随机森林算法研究综述

随机森林算法是一种基于决策树的集成学习算法,具有很高的预测准确率,对异常值和噪声具有很好的容忍度,而且不容易出现过拟合,在医学等领域具有广泛的应用。首先介绍了随机森林算法的原理和性质,然后综述了近几年来随机森林算法的改进研究及应用领域,最后对随机森林算法研究做出了总结。     

合作网络异质性特征与企业创新绩效的关系

合作网络是企业适应外部环境变革以进行开放式创新的重要方式。基于2003～2021年SoC芯片行业的联合专利申请数据，通过社会网络分析深入剖析了合作创新网络的拓扑结构及其异质性特征，并采用CART决策树、K-Means等机器学习方法实证分析了异质性网络情境中企业创新绩效的内在影响机制与提升路径。发现企业在简单二元关系网络中其创新绩效主要受到合作深度的影响，而在复杂合作关系网络中受到结构特征与非结构特征的共同作用。中介中心度是复杂合作环境中绩效的主要影响因素，合作深度与特征向量中心性在资源聚集程度低的企业群中正向影响创新绩效，度数中心度在资源密集的平台型企业群中正向影响创新绩效，其他特征在两种合作网络情境中差异较小，对创新绩效的影响并不明显。研究结论为相关技术研发企业进行合作伙伴选择、合理配置网络资源以提升创新绩效提供了网络嵌入路径参考，同时为数字经济时代社会科学研究的范式探索拓展了新的视角。     

亮度估计驱动的监控图像色彩还原性测试方法

色彩还原性表征了不同色温条件下在标准显示设备上真实还原图像景物各种色彩的能力。然而实验室环境下的测试方法是一种有参考且对测试软件有严格要求的方法，无法在实际图像监控系统得到应用。通过色彩还原色卡在实验室环境下的亮度估计，获得不同色彩还原值和色卡图像亮度值，通过机器学习获得两者的对应训练模型，通过对实际监控图像亮度估计最终获得实际监控环境下的色彩还原参考值。     

基于GBDT的串联结构微电网 与电网交互稳定性评估

针对微源逆变器串联微电网中,微源投切对微电网与电网交互稳定性影响机理复杂,传统方法建模困难且无法及时决策的问题,提出一种基于梯度提升决策树(gradient boost-ing decision tree,GBDT)模型的交互稳定性评估方法.首先提出微源投切特征函数的构造方法,所提方法能够有效提取采用载波移相SPWM调制的串联结构系统中特有的投切微源位置特征,同时具有降低特征维数、提高模型效率、通过简单拟合使模型具备迁移能力的优势;其次将交互稳定性评估视为多分类任务,且对其中较不稳定样本进行谐振频段预测,从而可针对不同投切工况采取不同应对策略.在验证集和新建测试集上的测试结果表明特征提取方法正确、有效,可为类似串联结构系统在电能质量分析、优化运行等方面提供方法参考;所建模型泛化能力强且具有实用性,可为并网运行系统稳定性在线分析及决策提供新思路.     

多视角半监督分类算法： 最新进展与比较研究

随着科技的发展，数据的获取渠道变得越来越多，所获得的数据也越来越多样化，多视角数据在目前的应用也已经相当普遍. 但是在处理真实世界的问题时，获得的多视角数据一般只带有少量标签，而人工标注的成本比较高昂，因此多视角半监督学习在机器学习和图像处理领域引起了许多学者的关注. 本文总结了近年来发表的多视角半监督分类方法并对这些方法进行了归类，对多视角半监督分类方法所面临的挑战进行了讨论.     

基于随机森林分类模型的古代玻璃制品成分分析

【目的】中国古代利用外来玻璃制作工艺制作出的玻璃制品，其化学成分与外界传入的并不相同。古代玻璃易受环境影响而被风化，内部元素和外部元素进行大量交换，成分比例会因此发生变化。通过分析玻璃类型等外部因素与表面风化的相关性及玻璃组成成分与表面风化的相关性，找出玻璃表面风化原因。【方法】通过分析玻璃外部因素的相关性和对玻璃进行独立样本Mann-Whitney检验，得到玻璃制品的成分，基于随机森林建立模型，构建不同分类标准。【结果】研究发现，玻璃制品纹饰等与表面风化的相关性较弱，与二氧化硅等玻璃制品的相关性大，且氧化铅成分在玻璃中的重要性最大。【结论】要防止玻璃发生风化，就要减少杂质成分。     

一种机器学习发现系统

提出了一种联想类比法,这种方法把概念类比与方法类比融化一体,其实现使机器在模拟人的类比思维的道路上向前迈进了一步。本文从理论上给出了不同的类比联想条件,这是联想类比的一个重要问题。并介绍了作者研制的一个类比学习发现系统GAP,此系统实现了把命题逻辑的概念与推理方法类比到图论中,建立了图形逻辑代数系统,填补了图论中图形逻辑推理的空白。     

基于机器学习的城市暴雨内涝时空快速预测模型

暴雨内涝的快速预测对于提升灾害应急处置能力具有重要意义。针对传统数值模拟复杂耗时导致难以满足暴雨内涝预测时限要求的问题,该文基于机器学习方法构建城市暴雨内涝时空快速预测模型。利用城市综合流域排水模型(InfoWorks ICM)模拟的高精度网格结果作为数据驱动,综合考虑降雨因素、地理数据以及排水管网的分布情况,分别基于随机森林、极限梯度提升(XGBoost)、K最近邻以及长短期记忆(LSTM)神经网络建立城市暴雨内涝快速预测模型。以北京市某区域为例,开展算例研究,结果表明：随机森林模型的空间预测效果最佳,淹没范围预测准确率可达99.51%,积水深度平均预测误差3.55%; LSTM神经网络模型能准确预测内涝点积涝过程的水深时序变化。在该算例场景下,所构建的机器学习模型可实现s级的暴雨内涝时空快速预测。