检索结果-内蒙古大学图书馆

基于机器学习的富硒土壤预测模型的构建与比较——以江西省信丰县油山地区为例

吉林大学学报(地球科学版) 2024年

作者：杨兰王运邹勇军胡宝群李满根张安朱满怀东华理工大学江西省数字国土重点实验室江西省地质勘查院地质环境监测所

为了利用不含硒的数据能够快速、高效、精准的圈定富硒土壤，需要构建预测富硒土壤的最佳模型。从1277个1:5万表层土壤的地球化学数据中选取502个数据组成数据集，以Zn、K2O、P、Mo、Mn、Cr、pH、D（泥盆系）为自变量，是否富Se为因变... 详细信息

为了利用不含硒的数据能够快速、高效、精准的圈定富硒土壤，需要构建预测富硒土壤的最佳模型。从1277个1:5万表层土壤的地球化学数据中选取502个数据组成数据集，以Zn、K2O、P、Mo、Mn、Cr、pH、D（泥盆系）为自变量，是否富Se为因变量，运用SPSS Modeler 18软件构建预测富硒土壤的二元Logistic回归模型、多层感知器神经网络模型、随机森林模型和支持向量机模型（线性、多项式、径向基、Sigmoid），并利用35组土壤样品的实测数据，进行验证。结果表明，二元Logistic回归模型、多层感知器神经网络模型、随机森林模型和支持向量机模型（线性、多项式、径向基、Sigmoid）预测和验证总体正确率分别为88.8%和94.3%、91.0%和97.1%、96.6%和97.1%、87.9%和97.1%、86.1%和94.3%、86.9%和94.3%、80.3%和91.4%，曲线下面积（AUC）值分别为0.948, 0.950, 0.993, 0.937, 0.945, 0.928和0.873，以多层感知器神经网络模型的正确率和稳定性最好。同时，本次工作发现了清洁富硒土壤及绿色富硒山稻，表明用此方法预测富硒土壤具有可行性，且可进一步拓展到地质找矿及环境监测等方面。

关键词：富硒土壤机器学习二元Logistic回归模型多层感知器神经网络模型随机森林模型支持向量机模型

来源：评论

学校读者我要写书评

暂无评论

基于机器视觉技术的玉米种子精选方法研究

引用

作物杂志 2024年第6期 242-248页

作者：韩小伟周江明高英波田雪慧李明军郝延杰李伟李树兵刘树泽滨州市农业科学院山东滨州256600 山东省农业科学院玉米研究所/小麦玉米国家工程实验室/农业农村部黄淮海北部玉米生物学与遗传育种重点实验室山东济南250100

为进一步提高玉米种子发芽率,探讨适宜的种子精选方法及参数,以郑单958为材料,通过种子形态自动化识别软件(Seed Identification)获取单粒玉米种子物理参数,并进行单粒种子发芽试验,研究玉米种子活力指标与其形态物理参数之间的相关性,... 详细信息

为进一步提高玉米种子发芽率,探讨适宜的种子精选方法及参数,以郑单958为材料,通过种子形态自动化识别软件(Seed Identification)获取单粒玉米种子物理参数,并进行单粒种子发芽试验,研究玉米种子活力指标与其形态物理参数之间的相关性,筛选最优精选指标,同时采用单一指标分类法、二元逻辑回归模型和多层感知器神经网络模型预测种子发芽率,确定最佳精选方法。结果表明,幼苗芽长、根长、鲜重与种子物理参数R、A、S、B3呈显著相关。分别按170≤R≤190、10≤A≤20、16≤S≤24、71≤B3≤79进行单一指标精选,其发芽率由未筛选前的66.0%分别提升至72.1%、73.7%、75.0%、73.6%,获选率分别为56.8%、63.6%、52.3%和50.8%;二元逻辑回归模型方法使种子发芽率提高至80.9%,种子发芽获选率88.4%,模型稳定率97.3%;多层感知器神经网络模型方法下种子发芽率提高至82.9%,种子发芽获选率89.5%,模型稳定率97.7%。综上,物理指标R、A、S和B3值可作为玉米种子精选参数;相比单一指标和二元逻辑回归模型,多层感知器神经网络模型在预测种子发芽率、获选率和稳定性方面具有较强优势,可确定为最佳精选方法。

关键词：玉米种子精选方法物理参数机器视觉技术多层感知器神经网络模型

来源：评论

学校读者我要写书评

暂无评论

基于融合TC-WREM模型的热带气旋大风半径估算研究

引用

热带气象学报 2024年第5期40卷 736-744页

作者：周必高鲁小琴吴贤笃仇欣谢海华朱忠勇郑建琴温州市气象局浙江温州325027 温州市台风监测预报技术重点实验室浙江温州325027 中国气象局上海台风研究所上海200030 南京大学大气科学学院江苏南京210023

利用2001—2020年美国联合台风警报中心(JTWC)热带气旋(Tropical Cyclone,TC)最佳资料数据集和静止气象卫星云图,建立了基于多层感知器神经网络模型(Multi-Layer Perceptron,MLP)和卷积神经网络(Convolutional Neural Network,CNN)融合的TC大风半径估算模型(TC Wind Radii Estimation Model,TC-WREM)。该模型利用MLP和CNN分别对TC属性数据和卫星云图中与TC大风半径相关联的核心特征进行预提取,最终通过融合TC-WREM模型开展大风半径估算。融合的TC-WREM模型能实现对TC属性数据和卫星云图底层特征的深度客观挖掘,较单独的MLP和CNN模型的估算误差降低7%~24%。以TC近地面8级大风半径(R8)估算为例,针对2021年台风“烟花”的独立样本估算检验显示分象限R8估算平均绝对误差(Mean Absolute Error,MAE)分别为39、33、40和51 km,均值为41 km,误差中位值约40 km,优于业务估算精度(为大风半径的25%~40%)及西北太平洋和大西洋同类研究估算结果。由于融合TC-WREM模型的输入为易获取的TC属性数据和静止气象卫星云图,因此该模型易于在业务中进行推广,从而可改善国内TC大风半径估算模型缺乏的现状。

关键词：热带气旋大风半径估算卷积神经网络模型多层感知器神经网络模型融合TC-WREM模型西北太平洋

来源：评论

学校读者我要写书评

暂无评论

基于数据挖掘的2型糖尿病风险预测模型的建立和应用

引用

糖尿病新世界 2019年第4期22卷 1-3页

作者：陈淑良常红王冬平张策大连医科大学附属第二医院辽宁大连116027 大连医科大学中山学院辽宁大连116023

目的采用数据挖掘方法,考察2型糖尿病的危险因素,确定最优风险预测模型,为建立手机APP软件提供算法,为糖尿病I级预防提供风险预测支持。方法收集某医院2016年1月—2017年7月的糖尿病患者全数据集,共5 571例,通过与同期体检健康对照组5 ... 详细信息

目的采用数据挖掘方法,考察2型糖尿病的危险因素,确定最优风险预测模型,为建立手机APP软件提供算法,为糖尿病I级预防提供风险预测支持。方法收集某医院2016年1月—2017年7月的糖尿病患者全数据集,共5 571例,通过与同期体检健康对照组5 571例进行对比研究,分别建立Logistic回归模型和多层感知器神经网络模型,比较优劣,确定最终预测模型。结果结果显示Logistic回归和多层感知器神经网络模型对训练样本的预测准确率分别为89.7%、80.4%,对测试样本的预测准确率分别为89.8%、79.8%。结论 Logistic回归模型对2型糖尿病风险预测效能较高,预测结果也更容易结合临床实际,用于风险控制手机APP软件后台编程。

关键词： 2 型糖尿病风险预测分析 Logistic回归模型多层感知器神经网络模型决策树分析模型

来源：评论

学校读者我要写书评

暂无评论

基于多层感知器神经网络预测模型的煤工尘肺发病预测研究

基于多层感知器神经网络预测模型的煤工尘肺发病预测研究

引用

2014年尘肺病预防与治疗国际研讨会

作者：孙志谦秦天榜华正兵云翔沈福海河北联合大学公共卫生学院国家安全生产监督管理总局北戴河职业病防治院开滦集团职业病防治院河北联合大学公共卫生学院

目的:通过建立多层感知器神经网络模型,预测接尘工人未来发病的危险性和高危人群,为确定重点防护人群、优化医疗资源配置提供科学依据. 方法:以开滦集团唐山地区70年代以来所有接尘工人和煤工尘肺患者为研究对象,利用Epidata 3.0进... 详细信息

目的:通过建立多层感知器神经网络模型,预测接尘工人未来发病的危险性和高危人群,为确定重点防护人群、优化医疗资源配置提供科学依据. 方法:以开滦集团唐山地区70年代以来所有接尘工人和煤工尘肺患者为研究对象,利用Epidata 3.0进行数据双份录入采集.采用SPSS 17.0进行统计学分析.应用IBM SPSS Modeler 14.1数据挖掘软件进行模型建立与预测. 结果:符合纳入标准接尘工人共17023人,其中煤工尘肺患者838人.所建立的模型隐含层有44个神经元突出,ROC曲线下面积为0.908.模型准确度为92.71％,灵敏度为74.83％,特异度为93.63％,验证样本验证,准确度为92.09％,灵敏度为70.53％,特异度为93.25％,建模与验证基本一致,且模型稳定,适合预测.经预测,未来10年内高危人群1534例;危险人数预测,危险人群7599人.10年累计危险人群为9133人. 结论:采用MLP神经网络模型可以较准确预测煤工尘肺发病危险性.按照现有粉尘防护模式,开滦集团未来10年内将有1534名接尘工人为高危人群,约7599名接尘工人为危险人群,这部分人共9133人.

关键词：煤工尘肺发病预测多层感知器神经网络模型统计学分析

来源：评论

学校读者我要写书评

暂无评论

ARIMA-MLP与ARIMA-RBF模型在流行性腮腺炎发病预测中的应用

引用

公共卫生与预防医学 2016年第2期27卷 26-30页

作者：曹磊张义刘峰邓勇陈飒张志成周体操陕西省疾病预防控制中心西安710054

目的探索流行性腮腺炎月发病数的最佳预测模型,为流腮发病的预测和预警提供理论依据。方法使用SPSS18.0软件,分别采用单纯自回归移动平均模型(ARIMA模型)、自回归移动平均-多层感知器神经网络模型(ARIMA-MLP组合模型)及自回归移动平均-... 详细信息

目的探索流行性腮腺炎月发病数的最佳预测模型,为流腮发病的预测和预警提供理论依据。方法使用SPSS18.0软件,分别采用单纯自回归移动平均模型(ARIMA模型)、自回归移动平均-多层感知器神经网络模型(ARIMA-MLP组合模型)及自回归移动平均-径向基函数神经网络模型(ARIMA-RBF组合模型)对陕西省2009—2014年流腮月发病数进行拟合,找出最佳预测模型。结果单纯ARIMA模型拟合优度R^2值为0.831,平均绝对误差(MAE)值为267.49;ARIMA-MLP组合模型的R^2值为0.881,MAE值为208.01;ARIMA-RBF组合模型的R^2值为0.898,MAE值为205.82。结论 ARIMARBF组合模型对陕西省流腮月发病数预测效果最佳,可以为流腮发病的预测、预警提供理论依据。

关键词：流行性腮腺炎自回归移动平均模型多层感知器神经网络模型径向基函数神经网络模型

来源：评论

学校读者我要写书评

暂无评论

3种预测模型在北京市西城区痢疾发病数预测中的应用与比较

引用

现代预防医学 2014年第19期41卷 3470-3474页

作者：孙小宇初艳慧张震刘潇潇北京市西城区疾病预防控制中心传染病预防控制科

目的探讨ARIMA季节乘积模型、温特斯法模型及多层感知器神经网络模型在痢疾预测中的应用。方法采集中国疾病预防控制信息系统中2005年1月-2012年12月报告的现住址为西城区的痢疾发病数。选择2012年9月前月发病数据进行建模拟合,应用拟... 详细信息

目的探讨ARIMA季节乘积模型、温特斯法模型及多层感知器神经网络模型在痢疾预测中的应用。方法采集中国疾病预防控制信息系统中2005年1月-2012年12月报告的现住址为西城区的痢疾发病数。选择2012年9月前月发病数据进行建模拟合,应用拟合模型对2012年10月-12月的发病情况进行预测验证。结果应用训练样本构建的ARIMA(1,0,0)(0,1,1)12模型、温特斯法模型及多层感知器模型对原始数据拟合的平均绝对百分误差(MAPE)分别为21.06%、18.70%及25.51%,对2012年10-12月预测的MAPE分别为15.43%、26.67%、47.17%,模型预测能力有强到弱依次为ARIMA(1,0,0)(0,1,1)12>温特斯法模型>MLP神经网络模型。结论由于传染病的影响因素较复杂,应用历史数据构建模型进行预测是可行的。但应注意结合数据变动趋势选择合适的模型。本研究中,ARIMA乘积模型和温斯特法模型均适合痢疾的预测,可以为早期预警提供依据。

关键词： ARIMA季节乘积模型温特斯法模型多层感知器神经网络模型痢疾发病预测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：