关键词： 玄武岩   地幔端元划分   主、微量元素   地球化学数据库   机器学习  

摘要： 地幔地球化学是固体地球科学研究的重要组成部分,认识和识别地幔不均一性对于探讨地幔内部物质循环、揭示地球演化规律具有重要意义。目前国际上公认的地幔端元划分方案主要依赖于幔源岩浆岩的同位素数据,但在实际应用中具有一定的局限性。相较于同位素数据,主、微量元素数据的数量更大,实际应用前景更广阔。从数据分析的角度看,幔源岩浆岩的主微量元素有27个指标,远多于常用的Sr、Nd、Pb同位素指标,变量数目的增加可能会提高分类判断的精度,但是也会给分类带来两个问题:一是建模所需的样本数量大大增加;二是传统的二维、三维图版法不再适用。针对上述问题,本文从数据和方法两个层面入手:首先从全球共享地球化学数据库GEOROC和PetDb获取数据;然后采用机器学习方法建立判别模型,最终获得了基于元素特征的玄武岩地幔端元类型逻辑回归模型。该模型不仅具有很好的分类效果,而且有助于分析和总结来自不同地幔端元的玄武岩的元素地球化学特征。该研究对地幔不均一性的精细识别及与其相关的研究工作具有一定的促进作用。

关键词： 人工智能   体育教育   体育教育管理   聚合模式  

摘要： 推进体育教育科学管理对于控制体育教育管理经费支出、再造人力资本、创新产业服务模式等有重要的价值。随着新时代人工智能技术的飞速发展以及相关政策制度的不断提出与完善,积极推进人工智能在体育教育管理领域的运用,以聚合的模式打造体育教育科学管理新业态,是体育教育管理科学化发展的趋势,也是政策、技术与伦理精准高效聚合的过程。故人工智能时代对体育教育科学管理模式的重塑与聚合应受到充分重视,借以确保体育事业的可持续化发展。

关键词： 机器学习   土壤抗剪强度   多传感器   特征向量   预测模型  

摘要： 土壤抗剪强度参数包括粘聚力和内摩擦角,是评价土壤侵蚀敏感性和反映耕层耕作性能的重要指标。为实现农田土壤抗剪切强度参数的快速检测,提出了一种基于机器学习的土壤抗剪切强度参数检测方法。以STM32单片机为核心处理器,采用圆锥杆、滚珠丝杆滑台、三角支架等构建土壤数据采集装置,利用DYMH-103柱式压力传感器和FlexiForce薄膜传感器分别检测圆锥杆贯入土壤的锥尖阻力和锥侧压力,采用CSF11土壤水分传感器获取土壤含水率信息,通过多传感器数据特征向量提取构建建模数据集。数据集相关性分析结果表明:土壤抗剪强度参数与锥尖阻力、锥侧压力和土壤含水率之间具有明显相关性。利用蒙特卡罗交叉验证(Monte Carlo Cross Validation,MCCV)剔除了数据集中的4个异常样本;同时,提出了一种ELM-PLSR组合建模算法,以决定系数R^(2)和RPD为评价指标,对比评估了ELM、PLSR和ELM-PLSR 3种不同机器学习模型,结果表明:ELM-PLSR模型预测性能优于ELM模型和PLSR模型;检测粘聚力时,对应的R^(2)、RPD分别为0.919和3.475;检测内摩擦角时,对应的R 2和RPD分别为0.910和3.304。研究结果可为土壤抗剪强度参数快速测量提供参考。

关键词： 股票价格预测   LSTM   机器学习   神经网络  

摘要： 股票市场的价格波动被视为经济发展的晴雨表。对股票价格的精准预测一直是众多研究学者努力的方向。随着人工智能技术与大数据技术的不断应用与发展以及疫情防控期间国内经济变化和国际形势变换给股价带来的巨大波动,如何对股价进行精准预测变得越来越重要。本文根据股票市场的特点和LSTM(Long Short-Term Memory)递归神经网络的特性,对浦发银行(600000)股价进行预测。实验结果表明,LSTM模型预测股价,结果误差小,精准度高,具有良好的预测效果。

关键词： 临床决策   卷积神经网络   组织学检查   诊断工具   人工智能   采样误差   膀胱癌   深度学习  

摘要： 根据全球癌症统计,膀胱癌(bladder cancer,BC)是全世界第十大常见的癌症,男性BC发病率和死亡率约为女性的4倍,其已成为男性第六大常见癌症和第九大癌症死亡原因[1]。目前,BC诊断取决于膀胱镜活检或经尿道膀胱肿瘤切除术(transurethral resection of bladder tumor,TURBT)的组织学检查[2]。据研究报道,大约75%的患者为非肌肉侵袭性膀胱癌(NMIBC),其余25%的患者为肌肉侵袭性膀胱癌(MIBC),不同分期有不同的治疗目标和策略。简单地说,NMIBC患者主要通过经尿道膀胱肿瘤电切术治疗,其预后良好,5年生存率约90%;MIBC则需要更为积极的治疗方案,包括根治性全膀胱切除术(radical cystectomy,RC)和新辅助化疗等全身治疗,其预后不佳,5年生存率低于50%[3~5]。因此,正确区分NMIBC和MIBC对制订合理的治疗方案以及提高患者的术后生活质量至关重要。然而,由于采样误差,TURBT常低估了肿瘤分期,约40%的MIBC患者在重复采样后被误诊为NMIBC[6]。为优化BC患者的管理计划,需要一些强大的诊断工具来提高分期和预后预测的准确性。近年来,人工智能(artificial intelligence,AI)在医疗领域表现出巨大潜力,其可基于现有数据并通过复杂的非线性数学建模系统模仿人类神经元的活动[7]。机器学习(machine learning,ML)是AI的一个分支,而深度学习(deep learning,DL)又是ML领域中的一个方向,其以卷积神经网络(convolution neural network,CNN)应用最为广泛,其在图像识别和分类中发挥着重要作用,有望在诊断和风险分层方面帮助临床决策[8]。

关键词： 人工智能   高校   计算机课程建设   教学  

摘要： 在人工智能背景下,高校计算机专业课程的建设和教学方式面临新的挑战,诸如教师队伍建设不完善、学生缺少实践机会、课程内容滞后等。为解决遇到的问题,文章从更新课程内容、加强实践环节、创新教学方法、加强教师队伍建设等几方面进行论述,旨在透过整合科技与教育理念,提升教学品质,培养符合人工智能时代要求的高素质计算机人才。

关键词： 评级机构   文本分析   情感值   机器学习   自然语言处理   ChatGPT   ESG  

摘要： ChatGPT-4的进步技术,特别是情感分析和关键字提取功能,对于构建针对市场的GPT-ESG评估框架起到了关键作用。本项研究应用ChatGPT-4的文本情感分析能力,对A股市场上市公司的公开报告进行了深入研究,这些报告包括但不限于可持续发展报告、ESG报告和财务报告中专注于分析公司治理、环境保护以及社会责任方面的内容。研究结果显示,ChatGPT-4生成的数据与国内三大评级机构的标准化评级结果高度相关且差异较小。通过运用ChatGPT-4技术对A股上市公司进行客观而高效的评级,不仅促使企业提供更加公正的报告,还为投资者在评估公司的环境、社会和治理(ESG)实践以及投资决策方面提供了重要支持。这一研究成功展示了ChatGPT-4在金融领域应用的潜力,特别是在促进公平、透明的企业评估方面的重要作用。

关键词： 人工智能   骨创伤   骨折   机器学习   深度学习   文献计量学   Web of Science   影像诊断   Citespace   可视化分析  

摘要： 背景:人工智能在医疗领域的发展日益迅速,在骨创伤领域的应用研究不断增多。文章旨在通过文献计量学分析,分析近年来人工智能在骨创伤领域中的研究热点,并预测未来的研究趋势。目的:总结人工智能技术在骨创伤领域的应用发展历程、研究现状、热点和未来发展趋势,以期为今后的研究提供新的见解。方法:选择Web of Science核心集数据库中,时间跨度设为自建库至2023年8月,检索人工智能、机器学习、深度学习应用于骨创伤相关的文献420篇。通过人工筛选,导出与文章相关的文献共202篇,采用Citespace软件进行国家、机构、被引期刊和引文分析等的合作和关键词的共现等可视化分析。结果与结论:①分析筛选后纳入的202篇文献,总体发文量呈上升趋势,且在未来研究潜力巨大。研究中心性最高和发文量排名第一的国家均为美国。加州大学(美国)是发文量最多的研究机构。②人工智能在骨创伤研究中最常用的前5个关键词是深度学习、人工智能、骨密度、机器学习、诊断,中心性最高的关键词为骨密度,关键词数量最多的为深度学习。③共被引频次前10位的参考文献分别从多个方面介绍了人工智能技术应用于骨创伤领域诊断的可行性研究,其中8篇涉及骨关节损伤与深卷积神经网络,1篇涉及深度学习在CT检查中检测骨质疏松从而预防脆性骨折,1篇通过人工智能识别皮肤纹理变的特征应用于骨的特征性识别的相关性研究。④今后,人工智能的研究热点将主要集中在骨关节创伤和骨质疏松引发的骨折特异性研究上,未来研究趋势主要集中在提升人工智能算法的性能上,使用人工智能新技术对骨损伤进行精准划分和快速高效诊断,尤其是针对复杂和隐匿性骨折的诊断,通过建立有限元分析模型,实现对骨创伤的更加标准化评估。

关键词： 煤自燃倾向性   Stacking   SHAP   机器学习   数据挖掘  

摘要： 为对煤自燃倾向性做出准确的预测,挖掘不同煤样属性对煤自燃倾向性的贡献程度,提出基于Stacking-SHAP的煤自燃倾向性预测模型。分别将煤体自身属性及其自燃倾向性综合判定指数作为模型输入和输出。该模型融合支持向量回归(SVR)、极限梯度提升归回树(XGBoost)、随机森林(RandomForest)、梯度提升决策树(GBDT),并利用网格搜索法对各基础模型参数进行优化,同时结合SHAP算法对不同影响因素的贡献度进行计算。结果显示,优化后的SVR、XGBoost、RF、GBDT和Stacking的判定系数R^(2)分别为0.933、0.887、0.950、0.925、0.984。在煤自燃倾向性影响因素中,重要性程度靠前的特征依次是氧含量、挥发分含量、脂肪烃峰面积值、C/H、羟基峰面积值以及总孔体积共6种特征。模型的建立为煤自燃倾向性预测与煤自燃灾害防治提供了一种新方法。

关键词： 人工智能   黑盒模型   可解释性   地震科学  

摘要： 近十年来,人工智能(Artificial Intelligence,AI)作为计算机科学技术的一项重要分支,在计算机视觉、自然语言处理、机器翻译等研究领域取得了跨越级突破。作为21世纪初的一项颠覆性技术,AI很快被应用于包括地震科学在内的各行业领域。然而,目前以机器学习和深度学习为代表的人工智能技术,虽然在表现性能上远超传统方法,但通常模型结构更加复杂,缺乏透明度,具有黑盒本质,因此制约了其在大多数行业领域中的决策级应用。在这样的时代背景之下,可解释AI技术应运而生,旨在帮助人类用户创造一个能够理解、信任和有效管理的新一代人工智能系统。本文梳理了可解释AI的定义和方法,简要介绍了地震学AI技术的研究进展,总结了可解释AI技术在地震科学领域中的应用现状,并讨论了可解释AI技术的未来发展趋势,提出了可解释AI技术在地震科学领域中的应用展望。