2020年细胞力学热点回眸

 概述了2020年细胞力学研究的热点和进展，探讨了细胞膜表面张力、细胞粘附力、细胞弹性模量、细胞与纳米颗粒相对刚度等对细胞生物学行为的影响及其在疾病诊疗中的应用。     

基于不平衡数据的公司破产预测研究

整合创新数据预处理技术与集成算法利用不平衡数据探讨了公司破产预测问题。首先，运用冗余信息处理方法、不同抽样方法等对不平衡数据进行预处理。其次，以5.0分类器（Classifier 5.0,C5.0）决策树和单隐层前馈神经网络作为基分类器，分别与三类重抽样数据预处理技术结合，择出最优抽样法。再次，结合自助汇聚法提升分类效果，并运用十折交叉验证的受试者操作特征曲线的下方面积进行评价，对比了两基分类器的集成模型。最后，运用加利福尼亚大学尔湾分校数据库中一万多家波兰制造业公司的实际数据进行实验验证。实验结果表明：欠抽样或人工少数类过采样法与神经网络结合的集成模型分类效果最优，为企业实施破产预测提供积极支撑。     

基于已实现半协方差的投资组合优化

在传统的风险度量方法中,常见的协方差估计量并未区分资产收益的下侧风险和上侧收益,而一般的下偏矩估计量则存在非对称性和难以加总的缺点.本文引入已实现半协方差矩阵(RSCOV)作为风险度量进行波动率预测和投资组合研究.本文将RSCOV应用于两种常见的风险分散投资策略—风险平价(ERC)策略和全局方差最小(GMV)策略,并将机器学习中的在线加权集成(OWE)算法用于提升已实现波动率预测方法HAR-RV的样本外预测表现.通过研究发现,相比起已有的其他风险衡量方式,仅包含负向波动信息的下半RSCOV能够更好地被用于平衡组内各资产的风险贡献.基于A股市场2011-2018年的高频数据,本文通过实证研究发现,OWE-HARRV在月度预测步长下的效果优于HAR-RV,而下半RSCOV则能够使ERC策略以及GMV策略在保证一定平均收益的同时,降低了组合收益的极端损失.     

基于集成学习的安卓恶意程序检测技术

随着安卓恶意程序的数量的急剧增加,恶意程序检测已成为一个重要的研究课题.然而,目前许多研究表明,恶意程序的检测仍然需要改进,安卓的碎片问题和需要root权限,阻碍了这些方法的广泛使用.现有的杀毒程序依赖于需要实时更新的签名数据库,这无法检测出零日恶意程序.在本文中,我们提取了安卓程序中的特征,进行混合,选择集成算法中的DECORATE算法,并用WEKA工具辅助进行分类恶意程序的检测.该方法最终达到95.8%的检测精度,同时我们在真实的数据集上经过十折交叉验算实验及对比.     

液晶清亮点对光敏手性偶氮苯分子螺旋扭曲力常数的影响

本文主要研究了光敏手性偶氮苯分子Azo-o-Bi的螺旋扭曲力常数(β)及其变化量(Δβ)与液晶清亮点之间的关系。将光敏手性偶氮苯分子Azo-o-Bi与不同的向列相液晶主体E7,HTG135200-100,HNG715600-100配置成具有光敏性的胆甾相液晶,测量Azo-o-Bi分子在不同胆甾相液晶中的β值及Δβ值。通过分析不同胆甾相液晶的差热扫描量热(DSC)曲线,研究手性剂的β值及Δβ值与液晶清亮点间的关系。发现液晶的清亮点越高,手性剂的β值及Δβ值越大。这是由于液晶清亮点越高,其所对应的有序度参数越大,液晶分子排列的有序程度越高,分子间的相互作用力越强,从而导致光敏手性剂对向列相液晶产生的螺旋扭曲力及其变化量就越大。     

基于遗传算法优化神经网络的拼焊板压边力预测

通过数值模拟与神经网络技术对拼焊板盒形件拉深成形过程中的压边力预测问题进行研究.运用数值模拟分析压边力加载形式对拼焊板盒形件成形性能的影响，找到一种较优的变压边力加载方式.建立适用于拼焊板盒形件拉深成形压边力预测的BP神经网络模型.采用遗传算法对神经网络模型进行优化，在基因选择过程中加入精英保留策略，最终通过基于遗传算法优化的神经网络模型获取了理想的压边力曲线，用以预测随拉深行程变化的压边力数值，为实现智能化冲压奠定了技术基础.     

基于MVO-SVR-AdaBoost的中国煤炭需求量预测模型

为准确预测未来中国煤炭需求总量;首先确定我国煤炭需求量的7个主要影响因子,将集成学习算法以及支持向量回归算法应用到中国煤炭需求量预测中,借助多元宇宙算法优化支持向量回归机中关键参数,构造基于MVO-SVR-AdaBoost的中国煤炭需求量预测模型;将1980-2017年历史数据带入模型.结果表明:建立的煤炭需求量预测模型适配度高达0.9791,平均绝对误差仅为4.2928%.基于历史数据,确定各因子年均增长率的可能波动边界值,在GDP低、中、高速增长的情况下随机组合分别带入模型得到2018-2020年中国煤炭需求量的可能数值区间.     

考虑颗粒级配影响的高聚物改良钙质砂抗剪强度特性试验研究

基于南海某岛礁典型回填工程面临的钙质砂问题,提出采用环保固化剂高聚物对钙质砂地基进行加固。制作不同级配、不同高聚物含量的固化钙质砂试样,开展一系列直剪试验和SEM微观结构试验,研究高聚物固化钙质砂的抗剪强度、粘聚力、内摩擦角等参数随着高聚物掺量和颗粒级配变化的演变规律,以及高聚物改良钙质砂力学性能的微观机理。试验结果表明,随着高聚物掺量的增加,高聚物改良钙质砂的抗剪强度明显增大,试样的剪应力-位移曲线由硬化特征逐渐呈现为软化特征；高聚物主要通过影响钙质砂的粘聚力来改变其抗剪强度,对内摩擦角的影响十分有限；钙质砂中粗颗粒含量越多,其孔隙越大,高聚物改良钙质砂的反应越明显,对其强度的提升作用也越明显; 高聚物主要包裹在钙质砂颗粒表面或填充于颗粒之间,从而改变钙质砂材料原本的力学性质,使得土体的抗剪强度明显增长。     

基于集成学习的碳酸盐岩储集体类型划分——以塔河油田T615井组为例

由于碳酸盐岩储层非均质性强、储集空间复杂多变、测井响应特征模糊,导致仅利用常规测井解释方法无法准确划分储集体类型。因此,将集成学习技术引入,以多种资料建立的测井响应模式为基础,提出一种结合Boosting和Bagging集成策略的改进方法应用于碳酸盐岩储集体类型划分中。采用AdaBoost.M2算法,以机器学习中的支持向量机、决策树、浅层神经网络为基分类器构建3个强学习器,并结合Bagging并行策略进行组合优化,得到储集体类型的最终划分结果。将该方法应用于塔河油田碳酸盐岩储层T615井组,结果表明:相较其他单分类器和基于同质基分类器的强分类器,本文方法的综合分类正确率最高,达92.3%,且对该井组的4类储集体的分类正确率均保持在90.0%左右,分类结果满足实际测井资料解释的精度要求,展现了集成学习技术在碳酸盐岩储集体类型划分中良好的应用效果。