关键词： 移动支付   欺诈识别   机器学习   逻辑回归   神经网络   XGBoost  

摘要： 互联网、大数据等新兴技术已经在中国的大地上蓬勃发展了很多年,拥有快捷、便利等优势的电子商务系统雨后春笋般涌现,移动支付已然成为人们茶余饭后的谈资,网购、线上交易对现代人来说已经不可或缺。显而易见,便捷的确是互联网金融带来的优点,但同时而来的欺诈问题也需要引起高度警惕。《中国互联网络发展状况统计报告》揭示出的数据真是触目惊心!2020年,超过20%的互联网用户的信息被走漏,多达10%的网民碰到木马病毒的攻击,账号、密码被窃取的用户占比将近8%,逾15%的用户已经成为网络电信诈骗的目标。为了躲避网络安全部门的监控,不法分子一般会利用多类软、硬件进行作弊,捏造子虚乌有的身份信息进而欺诈攫取利润,目前已经构成一条完整的欺诈犯罪产业链。这条产业链行动迅速、协同多边,对互联网金融业务的浸透简直无孔不入,每年涉及的犯罪金额数超过千亿元。 鉴于应用场景众多,移动支付是互联网金融举足轻重的组成部分,如影随形的是与此有关的安全问题。相关黑产从业者无所不用其极,利用采取包括伪造Wi-Fi、散布木马病毒以及山寨手机软件等在内的一系列恶劣行径,非法获取了用户的姓名、身份证号、手机号、住址等隐私,进而实施欺诈变现,令人防不胜防。可想而知这威胁的主体不仅是千千万万的个人用户,更挑战了整个互联网金融、电商体系的安全性,对整个经济社会产生不利后果。互联网金融业务在持续发展壮大,更理当重视与之有关的风险,提前防范。因此目前最紧要的是运用先进的大数据处理技术,构建细致、高效、广泛的智控模型,结合定性、定量分析方法精确甄别欺诈风险,获得事半功倍的效果。 本文首先整理参考了目前现有的国内外关于识别移动支付欺诈风险的方法以及机器学习方面的文献,经过深入细致的研究发现:移动互联网、大数据等信息科学技术与日俱进,移动支付技术日新月异,趋近完善、成熟。目前,拥有着管理方便,隐私性强,空间、时间限制性小,综合性强这四大特点的移动支付,已经深入到了人们生活中的各个角落,并在世界各地疾速扩张。然而利用移动支付的优势进行网上洗钱的欺诈风险接踵而至。为了避免移动支付欺诈而带来的各种社会经济问题,就必须对移动支付确定监督对象、确立监督体系、改进移动支付运行环境、监管往来资金、防止洗钱行为、减少信用风险、强化资金监管等。国内外学者对移动支付及其欺诈风险识别等相关方面做了大量研究。现有研究包含了定性分析法、定量评估法。定性分析法包括专家调查、流程图等;定量评估法包括决策树、支持向量机、贝叶斯网络分类器等,拓展了人们对移动支付欺诈风险甄别的认知。 然后本文借助于Kaggle网站(网址:https://***/)的《Synthetic Financial Datasets For Fraud Detection》中所提供的样本进行建模。被称为Pay Sim的模拟器合成了本次的数据集,模拟器使用来自真实数据集的数据生成类似于正常交易操作的合成模拟数据集,并注入欺诈行为,有助于研究者建立反欺诈模型并评估其性能。Pay Sim从来自非洲国家的移动支付服务中提取到一个月交易流水日志,参考以上日志模拟出新的移动支付交易。原始日志由一家跨国公司提供,该公司是移动支付金融服务的供应商,目前在全球14个国家(地区)运营。 最后的实证研究阶段,本文建立了行业众所周知的逻辑回归模型,同时以此为准绳,实践了神经网络、XGBoost两个模型的构建,过程中具体介绍了上述三类模型以及相关联的其他算法模型,探索并调节模型的参数以取得最优学习效果。实践中发现:使用原始数据代入模型取得的结果一般,于是依流平进,着眼原始数据特征效果的局限性,采用“多项式扩展、交互项扩展”、“高斯核函数”两种措施对原始数据进行特征工程改进。实验对比了无特征工程和进行了“多项式扩展、交互项扩展”以及“高斯核函数”特征工程后,逻辑回归、神经网络和XGBoost分别在精确率、召回率、误杀率、AUPRC等指标上的性能。末了得出结论:本次研究实践效果一枝独秀的是XGBoost算法,性能上相较其他二者无出其右,可用于移动支付欺诈检测的日常践行。结尾审视了本次研究中的诸多不足之处,并对移动支付反欺诈的前景满怀憧憬。

关键词： Bayesian nonparametrics   Bradycardia   Diabetes   Machine learning   Predictive modeling   Recurrent neural networks  

摘要： The advancement and marked increase in the use of computing devices in health care for large scale and personal medical use has transformed the field of medicine and health care into a data rich domain. This surge in the availability of data has allowed domain experts to investigate, study and discover inherent patterns in diseases from new perspectives and in turn, further the field of medicine. Storage and analysis of this data in real time aids in enhancing the response time and efficiency of doctors and health care specialists. However, due to the time critical nature of most life- threatening diseases, there is a growing need to make informed decisions prior to the occurrence of any fatal outcome. Alongside time sensitivity, analyzing data specific to diseases and their effects on an individual basis leads to more efficient prognosis and rapid deployment of cures. The primary challenge in addressing both of these issues arises from the time varying and time sensitive nature of the data being studied and in the ability to successfully predict anomalous events using only observed data. This dissertation introduces adaptive machine learning algorithms that aid in the prediction of anomalous situations arising due to abnormalities present in patients diagnosed with certain types of diseases. Emphasis is given to the adaptation and development of algorithms based on an individual basis to further the accuracy of all predictions made. The main objectives are to learn the underlying representation of the data using empirical methods and enhance it using domain knowledge. The learned model is then utilized as a guide for statistical machine learning methods to predict the occurrence of anomalous events in the near future. Further enhancement of the learned model is achieved by means of tuning the objective function of the algorithm to incorporate domain knowledge. Along with anomaly forecasting using multi-modal data, this dissertation also investigates the use of univ

关键词： 股票指数   投资者情绪   方向预测   模拟交易   特征重要度  

摘要： 大量研究表明基于有效市场假说的传统金融理论并不能很好地解释股价暴涨暴跌等诸多市场异象,而行为金融理论的提出和发展为这一课题的深入研究提供了一个合理的和可行的方向。在行为金融理论的框架下,非理性的投资者情绪成为影响市场价格波动的关键因素之一。因此,如何从投资者情绪角度对市场进行预测是近年来众多研究者广泛关注的热点和难点话题,也是投资者、金融监管和政策调控部门所重点关注及丞待解决的重要问题。本研究从我国证券市场投资者情绪的角度出发,提出了一种结合极端梯度提升(XGBoost)、Bagging和带精英策略的非支配排序遗传算法(NSGA-Ⅱ)的集成方法用于上证综指和深证成指的方向预测和模拟交易。同时,本文对各个输入情绪特征变量在模型训练中的特征重要度进行了分析,并通过SHAP方法从单个特征和全局角度给出了情绪特征变量对模型结果的分类贡献。本研究主要有以下几个特点:首先,本研究综合考虑个人、机构和境外投资者的情绪因素来分别构建三类投资主体情绪指标,为我国证券市场投资者情绪研究与应用提供了新的研究视角。第二,通过情绪特征筛选剔除相关度高的冗余特征并提取重要度较高的情绪因子,以此作为训练模型的输入特征,从而提高模型的预测精度和训练速度。第三,选取预测性能较好的XGBoost算法作为基分类器分别构建上证指数和深证指数预测模型,同时通过Bagging方法对多个基分类器进行并行集成来克服XGBoost在训练过程中的过拟合问题。第四,运用NSGA-II方法对模型参数及交易参数进行优化,从而提高股指价格走势的预测精度。最后,通过模型特征分析提炼股指预测模型的决策逻辑以及关键情绪特征因子,有效加强了黑箱模型在预测问题中的可解释性。实验结果表明,本文所提出的XGBoost-Bagging-NSGA-Ⅱ方法在命中率、累积收益率、最大回撤率和夏普比率方面均取得了出色的表现,表明该方法在股指方向预测上有较高的准确性,同时也有效控制了交易风险,具有持续稳定的盈利能力。模型特征分析结果也表明随着境外投资者情绪对上证综指和深证成指方向预测的重要程度的降低,机构投资者情绪的重要程度逐渐上升,而个人投资者情绪的重要性始终处于较低水平。此外,SHAP方法的应用也很好的提高了预测模型的可解释性,为市场参与者识别影响股指价格走势的重要投资主体情绪、厘清模型决策规则提供了有效参考。综上所述,本文结合多种新兴的机器学习方法从投资者情绪视角构建股指方向预测模型,这为研究投资者情绪与证券市场预测之间的关系提供了一种新的思路,有助于促进机器学习与金融学科的交叉融合研究。同时,本文的研究成果对我国证券市场参与主体情绪如何影响证券市场价格走势提供了科学解释,也能帮助理解投资者情绪因素对市场价格波动的影响机理。在实际应用中,本研究为从事市场交易个人、机构等市场投资者未来的投资行为提供了决策支持,更加有助于其进行资产管理,也可以为市场的监管机构和政策制定者把控潜在市场风险开辟了一条新的研究方向,对于促进资本市场健康发展具有重要的理论与实践意义。

关键词： Anti-CRISPR蛋白   序列预测   特征编码   机器学习   网站服务  

摘要： CRISPR-Cas作为基因编辑的工具近年来被广泛研究。Anti-CRISPR蛋白是一种广泛存在于细菌、古菌和病毒中的蛋白质。它可以在CRISPR-Cas的干扰阶段将其失活,因此可以作为一种潜在的调节基因编辑的工具。深入研究anti-CRISPR的特性和功能对于基因编辑技术的安全实现有着极其重要的意义。然而,目前对于anti-CRISPR蛋白的研究非常有限。已知的anti-CRISPR蛋白数量非常少是限制其进一步研究的因素之一。通过实验发现新的anti-CRISPR非常费时费力,所以使用机器学习的方法构建一个高精度的anti-CRISPR预测模型可以很好的解决这一问题。本文从anti-CRISPRdb数据库和一个用于检索anti-CRISPR名字的统一资源中提取原始数据,经过CD-HIT去冗余和平衡数据集之后,获得了一个高质量的anti-CRISPR蛋白数据集。为了全面的描述蛋白质序列,本文使用了6种特征分别对序列进行编码,并采用方差分析和增量特征选择对特征进行了筛选。基于最优特征子集,分别使用每种特征构建了支持向量机模型。为了进一步提高分类的准确性,对这6个模型进行不同的组合,挑选出了最优的模型。最终的模型在测试集上的准确率和AUC值分别为88.1%和0.952。这是目前为止预测性能最好的模型。使用该模型对全新的11个anti-CRISPR蛋白进行案例分析,正确识别出了其中的10个,说明模型的泛化能力较强。为了发现新的anti-CRISPR蛋白,本文从Gen Bank中下载了所有病毒的蛋白质数据,然后使用模型进行预测。使用者可以根据不同阈值,获得潜在的anti-CRISPR蛋白。阈值越高,预测出来的蛋白质的数目越少,但可信度越高;反之,则数目越多,可信度降低。最后,本文建立了在线服务的网站,里面存放了构建的数据集和从病毒蛋白质中预测出来的anti-CRISPR蛋白。同时提供了预测功能,使用者可以通过输入蛋白质序列和位置特异性得分矩阵进行anti-CRISPR蛋白的预测。网站的地址是,http://***/server/Acr Pred。

关键词： 脉冲堆积   中子-伽马甄别   数学形态学   机器学习   神经网络  

摘要： 随着我国核科学与核技术理论体系逐渐完善,中子探测技术得到了快速发展,其已被广泛应用于国土安全、材料科学、环境监测及月球探测等众多领域,对我国的社会经济进步和核工业发展起到了至关重要的作用。 在基于波形数字化技术的中子探测中,往往会伴随两类问题:脉冲堆积和脉冲甄别。前者是由探测系统本身的缺陷所产生,后者则是由中子与物质的相互作用而产生,脉冲堆积会抑制中子-伽马的甄别性能。因此,开展脉冲堆积的判别与校正方法研究对提高中子-伽马甄别性能具有重要意义。另外,随着人工智能的快速发展,运用机器学习方法代替传统方法解决核脉冲处理技术中的相关问题成为了未来的发展趋势。 本文以脉冲堆积问题为出发点,为进一步提升中子-伽马甄别性能,结合数学形态学和机器学习方法相关理论,开展了脉冲堆积的判别、校正新方法以及中子-伽马甄别新方法研究。本文的主要内容和结论如下: (1)针对传统脉冲堆积判别方法的不足,提出了基于数学形态学的脉冲堆积判别方法。首先分析了数学形态学在信号处理中的基本原理,其次根据闪烁体光脉冲衰减规律,构建了模拟脉冲的表达式,最后通过模拟脉冲和实测脉冲验证了该方法能够有效识别出脉冲波形中的有效峰,从而实现脉冲堆积判别。 (2)采用预测的方式对脉冲堆积进行校正,提出了基于双曲正切灰色模型(Hyperbolic Tangent Grey Model,HTGM)和支持向量机(Support Vector Machine,SVM)的脉冲堆积校正方法。首先引入双曲正切函数对传统灰色模型进行优化,构建了HTGM模型,其次在实测的脉冲堆积信号中,分别采用HTGM和SVM实现了校正,最后将HTGM模型和SVM与卡尔曼滤波法进行对比。结果表明,在抗噪能力方面,SVM校正法的抗噪能力最优,HTGM校正法次之,卡尔曼滤波法相对较差。在脉冲还原性方面,SVM校正法的脉冲还原性最好,HTGM校正法次之,卡尔曼滤波较差。 (3)提出了基于多层感知机(Multi-Layer Perceptron,MLP)和1-D Alex Net的中子-伽马甄别方法。首先采用MLP、1-D Alex Net及电荷比较法对6000组模拟脉冲数据进行甄别对比。结果表明,MLP甄别性能最好,其Fo M值为4.0299,1-D Alex Net次之,Fo M值为3.2946,电荷比较法最差,Fo M值仅为1.9294。另外,实验发现脉冲数据归一化处理会降低MLP和1-D Alex Ne的分类正确率,其中,MLP的正确率由99.03%下降至98.78%,1-D Alex Net的正确率由98.77%降至52.36%。最后开展了脉冲堆积对甄别性能的影响研究,实验表明,脉冲堆积会抑制中子-伽马甄别性能,其中MLP甄别性能最好,但受脉冲堆积的影响也最大,1-D Alex Net次之,电荷比较法甄别性能相对较差,但受脉冲堆积影响最小。

关键词： 树木死亡建模   森林动态   数据挖掘   机器学习  

摘要： 树木死亡是森林生态系统动态的重要过程之一。由于森林生态系统物种丰富,环境复杂,对个体树木的死亡预测以及死亡机制的了解一直以来都是森林生态学研究的重点和难点。传统参数统计模型由于自身限制,例如对数据分布的要求和多重共线性等原因,在实际应用中往往受到一定限制,无法较好应用在复杂森林生态系统动态的分析建模研究中。与此同时,随着近年来大批大型森林动态监测样地的建立,以及调查内容与手段的丰富,使得森林监测数据的数量规模和复杂程度都达到了前所未有的新高度,同时也为分析建模研究带来了挑战。由于这些森林生态学大数据的数据规模巨大,数据连续性高,数据结构层次复杂,传统的统计分析和建模方法在应对这类大数据时往往效果不佳,而针对这类大数据,新的机器学习方法在分析建模效率和模型表现上往往发挥出色,此外机器学习方法对数据格式要求较低,没有多重共线性等传统统计模型的限制,能够有效处理大量复杂数据,近年来已成为不同学科研究必不可少的工具。本研究采用非参数机器学习方法,对巴拿马巴罗克罗拉多岛50公顷森林大样地BCI连续35年的树木普查数据进行挖掘,建立个体树木死亡预测模型。结合文献中广泛收集到的生物因子和非生物因子数据,通过特征工程手段,构建了包含树木特征,功能性状,种内种间相互作用,土壤化学特性,地形特征,以及气候特征在内的106个预测因子作为自变量,将树木存活状态作为因变量,分别用传统参数方法（逻辑斯蒂回归）和非参数机器学习方法（随机森林和极限梯度提升树）建立了3个分类预测模型,并通过特征重要性排序、偏依赖图、累积效应图和SHAP值等模型分析手段对模型结果进行解释分析,从而探究热带雨林树木的死亡机制。研究结果表明,机器学习模型表现均优于传统的逻辑斯蒂回归模型,预测准确率达到90%以上,AUC值达到0.67以上,其中极限梯度提升树模型表现略优于随机森林模型。通过对模型的分析发现,BCI样地内树木死亡主要由树种功能性状,个体间相互作用,以及土壤化学特性等环境因素共同影响,具有非线性特征,而气候因素对于个体死亡的直接影响相对较小。此外,模型解释结果表明,种内竞争对个体存活率呈负影响,支持并揭示了Janzen-Connell假说。总竞争对存活率的影响呈单峰型分布,说明在BCI样地中,竞争和促进均在相邻植物之间进行。胸径大小和树木存活率呈负相关,一方面是由于邻域竞争负效应随胸径增大不断增大,另一方面可能是由于较大树木在热带雨林中更易受到雷电袭击,而年老的树木因为累积的历史性损伤更易死亡。土壤化学元素含量与树木存活率呈单峰型分布,表明竞争在低养分可用性情况下更激烈,验证了资源比率假说。幼苗生长率与树木存活率呈负相关,表明资源获取型的树木在防御方面投入较少,对病虫害的敏感性更低,更易受到同种负密度依赖作用的影响,表明了快速生长和防御之间的权衡。而平均木材比重、比叶重,以及树木平均高度与存活率呈正相关,可能是因为在高生产力森林中主要以资源获取型策略为主,保证树木分配足够的资源来生产更多的叶子和茎,并加强树冠来竞争光照。土壤侵蚀因子、坡度和海拔对存活率的影响为正效应,这与一些研究结果相反,可能是亚马逊地区的地形差异不大,往往被竞争、土壤养分等其他因素的影响所淡化,因为海拔的差异不像山地森林那样极端。本研究通过生态学大数据挖掘和机器学习手段,对热带雨林个体树木的死亡进行分析建模,揭示了Janzen-Connell假说、种间促进作用,快速生长和防御之间的权衡等生态学假说和理论,为复杂大型森林样地监测数据的挖掘和分析提供了新思路,也表明了大数据挖掘和机器学习方法在生态学中的广泛应用前景。

关键词： 水下爆炸   机器学习   深度神经网络   结构毁伤   动响应   快速预报方法  

摘要： 水下爆炸过程中会产生冲击波、气泡脉动和射流等载荷,这些载荷会对舰船结构造成不同程度的毁伤,严重威胁舰船生命力。目前,在水下爆炸载荷下舰船毁伤领域的研究主要采用数值计算方法,并产生了海量数据。采用机器学习方法对已有计算结果进行数据挖掘可实现舰船毁伤特性的快速准确预测,这将为水下爆炸与舰船毁伤领域带来前所未有的变革,具有极其重要的军事和工程意义。首先,阐述了水下爆炸的物理现象、载荷特性及结构毁伤的基础理论和研究现状,介绍了深度神经网络等机器学习算法及其在舰船毁伤领域内的应用,并论述了 ALE方法基本原理,通过与经验公式和水下爆炸试验对比验证了 ALE方法在水下爆炸载荷下结构毁伤模拟的有效性,验证了深度神经网络方法在水下爆炸问题中的适用性。其次,以近场水下爆炸载荷下船体板架结构最终塑性变形和塑性应变分布为例,研究了隐含层数量、神经元数量、优化器和激活函数类型对深度神经网络预测精度和训练效率的影响,确定了较优的深度神经网络模型。在此基础上研究了深度神经网络模型输入参数的影响,且针对神经网络训练过程中出现的欠拟合和过拟合现象进行了讨论,最后在模型中加入回调函数,从而在保证预测精度的前提下提升训练效率,以避免欠拟合和过拟合对预测结果的影响。然后,针对不同加筋数量和加筋厚度的船体板架结构、不同炸药当量和爆距的近场水下爆炸载荷,建立了三个不同的深度神经网络模型对板架结构最终塑性变形、塑性应变分布和典型位置位移时历曲线进行了预测。通过将板架最终塑性变形预测结果作为输入值,提高了计及边界和加筋影响的塑性应变分布预测精度。此外,通过增加隐含层和神经元数量,预测了水下爆炸载荷下船体板架结构典型位置处位移时历曲线。最后,采用支持向量机算法实现了不同板厚的结构在不同威力水下接触爆炸下的毁伤模式判别。在此基础上建立了深度神经网络模型以预测结构在水下接触爆炸载荷下破口尺寸、破口形状、结构塑性变形和应变分布。此外,通过将时间及对应时刻结构位移及应变输入到新的深度神经网络模型中进行训练,预测了板架结构在水下接触爆炸载荷下破口扩展过程。

关键词： 机器学习方法   NAFLD   CRT分类树   列线图   预测模型  

摘要： 目的:利用CRT分类树、列线图构建非酒精性脂肪性肝病(Nonalcoholic fatty liver disease,NAFLD)患病风险的预测模型并进行评价,旨在通过机器学习方法筛查罹患NAFLD的高危人群,为NAFLD疾病的预防、早期诊断提供依据。方法:收集2017年07月至10月期间桂林医学院附属医院体检部体检的10390例资料齐全的人群的一般资料包括姓名、性别、年龄、身高、体重、既往史、用药史、个人史,实验室指标包括甘油三脂(TG)、总胆固醇(TC)、低密度脂蛋白胆固醇(LDL-C)、高密度脂蛋白胆固醇(HDL-C)、空腹血浆葡萄糖糖(FPG)、丙氨酸氨基转移酶(ALT)、天门冬氨酸转氨酶(AST)、尿酸(UA)、肌酐(Cr)、尿素氮(BUN),并计算体重指数(BMI)、甘油三脂葡萄糖指数(Ty G)、肾小球滤过率(GRF)。随机抽取70%的人群(7273例)作为训练集,30%的人群(3117例)作为验证集进行内部验证,以有无脂肪肝分为病例组和对照组,分别构建CRT分类树模型、列线图模型。绘制受试者工作特征曲线(ROC)评价模型的鉴别能力,使用决策曲线分析(DCA)及临床影响曲线(CIC)评价模型的临床实用性,使用校准曲线评价模型的准确性。结果:1、在匹配性别、年龄后的人群中,与对照组(2148例)比较,病例组(2148例)的BMI、SBP、DBP、FPG、TG、TC、LDL-C、Ty G、ALT、AST、UA水平升高,而HDL-C水平降低,差异有统计学意义(P<0.05);2、训练集与验证集的年龄、FPG、TC、LDL-C、HDL-C、Ty G、BUN、Cr、UA、GRF差异无统计学意义(P>0.05);3、CRT分类树模型结果提示BMI、Ty G、ALT、FPG、年龄、UA与NAFLD的患病相关。列线图模型结果提示BMI、Ty G、ALT、LDL-C、FPG、年龄、UA、HDL-C与NAFLD的患病相关;4、(1)训练集的CRT分类树、列线图模型的ROC曲线下面积(AUC)值分别为0.857、0.881,验证集的CRT分类树、列线图模型的ROC曲线下面积(AUC)值分别为0.853、0.892,提示这两个预测模型具有良好的鉴别能力;(2)训练集CRT分类树模型DCA的Pt范围在0.06-0.82之间,列线图模型的Pt范围在0.08-0.85之间,提示这两个模型具有良好的净获益率;验证集CRT分类树模型DCA的Pt范围在0.06-0.85之间,列线图模型的Pt范围在0.08-0.9之间,与训练集无明显差别,验证了训练集的两个模型良好的临床实用性;(3)训练集的CRT分类树、列线图模型CIC中红色曲线与蓝色曲线重合时的预测概率均为0.85左右,验证集的CRT分类树、列线图模型CIC中红色曲线与蓝色曲线重合时的预测概率分别为0.78、0.8左右,提示这两个模型具有较高临床影响价值;(4)训练集的CRT分类树模型校准曲线的P值=0.590,列线图预测模型校准曲线的P值=0.348,两者P值均>0.05,与标准曲线的最大偏幅分别为0.003、0.087,表示预测模型的校准曲线与标准曲线无差异,验证集的P值均>0.05,最大偏幅与训练集无明显差别,提示这两个预测模型具有较高的准确性。结论:1、BMI、Ty G、FPG、LDL-C、HDL-C、年龄、ALT、UA与NAFLD的患病相关;2、应用CRT分类树、列线图这两种机器学习方法构建的NAFLD预测模型具有良好的临床效能,对NAFLD患病风险具有良好的预测能力及较高的预测价值。