支持向量机CT引导下肺穿刺活检气胸预测模型的研究

【摘要】 目的 基于患者基本信息、病变及手术相关因素,采用支持向量机（SVM）,联合特征选择算法,建立CT引导下经皮胸腔肺穿刺活检（PTNB）气胸预测模型。方法 回顾性分析经CT引导下PTNB患者94例（气胸组/非气胸组:43/51）。于PACS系统上获取患者基本信息、肺部病变及穿刺活检术中的相关风险因素。采用特征选择的方法选取与气胸发生相关性较大的风险因素,采用SVM模型,并同神经网络（NN）、随机森林（RF）机器学习模型进行对比,建立气胸预测模型。结果 特征选择得到气胸风险因素按重要性大小排序:病灶深度、年龄、病灶大小、进针深度、穿刺针经过通气肺组织的长度、进针角度、穿刺针过胸膜凹陷及性别。与NN和RF相比,SVM预测性能最好,其准确度为88.9%、灵敏度为71.4%、特异度为100%。结论 机器学习方法可用于建立CT引导下PTNB气胸预测模型,SVM能构建预测气胸的最优模型, 辅助临床诊断。
     

三峡水库排沙比与水沙因子响应关系

为研究实际水沙条件下排沙比与影响因素间的响应关系，基于三峡水库2003～2018年实测水沙资料，在分析水库来水来沙特性的基础上探讨了排沙比与各影响因子的响应关系，并建立了主汛期排沙比关系式。结果表明，排沙比与单因子影响因素的相关性不高，说明排沙比受多因子综合影响。从水库的运行调度角度出发，排沙比与滞洪时间呈负相关，应通过缩短滞洪时间来提高排沙效率；从来水来沙角度分析，入库沙量越大，细颗粒泥沙的排沙比越大，粗颗粒泥沙则呈多来少排的特点。在主汛期，排沙比与提出的表达式关系较好，可为三峡水库调度提供参考。     

基于相似推理的多沙河流水库坝址泥沙预测

多沙水库泥沙淤积严重制约了水库兴利效益的发挥,而实施水库水沙优化调度、提高排沙效率的关键在于坝址泥沙预测。利用不同洪水之间的相似性,在构建水库水沙过程相似性指标体系的基础上,分析了水库水沙过程相似性,提出了坝址泥沙预测相似推理方法,预测了三门峡水库坝址泥沙过程,并进行了预测误差分析。结果表明,该方法切实可行,预测精度较高。     

基于集成机器学习模型的短期光伏出力区间预测

为全面深挖影响光伏出力因素之间的关联信息,进一步提高机器学习模型在短期光伏出力区间预测的精度,提出一种基于集成机器学习模型的短期光伏出力区间预测方法。首先,利用快速相关性过滤（FCBF）的特征选择算法对多维的历史光伏数据及气象数据进行最优特征的提取;然后,在集成多个机器学习模型的基础上,收集训练过程中的预测误差,通过最大似然估计获取预测误差的概率分布,得到预测区间的上下限;最后,结合集成学习模型预测得到光伏出力曲线,进而得到最终的日前光伏出力预测区间。最后通过算例验证了所提模型的可靠性与优越性。     

基于随机森林的SCR脱硝系统出口NOx浓度预测研究

基于集成学习中的随机森林(Random forest, RF)算法,利用某燃煤机组SCR脱硝系统历史运行数据,通过计算各特征变量重要性评分选取出最优输入变量集,建立脱硝系统出口NO_x浓度最优的RF预测模型。与常见建模方法进行对比,结果表明:基于RF算法的模型预测精度明显高于BP神经网络和SVM等建模方法,且经最优变量选择后,具有更好的泛化能力和更短的建模时间,能够有效应用于电厂烟气脱硝系统出口NO_x浓度预测中。     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

高含沙河流坝前冲刷漏斗物理模型试验研究

高含沙河流水库在淤积基本平衡后,主要依靠一定的坝前冲刷漏斗维持水库的长期安全运行。通过某水库坝前冲刷漏斗物理模型试验研究了冲刷漏斗形态,分析了不同出库流量、排沙水位、排沙孔开启位置及进口高程下漏斗纵横向坡度变化的规律。试验结果表明,随着出库流量增加,冲刷漏斗纵向坡度变缓;开启靠近主流的排沙孔形成的冲刷漏斗坡度较缓;同流量下低水位运行时形成的冲刷漏斗坡度较缓;排沙孔进口高程愈低,冲刷漏斗范围愈大,坡度较缓。研究结果为水库排沙减淤提供了参考依据。     

管道排沙系统吸泥头优化设计及区域流场数值模拟

为实现管道排沙系统持续高效排沙,利用RNGκ-ε双方程紊流模型对吸泥头附近区域流场进行三维数值模拟,建立吸泥头区域水力特性分析计算模型,揭示不同吸泥头形式及布置方式下的流场分布规律,寻求高排沙效率的吸泥头形式。结果表明,保持吸泥头与排沙管道的连接口贴近泥面,有利于吸泥头下方高流速区的塑造;吸泥头高度一定,存在一个适宜的吸泥头口径使得其吸泥效果最佳;选择合理的吸泥头形式,减小排沙管道流速或增大吸泥头离地距离,吸泥头仍可保持较高的吸泥效率。研究结果为管道排沙系统在水库清淤工程的应用提供参考依据.     

基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。     

基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测

由于太阳辐射的随机性很大,同时考虑到传统方法建立的单一最小二乘支持向量机(least square supportvector machine,LSSVM)模型精度不高,该文提出一种基于经验模态分解(empirical mode decomposition,EMD)局部均值分解(local mean decomposttion,LMD)和与机器学习方法 LSSVM联合的逐时太阳辐照度预测模型。先利用信号处理算法EMD及LMD将时间顺序数据分解成一系列相对平稳的分量序列,再对各子序列分别建立LSSVM预测模型,最后将各子序列预测结果进行叠加得到最终预测值。仿真结果表明,该模型取得比单一模型更好的预测效果,均方根误差精度可提高24.59%。     

基于三维DTRT传热模型的地源热泵土壤热导率测试方法研究

为进一步提升土壤热导率测试精度和效率，基于建立的三维分布式热响应测试（DTRT）理论模型，结合粒子群算法提出一种新型土壤热导率的DTRT测试方法，并基于该方法对土壤热导率的时空变化规律进行研究。首先针对U型埋管换热器建立DTRT三维传热分析模型，然后通过建立DTRT实验平台获得流体温度数据并验证建立的传热模型，同时利用建立的模型计算分析土壤热导率、管间距和加热功率对流体温度的影响，最后基于不同时间和深度的温度数据并采用粒子群算法对土壤热导率随时间变化和空间分布规律进行研究。研究结果表明，建立的DTRT理论模型具有较高精度，流体进出口温度的平均分析误差约为0.5℃；利用不同深度的温度数据预测出的土壤热导率稳定性较好，最大偏差仅为1.49%；不同时间土壤热导率的预测结果收敛性也较好，在5和20 h下的测试结果偏差仅为4.67%。此外，土壤热导率预测结果与参考值吻合度较高，说明该文提出的方法可在短时间内对不同深度的土壤热导率进行有效预测。     

基于支持向量机的给水泵故障预测研究

给水泵组是火电厂重要的辅机之一,其在线状态监测得到的机械信号具有非线性关系,因此为了有效预测给水泵组的状态趋势,提高其运行的安全性和经济性,本文采用一种新的通用机器学习算法——最小二乘支持向量机(LS-SVM)。基于该机器学习算法构建给水泵组状态预测模型,并对给水泵活动侧的轴承温度和振动进行预测。实验结果表明:采用LS-SVM构建模型预测给水泵组的轴承振动和温度,其预测结果均在设定的允许误差范围内,具有一定的可靠性和参考价值。     

基于机器学习的卤化物双钙钛矿材料性能预测

以卤化物双钙钛矿材料为研究对象,利用机器学习方法高速、高精确预测卤化物双钙钛矿材料的带隙和相对稳定性。使用贝叶斯岭回归、梯度提升回归、支持向量回归和XGBoost这4种算法建立模型,分析得出：梯度提升回归可为相对稳定性提供最高性能预测(R²=0.9161,MAE=0.2061),XGBoost可为带隙提供最高性能预测(R²=0.9899,MAE=0.0542);采用SHAP方法解释模型后,对元素替换后的新样本进行筛选,最终获得18种光吸收范围理想且稳定性良好的卤化物双钙钛矿。结果表明,相比传统方法,基于数据驱动的机器学习方法可有效加速功能材料的发现,提高设计效率。     

基于TensorFlow的LSTM循环神经网络短期电力负荷预测

随着智能电网、坚强电网的建立及人工智能领域技术的高速发展,如何对电力领域的负荷进行更高精度的预测已成为电力从业者们特别关注与研究的问题。基于TensorFlow智能学习系统的深度学习LSTM循环神经网络算法的短期电力负荷预测算法,结合某地区发电厂负荷数据设计实验,通过多次数据迭代、参数更新,进行模型训练与预测,最终的实验证明:基于TensorFlow的LSTM循环神经网络算法预测效果明显好于传统机器学习算法。随着数据量的增大,模型更显示出其良好的鲁棒性。     

黄土地区中小型水库排沙计算方法

本文在对黄土地区中小型水库调度运用和利用异重流排沙的实测资料进行分析的基础上,提出水库泥沙淤积和异重流排沙的总量平衡计算方法.该方法依据资料简单,能快速的给出水库泥沙信息,为水库的水沙联合优化调度提供依据.本文引用的计算实例,其计算结果与实测吻合良好.     

基于贝叶斯优化—随机森林回归的燃煤锅炉NOx预测模型

根据某超超临界1 050 MW燃煤机组实际运行数据,采用随机森林(RF)算法建立燃煤锅炉炉膛出口烟气中NO_x质量浓度预测模型,并利用贝叶斯优化(BO)进行超参数寻优,将BO-RF模型与网格搜索优化的RF模型(GSO-RF)进行对比。为了更好地评价预测模型,以平均绝对百分比误差δ_MAPE和决定系数R²作为评价指标,将所建立的BO-RF模型与目前常见的基于贝叶斯优化的BP神经网络(BO-BPNN)模型、最小二乘支持向量机(BO-LSSVM)模型进行比较。结果表明：BO-RF模型比GSO-RF模型的预测精度更高,且BO-RF模型的δ_MAPE为1.478%,R²为0.916 2,均优于BO-BPNN模型和BO-LSSVM模型的预测结果,证明BO-RF模型具有更高的预测精度和更优的泛化性能。     

基于机器学习的车用发动机性能预测及优化方法研究

随着人工智能技术的不断进步,基于机器学习的研究方法逐渐被应用于解决车用发动机性能优化问题。本文提出了一种基于机器学习的车用发动机性能预测及优化方法,并进行了案例研究:通过利用台架试验数据,建立了遗传算法-反向传播神经网络(GA-BPNN)预测模型,对发动机功率和有效燃油消耗率(BSFC)实现了较为准确的预测,误差率仅分别为1.58%和1.72%。此外,采用交叉遗传-粒子群(CMPSO)算法对功率和BSFC进行了多目标优化,将最优控制参数输入到台架试验中,得到的功率和BSFC的实际运行值与优化值基本一致。研究结果证明了本文提出的方法的有效性。该方法在保证一定精度的前提下,大幅减少了时间和经济成本的投入,为发动机性能优化研究提供了一种新的工作思路。     

基于CEEMDAN+RF+AdaBoost的短期负荷预测

高精度的短期负荷预测不仅是电力系统运行稳定的关键,也是构建智能电网的必要保证。为提高电力系统短期负荷预测精度,提出了一种基于完整集成经验模态分解(CEEMDAN)、随机森林(RF)和AdaBoost的预测方法。针对传统分解方法不能完整分解原始负荷序列的问题,利用CEEMDAN分解方法为各个阶段的IMF分解信号添加特定的白噪声,通过计算余量信号来获得各个模态分量,然后针对前9个模态分量构建RF预测模型,针对残余量构建AdaBoost预测模型,并对结果进行重构预测,得出未来24h的负荷预测数据。最后将CEEMDAN+RF+AdaBoost方法应用于华中地区的短期负荷预测,在同等条件下,与预测模型CEEMDAN+RF、EEMD+RF+AdaBoost、EMD+RF+AdaBoost、RF及AdaBoost进行试验对比,结果表明所构建预测模型的精度优于其他对比模型,具有很好的理论指导意义和实际应用前景。     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。     

水电站经济运行的优化模型及其分解协调求解方法研究

考虑水电机组的出力约束、出力曲线及水库的水量平衡约束、库容约束、水头变化等因素,给出了水电站经济运行的约束条件。基于大系统原理,以水电站发电出力的耗水量最小为目标函数,建立了多机组、多时段水电站经济运行的优化模型。利用大系统分解协调算法,给出了优化模型的求解算法。