基于图神经网络和随机森林的CircRNA-疾病预测

环状RNA(CircRNA)广泛参与人类疾病的进程,其突变和失调与许多人类疾病密切相关．因此,建立一个高效准确的CircRNA与疾病之间的预测算法对于提前对疾病的发生做出预防以及发病后的治疗方案具有重要意义．提出了一种新的基于图神经网络和随机森林的算法预测CircRNA-疾病关联算法,在分层网络表示嵌入部分通过构建异构网络,根据网络图的邻近性,对网络图的节点和边缘进行分层,递归地合并原始图中的节点和边,得到若干具有相似特征的较小子网络．子网络规模随着分层的深入而递减,直至得到最小子网络后,使用node2vec网络图游走算法对其进行预处理,然后将全部节点的特征向量输入至随机森林分类器来识别潜在的CircRNA-疾病关联,从而进行预测．     

基于随机森林的多阶段集成学习方法

集成学习主要分为串行和并行学习方法.并行学习的优势在于分类器的并行学习和融合,对分类问题通常采用的融合策略为投票法或堆叠学习法,它们的代表分别为随机森林和堆叠泛化Stacking.为了进一步提高Stacking的分类性能,在经典Stacking算法原理的基础上,提出基于随机森林的多阶段集成学习方法,以随机森林作为基层的基学习算法,以投票法和学习法同时作为融合方法,来降低泛化误差.在UCI数据集上的实验结果表明,提出的模型在Accuracy和1F指标上,相比Bagging,随机森林和Stacking等分类器在分类性能上有很大的提升.     

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。     

基于随机森林算法的张家界生态旅游适宜性评价研究

生态旅游适宜性评价是进行旅游资源开发的前提和基础,是制定旅游空间规划的科学依据,以生态旅游为核心的适宜性评价研究对于生态保护与旅游开发意义重大.本文在参考前人方法的基础上,引入机器学习方法,通过对小规模已知样本的训练学习实现大规模未知数据的高精度分类与评价,从方法科学性与可行性、因子选取、数模结合、预测实现、精度检验等...     

基于回归分析的山东省人口预测

本文根据山东省人口发展的历史数据,运用回归分析建立人口预测模型进行人口预测,以明确近期山东省人口发展的趋势,预测2014至2020年山东省人口总量。     

基于自回归模型的基坑周边建筑物沉降预测分析

为了确保基坑周边建筑物的安全,建立自回归模型研究周边建筑物沉降的趋势并及时预测。首先采用统计方法分析沉降监测基准的稳定性,然后根据某监测点16期观测数据,建立自回归模型AR(P),最后使用4期的预测数据与实测数据进行比较:预测值和实测值之间的最大差值不超过0.6mm。表明该模型有良好的预测结果,可应用于预测该基坑周边建筑物的沉降。     

基于DWT和随机森林的运动自动分类方法

为了对运动员训练过程中的运动进行自动分类,以可穿戴式惯性传感器采集的信息为基础,提出了一种基于离散小波变换(DWT)和随机森林分类器的分类方法 .首先,通过佩戴于身体特定部位的微型加速度计和陀螺仪,采集速度和角度信息,从而估计出运动员的膝关节和髋关节的运动角度.然后,通过DWT从关节角度信息中提取特征.接着,利用提取的特征集来训练随机森林分类器,以此实现运动的自动分类.实验结果表明,该方法能够有效分类出多类运动,具有较高的分类精度.     

基于多元线性回归模型的建筑能耗预测与建筑节能分析

针对城市建筑能耗的节约与有效利用,提出一种基于多元线性回归模型(MLRP)的建筑能耗预测与建筑节能分析模型.以天然气和电力为能耗目标,将建筑类型、建筑年代、占地面积和居住人数等参数作为输入特征,利用多元线性回归模型分析出对能耗具有显著性影响的因素,并预测整个区域的能耗.另外,通过该预测模型,可以评估实施改善措施后建筑的节能潜力.实验给出了各种场景下的建筑节能潜力,分析结果表明,提出的预测模型能够精确预测区域能耗.     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

HOG结合随机森林的新型手势识别框架

针对现有手势识别方法在复杂环境中识别率较低的问题,提出了一种HOG与随机森林结合的新型手势识别框架.首先对输入视频进行帧差分处理,使用n帧累积差分来确定具有最大强度的区域.通过识别感兴趣区域(ROI)来提取动作信息.然后提取梯度方向直方图(HOG)作为特征.最后将提取的特征反馈到基于随机森林的分类器以用于手势识别.使用Jochen Triesch静态手势库作为提出算法的评测标准.实验结果表明,提出的新型手势识别框架取得了良好的识别精度.     

关于自回归预测方法的注记

已知时间序列资料,建立自回归模型进行预测时,为了提高预测的准确性,采取的途径之一是固定自回归模型为线性模型,对数据列进行变换,提高数据列的光滑程度.证明了利用反双曲正弦函数变换能提高数据列的光滑程度,给出了改善的自回归预测方法,并且举例加以论证。     

大数据环境下利用随机森林算法和 决策树的贫困生认定方法

针对当前校园扶贫工作普遍存在的“隐形贫困”及疑似“虚假贫困”等问题,提出了利用随机森林算法和决策树的贫困生认定方法首先,利用智慧校园大数据环境获取高校内学生的基本信息、消费信息等数据,找出10个具有分类能力的特征;然后使用基于permutation随机置换的残差均方减小量来衡量对于变量重要性评分;最后,基于随机森林算法和决策树进行判别与分类实验结果表明,提出的方法具有一定的准确性,相比Adaboost方法,无论是预测准确度还是平均绝对误差,随机森林方法都更出色     

年径流预测的遗传模拟退火门限自回归模型

根据年径流时间序列资料所隐含的时序分段相依性,用门限自回归模型(TAR)来预测年径流,并研制了TAR建模的一整套简便通用的方案.文中所提出的模拟退火遗传算法,可同时优化门限值和自回归系数,从而解决了TAR建模过程所涉及的大量复杂寻优工作这一难题,为TAR模型的广泛应用提供了强有力的工具.实例计算的结果说明这套方案是可行和有效的.     

基于单项预测模型筛选的隧道变形优选组合预测

采用优选组合理论,提出了基于单项预测模型筛选的隧道变形优选组合预测方法,建立了隧道变形预测系统.系统由包含各种监测成果的监测库、动态更新的变形预测模型库和模型评价库组成,采用人机对话方式在众多的经评价满足最优组合预测条件的单项预则模型中筛选出合理的单项模型,对其进行组合预测,继而再对不同的组合预测结果进行评价比较,得到较好的隧道变形组合预测结果.将该方法应用于隧道工程的拱顶下沉预测,利用前期工况的数据建模,对后期工况的未来变形量进行滚动预测,获得了令人满意的结果.     

解随机森林发展方程的半隐式欧拉法的收敛性

一般来说,大多数随机偏微分方程并不存在显式解,因此,数值方法是研究这类方程解的性质的十分有效的工具.应用半隐式欧拉方法求解一类随机森林发展方程,从而得到其近似解,并证明了当满足一些比线性增长条件和全局利普希茨条件弱的条件时,半隐式欧拉格式将依概率收敛于方程的解析解,其收敛阶为p=1/2.     

基于自回归模型的软件可靠性预测方法研究

随着人们对高可靠和高质量软件需求的日益增长,这种需求迫使软件开发人员不断提高软件的可靠性.本文提出了一种基于自回归模型的软件可靠性预测方法,并利用最小二乘估计方法对模型中的参数进行估计.使用开源软件Firefox的真实故障数据,利用SPSS软件对可靠性模型进行验证分析,实验结果表明本文提出的模型是有效的.     

基于Logistic回归和后验概率SVM的住房贷款组合评估模型

针对单一模型存在的分类精度有限的不足,提出了应用组合预测模型进行信用评估的方法.选择Logistic回归和后验概率SVM模型作为单一模型,构建了基于二者的非负权重线性组合预测模型,并将模型应用于住房信贷评估.采用基于最大后验概率的分类准则,应用结果表明,组合评估模型的分类精度高于单一模型,并且获得了较好的稳健性,对于构建住房信贷评估模型是一个很好的选择.     

中国人口老龄化问题的分析与预测

利用最小二乘法构造了我国人口老龄化的二元回归预测模型,得到2005～2050年我国人口老龄化（65岁以上）系数,并依此预测出我国老年人口数量多、老龄化速度快、高龄趋势明显等特点．     

基于机器学习预测的隧道监测缺失数据插补研究

【目的】通过修复隧道监测数据的缺失值,为后续对隧道健康状态的分析提供更接近于现实的完整数据。【方法】本研究提出基于回归和分类思想的机器学习插补法,通过建立特征与缺失数据之间的关联规则,根据缺失个数和置换特征的重要度来设计插补顺序,并对缺失数据进行迭代插补。【结果】根据不同的缺失率、缺失类型和特征重要度对UCI数据和实际隧道监测数据进行实例分析,对比统计方法和机器学习方法的特点。【结论】机器学习方法适用于离散缺失和后段连续缺失的数据,传统的统计方法适用于监测数据前段、中段和前中后段连续缺失的情况,RF集成模型能达到最优的插补性能。根据缺失个数或将其与置换特征重要度加权求和得到插补顺序时,机器学习方法的插补性能更好。     

基于模糊点数据的线性回归分析

在经典回归分析理论中,假定训练数据是独立同分布的随机样本,并且在回归方程的构建中是同等对待的.然而,在许多实际问题中,训练数据的作用是不同的;通常有些训练数据比其它数据可能更为重要,因而不同的训练数据对曲线拟合的贡献应该不同.人们要求重要的训练数据对曲线拟合做出更大的贡献.实现这一目标的策略是给每个训练数据赋予一个置信权重并且重新推导了经典的最小二乘回归方法,分析了它们的统计性质.受文[1]的启发,将这里的样本称为模糊点样本数据.