关键词： climate change   tree growth   trade-off   soil properties   topographic factors  

摘要： The decline in tree growth has become a global *** is critically important to explore the factors affecting tree growth under the background of global climate change to understand tree growth models.A database was established based on Robinia pseudoacacia growth and its driving factors on China's Loess *** regression and three machine learning methods,including support vector machine,random forest(RF)and gradient boosting machine were used to develop *** growth models considering forest age,density,climate factors and topographic *** root mean square deviation method was adopted to quantitatively assess the relationship between tree growth and soil *** average tree height of *** on the Loess Plateau was 8.8±0.1 m,the average diameter at breast height(DBH)was 10.4±0.1 cm and the average crown diameter was 3.2±0.1 *** RF model was a fast and effective machine learning method for predicting *** growth,which showed the best simulation capability and could account for 67%of tree height variability and 55%of DBH *** importance indicated that forest age and stand density were the main factors predicting *** growth,followed by climate *** trade-off between *** growth and soil properties revealed that soil texture and soil pH were the primary determinants of *** growth in this *** synthesis provides a good framework for sustainable forest management in vulnerable ecological areas under future climate change.

关键词： 超大规模集成电路   布图规划   布局   构造法   分析法   迭代法   机器学习方法  

摘要： 综述超大规模集成电路(VLSI)布图规划方法,探讨布图规划在集成电路设计中的重要性,以及其对芯片面积、互连线长和设计周期的影响.首先,回顾集成电路技术的发展历程,强调布图规划在确定模块位置、尺寸和旋转角度中的作用.其次,详细介绍4类主要的VLSI布图规划方法:直观构造方法、分析法、迭代法和基于机器学习的方法.再次,讨论两个VLSI设计领域中常用的基准数据集MCNC和GSRC对测试和评估布图设计方法的重要性.最后,总结布图规划领域的研究进展,并指出未来的研究方向.

关键词： 地质灾害   危险性评价   机器学习   灾害地质调查工程   大安镇   宁强县   陕西  

摘要： 【研究目的】地质灾害的孕育和发生受多种因素的影响,具有不确定性和复杂性,给地质灾害的危险性评价带来一定困难。随着AI技术的发展,智能算法能更准确地计算地质灾害孕育与诱发因素之间的多元复杂非线性关系,大大提高了地质灾害危险性模型的准确性,在区域地质灾害危险性评价中逐步得到应用。【研究方法】本文结合宁强县大安镇野外地质调查数据,挑选与地质灾害发生密切相关的12种致灾因子,即高程、坡度、坡高、坡向、坡型、工程地质岩组、断裂距离、水系距离、道路距离、植被覆盖、降雨及地震动峰值等作为危险性分区评价因子。通过构建样本集,运用贝叶斯、随机森林、策略梯度神经网络、KNN和神经网络算法这5种模型进行宁强县大安镇地质灾害危险性建模并进行比较。【研究结果】贝叶斯模型(AUC 0.894)表现最好,绝大多数已发生的地质灾害点位于评价的极高和高危险区,且贝叶斯模型计算结果达到预测精度评价要求。【结论】在宁强县大安镇地质灾害样本数目很少的情况下选择贝叶斯算法模型进行地质灾害危险性评价,是具有可行性的。

关键词： 机器学习   认知诊断评价   小样本   神经网络  

摘要： 为了探索适合小样本认知诊断评价的机器学习方法,本文以理想反应模式、观察反应模式和Q矩阵的关联作为机器学习规则,将常见7种机器学习算法应用到中学物理欧姆定律教学案例中。实证和对比研究的结果表明,7种机器学习分类都有90%以上准确率,均能达到应用水平,但神经网络理论约束相对少且应用最方便,是机器学习应用在认知诊断评价的最佳方法。

关键词： 幽门螺杆菌   相关因素   机器学习   预测模型   支持向量   随机森林  

摘要： 目的基于幽门螺杆菌(Hp)感染的相关因素,构建Hp感染的风险预测模型,为临床预防Hp感染提供新方法。方法对石河子大学第一附属医院消化内科门诊行^(13)C、^(14)C尿素呼气试验的检测者,使用问卷调查本地Hp感染现状。按7∶3随机将数据集分成训练集和测试集,以是否发生Hp感染为结局变量,采用单因素分析和多因素Logistic回归分析筛选出有统计学差异的特征变量。在训练集中,使用支持向量(SVM)、K邻近(KNN)、逻辑回归(LR)模型、随机森林(RF)、极限梯度提升(XGB)和轻量级梯度提升(LightGBM)6种机器学习方法构建Hp感染风险预测模型,并在测试集进行验证与评价,通过各模型间预测性能对比,筛选出最佳模型。应用Shapley加法解释(SHAP)方法对最佳模型进行可解释性分析。结果本次调查人群678人,其中训练集475人、测试集203人,XGB模型准确率为0.784,精确率为0.777,召回率为0.783,F1值为0.780,精确准-召回曲线的曲线下面积(AUPRC)为0.875、受试者工作特征曲线下面积(AUC)为0.885、Brier值为0.140,为最佳预测模型。基于XGB模型对特征变量进行重要性排序,依次为Hp认知评分、喜食高盐高脂食物、共用牙杯水杯等生活用品、进食腌制食物、进食生大蒜。结论基于XGB机器学习方法构建的Hp感染风险预测模型最佳,有助于临床早期评估和预防Hp感染风险的发生。

关键词： 风速预测   机器学习算法   随机森林   BP神经网络   支持向量机  

摘要： 利用支持向量机(SVM)、反向传播神经网络(BP神经网络)和随机森林(RF)3种机器学习方法,对欧洲中心数值模式(ECMWF)的风速预报数据进行订正,与2020—2021年华能湘乡梅桥风电场的实测风速数据进行对比,评估机器学习模型的订正效果,并采用平均绝对误差和相关系数等统计指标、日准确率和日合格率的风电预报指标进行评估。结果表明,数值模式在风速预报方面存在较大误差,特别是在春季和夏季。经过机器学习方法订正后,风速预报的准确性显著提高。其中,随机森林方法的订正效果最佳,不同季节内平均绝对误差显著降低,相关系数大幅提升,风速预报的日准确率和日合格率显著提高,达95%以上。同时,机器学习方法可以减弱误差项随时刻变化的趋势,使夜间至凌晨时段的误差减小,风速日变化与实况吻合。

关键词： 数据分类   机器学习   时序数据  

摘要： 随着社会不断发展和科技的不断创新,人们对知识和技能的需求在不断变化,考试试题也在与时俱进。为了适应这些变化,文章探讨了基于历年考题数据,利用时序数据和机器学习方法分析题型分布并进行预测的可行性,旨在帮助学生在学习过程中实现效率最大化,同时培养学生的数据分类与整合能力。

关键词： 骨质疏松性骨折   机器学习   列线图   预测模型  

摘要： 目的运用3种机器学习方法探讨骨质疏松症患者发生骨质疏松性骨折的危险因素,并构建列线图预测模型。方法选取2021年10月至2023年5月苏州大学附属第二医院289例骨质疏松症患者作为研究对象,按是否骨折分为骨折组(93例)和非骨折组(196例)。采用R语言开展相关研究。运用拉索回归(least absolute shrinkage and selection operator,LASSO)、极端梯度提升(extreme gradient boosting,XGBoost)、随机森林(random forest,RF)3种机器学习方法平行评估“变量”与骨质疏松性骨折风险的相关性,分析3种机器学习方法“重叠覆盖”的风险因素,采用多因素Logisitic回归方法验证结果的独立预测性。基于机器学习和多因素Logisitic回归分析筛选出的独立危险因素构建“列线图预测模型”,采用Bootstrap方法进行内部和外部验证,通过受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)、Hosmer-Lemeshow拟合优度检验、校准曲线及决策曲线(decision curve analysis,DCA)评估列线图预测模型的准确性和临床适用性。结果3种机器学习方法各自筛选到不同风险因素,经过“重叠覆盖”分析得到6项共同的骨质疏松性骨折重要风险因素:年龄、甘油三酯、Ca、血清25羟维生素D、股骨颈T值、血清白蛋白。多因素Logistic回归分析显示其中5个因素是脆性骨折的独立危险因素:年龄(OR=1.075,95%CI:1.017~1.136,P=0.011)、甘油三酯(OR=0.207,95%CI:0.103~0.415,P<0.001)、Ca(OR=0.010,95%CI:0.000~0.602,P=0.028)、股骨颈T值(OR=0.443,95%CI:0.245~0.800,P=0.007)、血清25羟维生素D(OR=0.902,95%CI:0.830~0.980,P=0.015)。基于5个预测危险因素构建的列线图预测模型验证结果显示:模型训练集AUC值为0.934(95%CI:0.897~0.972),内部验证集的AUC值为0.893(95%CI:0.802~0.984),外部验证集的AUC值为0.849(95%CI:0.792~0.905),预测效能良好。校准曲线显示预测值与理想曲线有较好一致性。Hosmer-Lemeshow拟合优度检验(训练集:χ^(2)=9.842,P=0.276;内部验证集:χ^(2)=5.174,P=0.739;外部验证集:χ^(2)=12.828,P=0.118)表明模型有较高的预测准确性。DCA表示该模型临床效能表现良好。结论3种机器学习方法共同指出的骨质疏松性骨折高风险因素有6项,经多因素Logistic回归分析认为高龄、低甘油三酯、低Ca、低血清25羟维生素D、低股骨颈T值为独立危险因素,其中低甘油三酯、低血清25羟维生素D危险因素以往报道较少。基于3种机器学习方法构建的列线图预测模型有较好便捷性、准确性,可帮助临床医生识别骨质疏松性骨折高危患者,有益实施早期干预。

关键词： 农民非农创业   机器学习   乡村振兴   城乡异质性  

摘要： 基于2020年CFPS数据,采用逻辑回归、决策树、随机森林、梯度提升决策树、支持向量机和神经网络等机器学习模型,系统分析了个体、家庭及地区特征对农民非农创业的影响,以挖掘影响农民非农创业的主要因素。研究发现,集成学习方法优于传统模型,随机森林和梯度提升决策树表现最佳。在所有特征变量中,家庭保险支出、家庭存款、土地出租、互联网接入、个体受教育程度和年龄是影响农民非农创业的主要因素。此外,偏依赖图展示了主要特征变量对农民非农创业的具体预测模式,并发现家庭保险支出、家庭存款、个体受教育程度和年龄特征对农民非农创业的影响具有显著非线性。城乡异质性分析表明,家庭保险支出和家庭存款在不同地区均显著影响非农创业;乡村地区土地流转的促进作用较突出,而城镇地区个体年龄的影响更为显著。

关键词： 共热解   聚乙烯   生物质   机器学习   热解气  

摘要： 为了更好地预测生物质和聚乙烯(PE)共热解过程中的气体产率,本研究整理了生物质和PE共热解文献中气体产率的数据集,采用机器学习方法建立了PE-生物质共热解气体收率的预测模型,并采用特征重要性和偏依赖分析方法来量化输入因素与气体产率之间的关系。在不同输入数据集的情况下,梯度提升决策树模型(GBDT)、K-近邻模型(KNN)和随机森林模型(RF)在训练数据和测试数据中均表现出良好的通用性和准确性。GBDT模型的训练结果显示,均方根误差(RMSE)为1.19,决定系数(R^(2))为0.99,在预测气体产率时,RMSE为3.86,R^(2)为0.91。生物质的氮含量和灰分含量在共热解过程的气体生成中发挥了最重要的作用,其次是加热温度和塑料与生物质的质量比。