小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机（KEML）的软测量建模方法,将支持向量机（SVM）中核函数的思想运用到极限学习机（EML）中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

基于SVM的多类分类集成

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明：集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。     

最小化随机算法在中医药改善脑积水临床研究中的应用

最小化法是一种动态随机算法，用于在临床研究中进行病例随机分配。首先介绍了最小化随机算法和中央随机系统，然后根据中医药改善脑积水临床研究课题的方案对最小化动态随机算法设计和实现过程进行了分析，最后对最小化法在临床研究中实现的可重复性等关键问题进行讨论。     

基于混合核函数的PSO-SVM分类算法

在数据挖掘中,支持向量机是被广泛应用的一种分类算法,其核函数的选择及参数的设定没有有效的标准。本文采用混合核函数构造兼顾学习能力和泛化性能的支持向量机算法,并利用粒子群算法来确定支持向量机的参数。应用基于混合核函数的PSO SVM算法对一个经典的分类测试数据集进行分类,将该算法与单一核函数支持向量机算法的分类结果进行比较,结果表明所提出的算法的分类性能有明显提升。     

基于UML状态图的测试用例自动生成方法

随着UML建模在软件开发中的广泛应用,基于状态图的测试用例自动生成方法逐渐成为规格说明测试中的重要研究方向。在研究了现有测试用例生成方法的基础上,提出了采用函数最小化思想,依据边界测试准则生成测试数据,采用深度优先策略及记忆化搜索高效地生成测试用例。实验结果显示该方法能以较少的测试用例达到较高的路径覆盖率。     

基于IRBFNN和IRAN的非线性动态系统在线自适应建模

将资源分配网络算法(RAN)与相似隐单元合并操作、冗余隐单元删除操作和基于滑动数据窗连接权值学习相结合,形成了改进的资源分配网络(IRAN)算法。IRAN算法用于非线性动态系统的在线建模,能有效地改善模型精度和泛化能力。将改进径向基函数(RBF)神经网络(IRBFNN)和IRAN结合可以用于不确定非线性动态系统自适应建模。仿真研究表明:所提出的建模方法在模型精简、泛化和自适应等方面均具有优良的性能。     

泛化理论及其在医学教育测量中的应用

泛化理论是教育测量中研究可靠性的新方法,是现代教育测量的重要标志.该方法可以区分随机误差的多种误差来源,提高测量精度.泛化理论是由传统的考试理论和方差分析衍生而来,但有其自己独特的理论框架,即泛化研究和决策研究.泛化理论应用于客观结构化临床考试(OSCE)以及对病例评价的实例,进一步阐述了泛化理论在实践中应用的意义、方法、基本设计结构以及对测量结果的解释.     

基于SVM的动态建模新方法

为了提高传感器系统的动态特性，本文提出了一种基于支持向量机(SVM)的传感器动态建模新方法。由于支持向量机是基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此本方法建模对实验样本数量没有特殊的要求。最后，仿真实验结果也证明了该动态建模方法在小样本情况下特别有效。     

SVM在临床医学中的应用

SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。SVM在解决小样本、非线性及高维模式识别问题中具有许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。目前SVM已广泛应用各个领域,但其也有一定的局限性。本文综述了最近几年来支持向量机在临床医学中的应用状况,并探讨其应用前景。     

最小二乘支持向量机算法在中医临床脉图参数-血压预测模型的应用

目的 提出基于最小二乘支持向量机（LSSVM）算法的学习模型,以提高中医临床血压数据预测的准确度和效率。方法 将LSSVM学习模型应用于中医临床血压数据预测。用LSSVM等式约束代替支持向量机不等式约束,将二次规划问题转化为线性方程求解问题,降低计算复杂性,加快算法收敛速度。收集320例患者的临床脉图参数及血压数据,以其中300例样本作为训练样本,训练得到LSSVM学习模型,以其余20例样本作为测试数据,用得到的LSSVM学习模型根据患者的脉图参数预测血压数据。结果 实验证明,LSSVM学习模型对血压数据有较好的预测准确度。其中基于多项式核函数的LSSVM学习模型较基于径向基核函数LSSVM学习模型表现出更好的学习和预测能力,基于多项式核函数的LSSVM学习模型中收缩压、舒张压、平均动脉压预测结果的平均预测误差分别为7.88%、8.40%、6.67%,低于基于径向基核函数的LSSVM学习模型的预测误差（分别为7.95%、9.70%、7.48%）。结论 本实验提出的基于LSSVM的学习模型仅通过患者的临床脉图参数就可预测患者血压数据,对中医学临床诊断有一定的参考价值。     

基于自然语言处理的临床合理用药知识图谱构建

目的：构建基于自然语言处理的临床合理用药知识图谱。方法：以国家食品药品监督管理总局（CFDA）、美国食品药品监督管理总局（FDA）及某大型三甲医院药品库中药品说明书为数据源，构建了一种基于深度学习算法的临床合理用药知识图谱库。对随机抽取的500份药品说明书进行人工标注，将标注的数据划分为训练集、测试集、验证集。基于深度学习模型BRET进行训练，通过训练集训练模型和验证集验证训练过程中的性能及训练后通过测试集测试模型性能，用优化后的机器学习模型预测未标注的药品说明书。结果：最终抽取出30余万条“实体-关系-实体”的三元组关系，将机器学习模型产生的三元组与领域专家标注产生的三元组一起导入Neo4j图形数据库中存储，以知识图谱的形式展现给临床药师。结论：通过基于深度学习算法的临床合理用药知识库构建，在标引少量药品说明书的前提下，挖掘出药品说明书中所有的医疗关系和实体。自动构建基于药品说明书的合理用药知识图谱，可提高合理用药的自动化程度和准确度，降低不合理用药。     

基于小波核函数极限学习机的模型预测控制模拟

针对醋酸精馏控制中,产品质量采用常规的温度间接控制存在精度低的问题,提出了一种基于小波核函数极限学习机的模型预测控制（KMPC）策略,在醋酸浓度软测量的基础上直接控制产品质量。鉴于小波核函数极限学习机（KELM）算法训练速度快并且稳定的特点,该控制系统采用KELM建立醋酸浓度控制器预测模型,以预测控制器的输出作为再沸器蒸汽流量控制器的设定值,构成串级调节系统,同时,以灵敏板温度、塔底温度、再沸器入口温度、压力等变量作为扰动变量,实现了对复杂精馏过程的前馈控制和非线性预测控制。运用ASPEN DYNAMICS流程模拟软件建立的醋酸精馏塔动态模型对KMPC策略进行仿真研究,结果表明,与传统DMC预测控制方案比较,塔底醋酸浓度控制精度有较大提高,控制结构简单,易于实施,能够实现产品质量的卡边控制。     

Machine Learning for Predicting Cognitive Diseases: Methods,Data Sources and Risk Factors

Machine learning and data mining approaches are being successfully applied to different fields of life sciences for the past 20 years. Medicine is one of the most suitable application domains for these techniques since they help model diagnostic information based on causal and/or statistical data and therefore reveal hidden dependencies between symptoms and illnesses. In this paper we give a detailed overview of the recent machine learning research and its applications for predicting cognitive diseases, especially the Alzheimer’s disease, mild cognitive impairment and the Parkinson’s disease. We survey different state-of-the-art methodological approaches, data sources and public data, and provide their comparative analysis. We conclude by identifying the open problems within the field that include an early detection of the cognitive diseases and inclusion of machine learning tools into diagnostic practice and therapy planning.     

基于机器学习的癫痫脑电数据分析方法研究

详细阐述基于机器学习的癫痫脑电数据处理和分析方法，包括监督学习、无监督学习、半监督学习、强化学习和其他类型的机器学习方法，评价这些方法应用于癫痫脑电数据检测的效果。     

使用机器学习建立慢性阻塞性肺疾病患者重度气流受限风险预警模型研究

背景气流受限程度是评价慢性阻塞性肺疾病（COPD）患者疾病进展的关键指标。然而由于检查禁忌、依从性等问题,导致部分患者难以开展相关检查,无法评价疾病严重程度。目的建立并评估基于机器学习算法的COPD患者重度气流受限风险预警模型。方法采用横断面设计调查2019年1月至2020年6月四川省某三甲医院的COPD住院患者,收集患者一般临床指标与肺功能检查数据。将数据按8∶2比例随机分为训练集和测试集,在训练集中使用4种缺失值填充方法、3种特征筛选方法、17种机器学习和1种集成学习算法构建216种风险预警模型。采用ROC曲线下面积（AUC）、准确率、精确率、召回率和F1值评价模型的预测性能,分别使用十折交叉验证法和Bootstrapping算法进行内部验证和外部验证。使用测试集数据进行模型测试和选择。使用后验法进行样本量验证。结果共纳入418例患者,其中212例（50.7%）患者存在重度以上气流受限风险。经4种缺失值处理和3种特征筛选后,共获得12个处理后的数据集及12种影响气流受限因素的重要性排序,结果显示,呼吸困难指数评分（mMRC）等级、年龄、体质指数（BMI）、吸烟史（有、无）、慢性阻塞性肺疾病评估表（CAT）评分、呼吸困难（有、无）在变量特征排序中居于前列,是构造模型的关键指标,对结果预测有重要作用。其中,采取不填充、Lasso筛选方法后,mMRC等级、吸烟史（有、无）、呼吸困难（有、无）为位居前3位的预测因子,mMRC等级占特征重要性的54.15%。使用不填充、Boruta筛选方法后,CAT评分、年龄、mMRC等级为位居前3位的预测因子,CAT评分占特征重要性的26.64%。使用17种机器学习和1个集成学习算法对12个数据集分别建模,共得216个预测模型。17种机器学习算法十折交叉验证结果显示,不同算法预测性能比较,差异有统计学意义（P<0.05）,随机梯度下降算法的平均AUC最大,为（0.738±0.089）。使用Bootstrapping算法对测试集进行外部验证结果显示,不同算法所得模型的预测性能比较,差异有统计学意义（P<0.05）,集成学习算法的平均AUC最大,为（0.757±0.057）。利用Bootstrapping算法对4种缺失值处理和3种特征筛选预测性能评价结果显示,当不填充和Lasso筛选时,可提高模型的性能,差异有统计学意义（P<0.05）。使用测试集数据对216个机器学习模型进行测试,最佳模型的AUC为0.790 9,准确率为75.90%,精确率为75.00%,召回率为78.57%,F1值为0.767 4。样本量验证结果提示研究样本量可满足建模需求。结论本研究建立并评价了COPD患者重度气流受限风险预警模型,mMRC等级、年龄、BMI、CAT评分、是否有吸烟史和呼吸困难是影响气流受限的关键指标。该模型预测效果良好,具有潜在的临床应用前景。     

基于实体词典与机器学习的基因命名实体识别

将实体词典以特征的形式引入到机器学习模型中,提出一种基于实体词典与机器学习的基因命名实体识别方法,在GENIA 3.02语料上进行实验。测试结果表明引入实体词典特征后,在获得较高实体识别准确率的同时,优化CRFs识别模型的时间复杂度,提高系统识别效率。