基于MW-REF算法的心肺复苏影响因素分析

针对传统模型对心肺复苏结果预测准确率较低、模型可解释性较差,提出了一种基于多模型加权递归消除法(MW-REF)的心肺复苏结果预测模型,并在Shapley加法解释(Shapley additive explanation, SHAP)框架下分析影响心肺复苏结果的关键因素。采用了随机森林、GBDT、XGBOOST作为基模型,将其特征重要性得分加权后使用递归消除法过滤特征并对3种及模型采用Voting进行模型融合,利用五折交叉验证下的准确率作为最终特征选择标准。最后对最终特征数据集下的融合模型进行可解释性分析。实验结果表明,与传统的递归特征消除算法对比,该模型提升了心肺复苏结果预测的准确率,模型预测结果具有可解释性,可为临床诊断提供辅助,提高诊断效率与心肺复苏成功率。     

甲状腺结节辅助诊疗模型管理方法的研究

基于主动学习框架,对甲状腺结节辅助诊疗模型管理涉及的模型训练和模型融合进行了整合,在模型训练时选择最佳样本进行迭代学习以提升模型准确度,在模型融合时采用基于熵的加权融合算法解决单一模型预测存在的片面性问题。在真实医疗数据集上,针对甲状腺超声检查报告提取的18个特征和8种分类类别,对比不同数量模型融合后预测的效果。结果表明,融合模型的准确度高于单一模型,且随着迭代次数的增加融合模型更趋于稳定,证实主动学习可以提升模型准确度的有效性。甲状腺结节辅助诊疗模型管理方法能够有效提升模型预测准确度,具有及时为医生诊断提供辅助决策、为患者提供病情咨询的功能。     

详谈心肺复苏培训教学过程中急救模拟人的应用

目的:为提高心肺复苏的急救技能,采用急救模拟人进行心肺复苏培训.方法:回顾性分析2009年4月至2011年4月我院利用急救模拟人进行心肺复苏技能培训的临床资料.结果:对参加心肺复苏培训的178例急救医学学习大学生进行培训考核,通过培训,极大地提高了大学生临床实践动手能力,提高了心肺复苏的临床效果.结论:急救模拟人是心肺复苏培训教学过程中极为重要的教学方式,有助于提升临床急救医学学习大学生的操作技能,因此,急救模拟人在心肺复苏培训教学过程中发挥着重要的作用.     

聚丙烯复合材料老化数据集成学习

聚丙烯复合材料老化实验周期长, 且单次实验采集的数据样本少, 使用传统机器学习方法进行预测的准确度较低. 为了解决聚丙烯复合材料老化数据样本少与预测准确性低的问题, 提出了一种虚拟样本生成(virtual sample generation, VSG)的集成学习预测方法. 首先, 对聚丙烯复合材料老化数据使用高斯混合模型(Gaussian mixed model, GMM)虚拟样本生成方法平滑生成验证有效的虚拟样本; 然后, 使用生成后的数据集建立集成学习预测模型, 该模型包含随机森林(random forest, RF)、极端梯度提升(extreme gradient boosting, XGBoost)算法、轻量级梯度提升机(light gradient boosting machine, LightGBM)算法以及分类梯度提升(categorical boosting, CatBoost)算法. 实验表明: 集成学习模型的 LightGBM 算法与 CatBoost 算法性能最优, 在测试数据上均方误差为 0.001 3 与 0.000 1, 比 RF 算法与 XGBoost 算法分别高出 0.4 与 0.2. 聚丙烯复合材料老化虚拟样本生成与集成学习方法可以有效解决实验周期长、单次实验采集的数据样本少的问题, 并可取得比单一机器学习算法更优的性能.     

一种基于集成学习的入侵检测算法

作为机器学习领域的一个重点研究方向,集成学习相比于单分类器有着更高的检测精度,被广泛应用于异常入侵检测.但是,现有基于集成学习的入侵检测算法在对原问题进行划分过程中会存在一定的边缘信息与整体信息的丢失,且最终的模型融合也是一个耗时、复杂的调整参数过程.基于此,提出一种改进的基于集成学习的入侵检测算法,将原问题转化成多个二分类问题,并把多个分类器的概率预测结果作为先验知识加入到原本的特征中,再进行多分类模型的学习;借助于Facebook提出的梯度提升决策树(GBDT)和逻辑回归(LR)的融合模型对其中的二分类问题进行学习.通过在KDD CUP’99数据集的实验与分析,验证了所提算法的有效性.     

特征融合和集成学习在大学生助学金预测中的应用

随着数字化校园的推行,利用大数据和机器学习算法识别真正困难的大学生,实现助学金公平发放,可为高校资助问题提供技术支持和辅助决策。首先,提出了一种利用多特征融合和集成学习的助学金预测方法,对消费、成绩、出入宿舍、图书借阅等大学生日常行为数据进行预处理和特征提取,分析特征的重要性,并进行特征融合,构造了一个21维特征向量。然后,利用集成学习方法对梯度提升决策树,随机森林,AdaBoost,SVM等分类器进行集成,采用过采样和交叉验证的方法,利用不同组合策略对大学生助学金进行分类预测。通过对10 885位大学生日常行为数据进行实验,结果表明,在3种性能指标(F1、召回率、精确度)上进行测试,平均精确度达到0.954 5,为大学生助学金发放提供了一种辅助决策手段。     

基于大数据技术的机器学习算法研究探讨

该文探讨了基于大数据技术的机器学习算法,基于大数据进行机器学习的模型提高了算法的准确性,机器学习实现分析更高级别的数据,基于Spark+Hadoop处理技术的机器学习适应迭代式机器学习模型的特定需求,机器学习分析数据中的关系获得规律预测新样本。对数据进行收集、统计和分析的大数据系统引入机器学习进行大数据计算,机器学习的深度和广度也提升了大数据分析效率。     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.     

基于退化模型和邻域嵌套的彩色图像超分辨率自适应重建

为有效提升图像质量,提出一种基于图像退化模型和邻域嵌套的彩色图像超分辨率重建算法.通过退化模型在彩色空间上得出图像超分辨率重建训练集,并根据此训练集进行图像邻域分块.为了在训练过程中抑制噪声并锐化图像中的边缘信息,提取训练集亮度和梯度特征并进行特征融合.为了有效提升重建算法的自适应性,引入图像重建优化参数和边缘信息参数...     

面向不平衡数据集的SMOTENC-XGBOOST驾驶人交通安全评估模型

为深入挖掘驾驶人因素与交通事故之间的关系,提出一种基于SMOTENC和极端梯度提升(extreme gradient boosting, XGBoost)的驾驶人交通状态优劣分类算法。首先针对交通事故发生与否不平衡的特点,使用SMOTENC算法对数据进行上采样并在采样过程中加入随机扰动,解决了数据不平衡问题。然后使用Embedded算法结合L1正则化,通过模型评估完成对特征子集的选择。最后使用机器学习的方法将XGBoost算法用于执行数据的特征提取和分类过程。实验表明,在对驾驶人的交通状态进行综合评价的任务上,XGBoost模型的准确率为99.85%,相较于随机森林、支持向量机等对照组模型,提升了约1.12%-1.80%。除此之外,使用SMOTENC算法对数据不平衡问题进行处理后,通过混淆矩阵观察到模型对于好坏个体均具备较好的识别能力。     

基于特征提取和最优加权集成策略的风机叶片结冰故障检测

针对风机叶片结冰检测中现有集成方法不能充分发挥不同个体分类器优势的问题,提出了一种基于特征提取和最优加权集成学习的叶片结冰检测模型。首先,用堆叠降噪自动编码器提取结冰关联特征后,考虑不同单一分类器在二分类应用中的表现及其差异,选择随机森林、极限梯度提升树、轻量梯度提升机、K-近邻算法作为个体学习器,并用贝叶斯算法对其进行超参数优化。然后提出基于序列二次规划的最优加权集成策略对叶片状态进行判别。最后利用金风科技提供的15号和21号风机的历史数据进行了仿真实验,结果表明：所提出的检测模型与个体学习器及其他集成模型相比多项指标均有所提升,准确度达到了99.2%,在结冰检测方面具有一定的有效性。     

基于模拟退火算法的双泵心肺复苏术外作用力的优化

大量动物实验结果显示，双泵心肺复苏术可以达到较好的血流动力效果，而心肺复苏术的外力作用是影响其复苏效果的关键。但是，由于心肺复苏术在临床实验中的实施存在极大的困难，因此在已建立的心肺复苏术数学模型上，利用NP完全组合优化问题的有效算法——模拟退火算法，对双泵心肺复苏术外力作用的多个控制参数进行了优化，其目标函数为冠脉灌注压的平均值。优化后的各控制参数的数值均在复苏术外力作用允许的范围内，并实现了较好的血流动力效果，与动物实验的结果相一致。     

基于可解释机器学习模型的南宁市野火灾害易发性研究

野火易发性评价对野火灾害的前期预防以及灾害管理决策的制定至关重要。目前野火易发性的研究主要集中于提高模型的预测精度,而往往忽略对模型的内部决策机制进行解释分析。为此,构建了一种基于可解释机器学习的野火易发性模型,并详细分析了各因子对野火易发性预测结果的影响。以南宁市历史野火样本为基础,综合考虑样本的空间分布特征,选取高程、归一化植被指数(normalized difference vegetation index, NDVI)、年均降雨和平均气温等18项评价因子,利用分类和回归树(calssification and regression tree, CART)、随机森林(random forest, RF)、轻量的梯度提升机(light gradient boosting machine, LGBM)和极致梯度提升(extreme gradient boosting, XGBoost)4种机器学习模型构建野火易发性预测模型。基于性能最优的易发性模型,运用沙普利加和解释(shapley additive explanations, SHAP)方法完成特征全局性解释、依赖性分析和典型样本...     

An Ensemble Classification Model Based on Imbalanced Data for Aviation Safety

Nowadays aviation accidents have become one of the major causes of severe injuries and fatalities around the world. This attracts the research community to look into aviation safety by applying data analysis techniques based on an advanced machine learning algorithm. An ensemble classification model based on Aviation Safety Reporting System(ASRS) has been proposed to analyze aviation safety targeting the people injured in the system.The ensemble classification model shall contain two modules: the data-driven module consisting of data cleaning, feature selection,and imbalanced data division and reorganization, and the modeldriven module stacked by Random Forest(RF), XGBoost(XGB),and Light Gradient Boosting Machine(LGBM) separately. The results indicate that the ensemble model could solve the data imbalance while vastly improving accuracy. LGBM illustrates higher accuracy and faster run in the analysis of a single model of the ASRS-based imbalanced data, while the ensemble model has the best performance in classification at the same time. The ensemble model proposed for imbalanced data classification can provide a certain reference for similar data processing while improving the safety of civil aviation.     

融合矩阵分解和XGBoost的个性化推荐算法

针对传统的协同过滤推荐算法中评分矩阵过于稀疏和算法准确度不高的问题,提出一种融合矩阵分解和XGBoost算法的推荐算法(MFXGB,Matrix Factorization XGBoost),其特点是利用SVD++算法(SVD,Singular Value Decomposition)对用户项目评分矩阵进行填充,避免过多的缺失值对算法精确度的影响,再利用XGBoost(eXtreme Gradient Boosting)算法训练有监督的模型用于预测用户评分.为了克服计算成本过高的困难,提出利用K-均值聚类方法进行特征提取用于训练XGBoost模型.将MFXGB算法应用于MovieLens数据集进行实验分析,结果显示,MFXGB算法的推荐精确度比传统的3种方法分别提高了8.91％、10.18％和11.79％,效果明显优于传统的推荐算法.     

基于XGBoost的多种生理信号评估心理压力等级方法

基于生理信号客观评估心理压力状态成为目前的研究热点,但最佳评估算法有待进一步探索. 本文选择心算任务诱发受试者的心理压力,采集了21位在校大学生的脑电、心电、皮肤电导、脉搏波4种生理信号. 提取各生理信号时域和频域的多种特征,使用方差分析(ANOVA)、最大相关最小冗余(mRMR)、单个特征支持向量机(SVM)分类准确率、随机森林(RF)特征重要性、梯度上升决策树(GBDT)特征重要性、极端梯度提升(XGBoost)特征重要性6种特征选择方法筛选出有效特征,利用SVM、K近邻(KNN)、高斯朴素贝叶斯(GNB)、自适应提升算法(Adaboost)、GBDT、XGBoost 6种分类器对提取的特征进行分类. 结果得出,GBDT特征筛选与XGBoost分类器的组合模型对心理压力的等级评估效果最佳.      

基于核极限学习机的下肢关节力矩预测方法

针对极限学习机(extreme learning machine, ELM)预测下肢关节力矩时,随机初始化输入权重和偏置影响模型准确度问题,提出一种基于核极限学习机(kernel based extreme learning machine, KELM)的下肢康复机器人关节力矩预测方法。该方法将高斯核函数与ELM相融合,并采用遗传算法(genetic algorithm, GA)与粒子群优化(particle swarm optimization, PSO)结合的基因粒子群GAPSO对KELM的参数进行优化。首先,采集1位在跑步机上以0.4、0.5、0.6、0.7和0.8 m/s等5个不同速度行走的右下肢偏瘫患者运动数据并对数据进行预处理;其次,通过GAPSO对KELM进行优化,获得最优正则化系数C和核函数宽度参数S,将输出关节力矩与反向生物力学分析计算的关节作比较;最后,利用均方根误差(root mean square error, RMSE)和相关系数P来评价算法优越性。实验结果表明,基于GAPSO优化后的KELM(GAPSO-KELM)算法相对于PSO-KELM算法、KELM算法...     

基于极端梯度提升算法的滑坡易发性评价模型

机器学习用于地质灾害的易发性评价分析是当前研究的热点之一,不同的学习模型其效果不尽相同。为合理有效地评价滑坡地质灾害的易发性,依托浙江省温州市飞云江流域地质灾害的调查数据,应用地理信息系统（Geographic Information System,GIS）技术提取坡度、坡向、坡形、地表覆盖、地形湿度指数（Topographic Wetness Index,TWI）、极端小时降雨量、内摩擦角、黏聚力、容重与风化层厚度10个滑坡致灾因子,基于极端梯度提升算法（eXtreme Gradient Boosting,XGBoost）构建模型用于滑坡地质灾害的易发性多分类评价。模型结果通过多分类混淆矩阵进行评价,并与支持向量机（Support Vector Machine,SVM）模型进行精度比对分析。研究结果显示,训练后的XGBoost 算法模型对测试集中极高易发区识别的召回率和精确率分别达到了97.92%和98.06%,F1值达到97.99%,均优于SVM,可为研究地区的滑塌地质灾害易发性评价提供模型支持。