机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明：LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。     

应急调水对太湖北部污染物扩散的影响

以太湖为研究对象,采用Delft3D模型建立了太湖湖区的二维水动力模型,利用2007年太湖污水团事件有关数据进行了验证计算.在SE向3 m·s-1风况下,运用此模型,对太湖湖区不同的调水方案进行了模拟,对比分析了各方案对贡湖取水口处污染物扩散的影响.结果表明:在SE向3m.s-1风况下,望虞河枢纽进水流量越大,对污染物的应急去除效果越好,而增加太浦闸出水流量的效果甚微;贡湖水厂新取水口相比旧取水口,在地理位置、补给水源等方面占优.     

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SVM和雷达回波反射率的雹云模型识别研究

为了提高基于支持向量机(Support Vector Machine,SVM)的大雨、冰雹模型的分类准确率,利用SVM分类方法与雷达回波反射率图像相结合的方法建立模型。提取雹云图像与大雨图像的的特征数据进行筛选,分别求出它们的和、中位数与方差,组成的三维识别向量作为SVM模型判别的变量数据训练模型。利用该模型对已有样本进行测试,可得雹云判别模型的识别率较高,且判别误差率较低。结果表明,通过气象雷达反射率图像的回波强度数据与SVM分类模型相结合构造的雹云判别模型,具有较好的效果。     

基于XGBoost的乳腺癌预测模型

针对现有乳腺癌预测模型虽然准确率较高,但是存在过拟合现象且在用于计算机辅助诊断(Computer Aided Diagnosis,CAD)过程中不能很好的降低漏诊率和误诊率的问题,提出了一种基于XGBoost算法构建的乳腺癌预测模型。在实验中采用细针穿刺细胞病理学检查所获得的检验数据进行实验并对比基于XGBoost的乳腺癌预测模型与已有预测模型的预测准确率,结果显示,基于XGBoost算法的乳腺癌预测模型预测准确率达到了97.86%,ROC曲线下方面积(AUC)的大小达到了99.59%,该模型的准确率优于已有乳腺癌预测模型的准确率,且获得了较高的AUC值,通过基于XGBoost的乳腺癌预测模型可以进一步优化乳腺癌的诊断技术。     

基于CNN的脑电信号情绪识别模型研究

针对现有深度学习模型在情绪识别方面种类少且准确率低的问题,采集并建立了脑电波信号数据集,提出了一种基于CNN的脑电波的智能多情绪识别模型,利用多层卷积神经网络提取脑电信号情感特征,在批归一化层和激活函数中引入非线性特性,构建了两层全连接神经网络,实现了情绪特征中积极、中性和悲伤的分类。实验结果表明,提出的模型复杂度低且分类准确率达到了81.43%,明显高于SVM、LSTM、VGGNet模型,证明了该模型的简洁性和高效性。     

面向网络安全不平衡数据的特征学习和分类研究应用

网络数据的正确分类对于网络环境的监控和维护具有重要作用。在数据不平衡状态下解决数据分类和处理复杂的特征关系尤为重要,为此提出一种改进SMOTE(synthetic minority over-sampling technique)+GA-XGBoost(genetic algorithm-extreme gradient boosting)的机器学习分类方法。将局部离群因子引入SMOTE插值过程,对少数类样本过采样,并对多数类样本随机欠采样,从而实现样本再平衡;同时,在模型训练过程中为增加模型拟合度,将具有进化迭代优势的遗传算法与XGBoost相结合,解决XGBoost参数众多、特征学习收敛较慢等问题。实验采用UNSW＿NB15数据集,选择多层感知机、K近邻、决策树等机器学习算法及SMOTE+XGBoost等不平衡数据训练方法进行试验对比,结果表明该方法具有较好的分类预测准确率(97.40%)及较高的平均召回率(70.2%)和平均F₁-score(68.8%)。并在本实验室工业信息安全平台采集的数据进行实验研究,分类准确率为99%,进一步验证了该方法的有效性和可行...     

基于二维水流模拟的湖泊型水源保护区划分方法

通过建立及求解二维水流水质模型,提出了基于水质模拟的湖泊型饮用水水源保护区的划分方法.以太湖贡湖流域为例,根据《饮用水水源保护区划分技术规范》(HJ/T338—2007),在研究二维水流水质模型的基础上,建立贡湖流域二维水流水质模型.将望亭立交调水情况作为重要影响因素,以高锰酸盐指数、总氮、总磷作为主要水质指标,模拟并分析贡湖湖体2010年不同调水情景模式下的水质变化.应用贡湖流域水流水质模拟结果和GIS分析方法,采用数值分析法划分贡湖水源地一、二级保护区,对贡湖饮用水水源保护区做出准确的划分,为贡湖流域的饮用水水源地保护提供切实可用的技术支持.     

基于改进XGBoost不平衡围岩超前分类方法的隧洞工程施工仿真研究

为了在围岩类别不平衡的条件下实现围岩类别有效判断,进而提高隧洞工程施工仿真准确性,基于改进极限梯度提升(XGBoost)不平衡围岩超前分类方法进行隧洞工程施工仿真研究。采用自动邻域确定合成过采样(AND-SMOTE)方法优化围岩类别不平衡性,并采用改进的XGBoost不平衡围岩超前分类模型进行围岩超前分类,进而优选仿真参数,提高仿真结果的准确性,其中,以模型交叉验证平均准确率为目标,采用哈里斯鹰优化(HHO)算法自动优化XGBoost超参数,以提高围岩分类精度。工程应用表明,相比未改进的XGBoost不平衡、KNN、SVC等6个模型,改进的XGBoost不平衡围岩超前分类模型分类精度更高;考虑围岩类别不平衡性后,改进的XGBoost不平衡围岩超前分类模型分类精度提高了8.6%;此外,基于围岩超前分类的隧洞工程施工仿真结果与实际进度的相对偏差相比传统仿真降低了11.3%,更符合工程实际。     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

蓝藻水华显著影响因子识别模型

根据蓝藻水华反演图判断蓝藻水华发生与否,进而构建了直接以蓝藻水华发生与否的指标为因变量,同时以水质、水文和气象3类共19个指标为自变量的蓝藻水华环境影响因子识别模型(Probit模型),并将该模型应用到太湖.经模型分析,识别出太湖蓝藻水华暴发的显著环境影响因子:气温和硝酸盐浓度与蓝藻水华暴发的概率正相关;风速、湿度和电导率则与水华暴发的概率负相关.将离散因变量模型(二元选择模型)引入蓝藻水华研究领域,对湖泊(水库)蓝藻水华暴发的预测和预防具有参考价值.     

富营养化状态下太湖蓝藻水华气象条件影响的评估

根据2005～2017年太湖流域气象观测数据与同步卫星观测数据分析结果,表明：太湖蓝藻水华在日平均气温为0～35℃的区间内都会出现,高发区间为15.0～35℃,大面积蓝藻水华也多集中在20.0～35℃区间内,33℃以上的高温会产生抑制作用;蓝藻水华在卫星过境前6h平均风速为0.5～3.4 m/s区间内集中出现,占94.7%,89%的大面积蓝藻水华出现在0～2.0 m/s,风向主要影响蓝藻水华的移动和空间分布;降水的影响总体上呈负效应,但大面积蓝藻水华在前24小时有降水的情况下,其中小雨量级（＜10mm）的占比达88%,说明降水的适度扰动可能有利于大面积蓝藻水华形成;日照充足可能有利于蓝藻生长,但并非蓝藻水华形成的必要条件。在上述分析基础上,构建了气象评估多元回归模型,实际值和模拟值拟合的相关系数达0.83,通过了0.001显著性检验,可用于蓝藻水华的定量气象评估,从而为政府防控蓝藻水华提供决策依据。     

巢湖蓝藻水华预警监控方案研究

文章根据近年来巢湖蓝藻水华预警监测期间的水质监测结果、水华暴发情况和MODIS蓝藻影像图,研究制定了巢湖蓝藻水华预警监控方案;将巢湖划分为饮用水源地、河流入湖区和湖区3个蓝藻水华预警监控区域,设置蓝色、黄色和红色三级预警响应级别;优化了巢湖蓝藻水华预警监测布点方案、监测时段、监测频次和监测项目,为今后巢湖蓝藻水华研究提供科学依据。     

基于GIS和USLE模型的巢湖流域土壤侵蚀评价

土壤侵蚀是全世界都关心的土地资源与环境保护问题。巢湖作为中国第五大淡水湖,近年来由于水体富营养化产生的水华现象引起多方重视,对巢湖流域土壤侵蚀评估对于环境保护战略与土地规划政策具有重要的意义。基于GIS平台,采用通用土壤流失方程(USLE)来评估巢湖流域14县/区2000年到2010年土壤侵蚀空间分布变化趋势。研究表明:(1)巢湖流域土壤侵蚀严重区域主要分布在金安区、舒城县、居巢区以及含山县的丘陵地区,即杭埠河-丰乐河流域、裕溪河流域与柘皋河流域的上游地区;(2)从2000年到2010年,土壤微度侵蚀、强度侵蚀、极强度侵蚀和剧烈侵蚀区域占巢湖流域总面积比例分别减少了0.5%、0.05%、0.21%和0.23%,而轻度侵蚀、中度侵蚀区域所占比例分别增加了0.98%和0.01%,总体呈现土壤强度侵蚀、极强度侵蚀与剧烈侵蚀区域向轻、中度侵蚀转移的趋势。(3)植被覆盖度变化是巢湖流域土壤侵蚀分级发生变化的主要原因,总体上,2000~2010年研究区由于植被覆盖度的波动性增加呈现土壤侵蚀分级波动性降低的趋势。     

基于多模型融合的互联网信贷个人信用评估方法

针对网络个人信用有效评分缺失的问题,分析了互联网信贷个人信用评估数据的特点,选用支持向量机、随机森林和XGBoost分别建立了信用预测模型,并对3种单一模型进行了投票加权融合. 基于互联网信贷数据的特点,在特征工程中对样本集特征进行了离散化、归一化和特征组合等处理. 为增加对比,对实验数据集进行了FICO评估核心Logistic回归分析. 实验结果表明:3种单一算法性能均优于Logistic回归,XGBoost表现优于支持向量机和随机森林模型,预测相对准确;投票融合模型的表现比单一模型更好,模型分辨能力更优秀,预测精度更高,更适用于互联网信贷个人信用评估.     

动水条件下太湖水体透明度及其影响因子模拟

利用太湖长序列实测资料,分析了太湖水体透明度的主要影响因子,建立了透明度与其影响因子之间的多元回归方程,基于该方程,建立了动水条件下太湖水体的透明度数学模型.结果表明,悬浮物质量浓度是太湖透明度最重要的影响因素,藻类和有机物质量浓度对透明度的影响不确定性较大,但总体来看呈现明显的反比关系.根据透明度及其影响因子的分布特征,分季节(春季和夏季)、分湖区(梅梁湾、湖心及沿岸区、东太湖)建立的透明度与悬浮物、藻类及高锰酸盐指数(CODMn)质量浓度之间的多元回归方程具有较好的相关性,所建立的模型对太湖水体透明度以及影响因子具有较好的描述能力,说明该模型是合理的.     

引江济太调水工程对太湖水动力的调控效果

为研究引江济太调水工程对太湖水动力调控所产生的效果,采用数学模型对其水动力进行模拟.利用环境流体动力学模型(EFDC模型),以湖体水龄(描述湖泊水体交换速率的参数)为研究对象,系统地研究引江济太调水工程对太湖水动力的调控情况.结果表明:(a)引江济太调水工程对太湖湖体水动力过程的作用效果很大程度上取决于风速、风向以及出入湖的流量;(b)太湖湖体水龄的分布具有很强的时空异质性,夏天的平均水龄约为130d,其他季节的平均水龄约为230d;(c)太湖地区夏天的主导风向——东南风能够促进东部湖区(无锡、苏州水源地所在地)和梅梁湾湖区(太湖重污染区)的水交换,改善水体运动条件;(d)望虞河入湖的最经济调水流量为100m3/s.     

基于自动监测和Sentinel-2影像的钦州湾溶解氧反演模型研究

钦州湾是广西近岸海域水质较差的区域,为及时了解钦州湾海域水质状况,本文借助遥感水质监测技术范围广、快速、连续、可视化程度高的优势,以高分辨率遥感卫星Sentinel-2影像数据为数据源,结合广西近岸海域自动监测数据,通过一元与多元,线性与非线性的回归分析方法建立钦州湾溶解氧浓度反演模型。研究表明,在构建的370个波段组合中,最佳波段组合分别是1/B3、lnB3/（lnB1+lnB2）和B3/（B1+B2）,其Pearson相关系数（R）分别为0.905 2,-0.897 0和-0.889 2。钦州湾溶解氧浓度反演模型中,逐步回归模型拥有最低的平均相对误差MRE （6.47%）,最低的均方根误差RMSE （0.584 5）,同时模型验证精度R²为0.654 3,稳定性较佳。本文突破了广西近岸海域传统监测的局限性,同时为钦州湾溶解氧遥感监测提供参考。