。

关键词： 脑卒中   特征降维   不平衡   过采样技术   深度强化学习   损失函数  

摘要： 随着中国老龄化的进程加速,脑卒中这一具有高致残率、高致死率的特点,严重危害国民健康的疾病呈现了爆发式的增长。脑卒中疾病是可控的,对其进行早期筛查、干预可以起到很好的预防效果。分析脑卒中筛查数据对疾病进行提前的干预诊断,可以有效的阻断病情的发病风险。然而,传统的分类算法没有考虑脑卒中筛查数据高维、非平衡等数据特点,难以得到良好的分类效果。为解决脑卒中筛查数据分类预测时存在的问题,一方面从数据预处理角度解决特征冗余问题及数据不平衡现象,另一方面从模型构建及优化角度建立了一种基于深度强化学习的脑卒中分类预测模型。脑卒中筛查数据集的特点:一是数据集呈现高维性并含有冗余特征;二是不同类别的样本数量呈现不平衡分布。首先,脑卒中筛查数据集的特征维度过多,会对分类性能造成干扰影响,通过降低特征,不仅可以提高分类性能,还可以缓解计算复杂度,降低成本。去除冗余噪声,选出与脑卒中类别相关性强的特征,得到与脑卒中发病风险至关重要的危险因素,从而在早期就可以对脑卒中疾病进行干预治疗。其次,脑卒中筛查数据集的不平衡性,导致分类偏向于多数类的类别。然而,在疾病诊断中,少数类的样本恰恰是最重要的。因此,如何解决这一问题也是本课题研究的重点。目前对于脑卒中筛查数据分类往往采用的是传统的机器学习分类算法,然而这些模型训练性能较差不能满足疾病诊断对高性能的要求,为取得更好的分类效果,提出了改进损失函数的深度强化学习分类模型。本课题的具体研究内容如下:(1)针对脑卒中筛查数据集存在冗余特征的缺陷,提出了一种混合特征降维方法FS-FE。首先,通过最大信息系数(Maximal Information Coefficient,MIC)改进基于相关性的特征选择算法(Correlation-based Feature Selection,CFS),给出了一种改进的特征选择算法MCFS,以弥补CFS进行在特征选择时容易倾向于选择更多属性取值特征的缺陷。然后,将选择出的特征子集采用PCA特征提取算法对特征子集进一步精简,得到最优特征组合。为验证FS-FE特征降维方法的有效性,采用CFS、信息增益算法与Relief特征选择算法与FS-FE方法比较,分别使用Na?ve Bayes、J48、SVM和KNN四种机器学习分类模型,在公共数据集与脑卒中筛查数据集进行实验,实验结果证明FS-FE特征降维方法可以取得更好的分类效果,且适用于多种分类器。(2)由于脑卒中筛查数据呈现不平衡现象,为防止这种分布影响发病风险分类预测性能,提出了基于MAHAKIL过采样技术和孤立森林算法的过采样技术(MAHAKIL Random and Isolation Forest,MARAIF)。首先,为了提高新生成样本的多样性,将MAHAKIL过采样技术中生成新样本单一取平均值的方法使用随机数进行替换。此外,考虑到合成新样本时容易生成噪声样本,本研究将新合成的样本采用孤立森林算法检测噪声样本,并将其去除。最终,使用机器学习分类器进行分类。与SMOTE、ADASYN、MAHAKIL过采样技术相对比,实验结果表明,与不同的分类器相结合,MARAIF算法可以获得更好的分类性能,AUC值与F1-measure分别最高可提高25.50%、11.32%,验证了算法的有效性。此外,实验结果可以看出,MARAIF过采样技术对高失衡样本存在一定的局限性。考虑到SMOTE算法合成新样本容易加剧数据集类内不均衡,但是相近少数类合成新样本时会携带更多的少数类信息,提出了融合MARAIF算法与SMOTE算法的两阶段过采样技术(Combine MARAIF and SMOTE,CMRIS)。首先,将原始不平衡数据集通过MARAIF算法合成一部分少数类样本,将所得新样本与原始数据结合形成新的不平衡数据集,最后采用SMOTE算法得到最终的平衡数据集。实验结果表明,与SMOTE、ADASYN、MAHAKIL过采样技术对比,CMRIS适用于高失衡数据集,且在不同的分类器上可以获得更高的AUC和F1-measure,验证了算法的有效性。(3)针对脑卒中筛查数据集使用传统的分类算法效果较差的问题,为实现脑卒中发病风险高效的诊断预测,基于Double DQN与Dueling DQN构建了一种改进损失函数的深度强化学习分类预测模型(New Loss Function Deep Q Network,NL-DQN),分别从优化算法、激活函数两个方面对模型进行优化。为提高神经网络的稳定性与收敛性,解决传统损失函数对离群点的惩罚力度过大的问题,提出一种更具鲁棒性的损失函数。最后,对比已有的Na?ve Bayes、J48、SVM、KNN和DQN模型在一般数据集与不平衡数据集的实验结果,结果表明所提出的NL-DQN模型不仅在一般数据集上优于已有分类器,在不平衡数据集上

关键词： 鄂尔多斯   地震活动性   地震序列   多重时空聚类   b值   地震能量  

摘要： 鄂尔多斯块体处于中国东西部的构造转换带上,是中国大陆北部一个相对完整的近刚性块体。地震记录表明,鄂尔多斯块体内部很少发生地震,且发生地震的最大震级也从未超过6级,然而在鄂尔多斯地块周缘的边界断层及构造带上地震活动剧烈,经常发生破坏性地震。因此,研究鄂尔多斯地块及其邻区的地震活动性对于该区的防震减灾及安全生产具有重要意义。已有的研究表明鄂尔多斯及邻区的地震活动存在很强的时空不均匀性,东西边界的地震活动性远大于南北边界且存在明显的时间交替特征。在汶川地震后,鄂尔多斯块体西南缘、渭河地堑的最西部、河套地堑东部和西部、山西地堑中部发生地震的概率较高。这些研究大多仅依据地震分布及b值等方法,可靠性及分辨率还较低,需要进一步验证这些推测和结论及深入研究鄂尔多斯地区的地震活动性。地震序列被定义为一组在连续时间和空间范围内发生的地震事件,与介质结构和应力分布密切相关,同时也是地震孕育过程、应力变化,断层滑动的重要线索。因此,地震序列的研究可以推测区域应力变化、地震活动趋势等信息。地震序列经常在时间和空间上重叠并淹没在海量的背景地震事件中,使得准确高效地识别地震序列仍然存在难度。为此,本研究收集了鄂尔多斯地区1990～2019年的地震数据,并进行了重新定位,采用本研究发展的多重时空聚类算法提取了地震序列,并结合地震能量理论和b值,研究鄂尔多斯地区的应力变化、能量释放及地震序列类型等特征,并深入分析整个地区的地震活动性。论文在以下几个方面开展研究,并取得了新认识:(1)本文基于ST-DBSCAN和DBSCAN算法发展的多重时空聚类算法解决了单次聚类容易产生错分事件的问题,避免了使用时空耦合距离时所导致的权值选择问题,同时可以获得地震序列的关键统计参数,为揭示地震构造、发震机理、地震活动性提供了定量依据。(2)山西断陷盆地的b值在0.85左右,地震能量主要在大同盆地西部的六棱山断裂和恒山北麓断裂的阶区、太原盆地北部、临汾盆地北部释放。地震序列的分布很好地描述了整个山西断陷盆地的展布方向,并在很大的程度上刻画了几个次级盆地分布情况。(3)渭河断陷盆地的地震活动总体处于平稳阶段,但是空间上分布不均匀,存在小区域的地震聚集现象。三个地震序列均分布在断裂带上,地震能量主要在渭河盆地西部和渭河盆地中部的华山山前断裂和渭河断裂的交汇区域释放。(4)海原-六盘山断裂带的地震能量主要沿着断层的走向分布,在六盘山断裂东南段的东北一侧和海原断裂东端存在着聚集。六盘山断裂东南段存在一个大面积的高b值区,地震序列也在此处出现高密度的聚集。香山-天景山断裂和烟筒山断裂的区域,存在跨断层的震群,推测可能存在转换断层。(5)银川-吉兰泰断陷盆地的地震活动主要在南部的银川盆地。地震分布和能量的释放主要在银川盆地,沿着黄河-灵武断裂走向呈现条带状分布。地震序列也很好地表明了整个区域的地震活动主要在银川盆地,尤其在银川盆地的南部,地震群非常密集且都靠近黄河断裂。银川盆地南缘出现的低b值区,可能是未来大地震的发生地。(6)河套断陷盆地的地震活动主要位于中部的白彦花盆地及周围的断裂交汇区;河套盆地西部的临河盆地,呈现出明显的低b值异常,且该区域地震分布稀疏,判断为未来的强震风险区;河套盆地东部呼包盆地的地震活动主要分布在断裂带上。总体而言,本文使用的多重时空聚类算法结合b值和能量对鄂尔多斯周缘地区进行地震活动分析,表明在近三十年,鄂尔多斯周缘的地震活动主要集中在山西断陷盆地、海原-六盘山断裂带以及银川盆地,渭河断陷盆地和河套断陷盆地的地震活动相比而言处于低水平,只存在部分区域的地震聚集。银川盆地南部、河套盆地西部、海原断裂东段、六盘山断裂南段是未来需要注意的强震风险区。