一、系统集成的方法及应用（论文文献综述）
梁杰[1]（2021）在《基于太赫兹时域光谱技术的抗结核复方药物定量检测方法研究》文中认为结核病是全球十大高感染、高致死率传染病之一,并且我国是仅次于印度居于世界第二的结核病高负担国家。因此,我国俨然将治疗结核病列为亟需关注的公共卫生问题之一,且在《“十三五”全国结核病防治规划》中把确保抗结核药品质量列为治疗结核病的首要任务。目前,治疗结核病推荐用药是抗结核复方药物。复方药物的药效是建立在多种主要成分综合作用基础之上;若有效成分含量不足,不但大大降低治愈功效,甚至可能因抗药性肺结核菌株的生长导致病人产生耐药性,从而促使病情进一步加重,所以抗结核复方药物中各有效成分含量的准确检测是其质量控制的关键环节。目前常用的抗结核复方药物成分含量检测方法主要存在检测步骤繁琐、检测时间长、检测试剂污染环境等问题,因此亟需寻求一种简单、快速、绿色的抗结核复方药物含量检测方法。太赫兹时域光谱（THz-TDS）技术作为一种新兴光谱检测技术,因对被测物质几乎无电离损伤且对药物分子集体运动模式（晶格振动、同分异构体构型差异等）非常敏感,在医药质量检测领域备受关注。本文以由异烟肼（INZ）、吡嗪酰胺（PNZ）和利福平（RIF）为有效成分组成的二联抗结核复方药物（INZ+RIF）和三联抗结核复方药物（INZ+RIF+PNZ）为研究对象,以THz-TDS为主要检测技术,展开抗结核复方药物中有效成分含量检测的深入研究。首先理论分析并仿真解析了有效成分INZ、RIF和PNZ的太赫兹光谱,为复方药物中有效成分的定性鉴别和定量分析提供理论依据;接着分别利用集成学习算法和卷积神经网络结合THz-TDS技术对二联和三联复方药物中各成分含量检测展开应用研究。具体的研究内容与研究成果如下:（1）INZ、RIF和PNZ的太赫兹光谱解析研究。利用THz-TDS技术获取了INZ、PNZ、RIF的太赫兹吸收光谱,并利用密度泛函理论（DFT）进行了基于单分子、二聚体以及晶体结构的理论仿真。实验结果显示:INZ在0.3-1.8THz波段内存在3个振动吸收峰,分别位于1.16THz、1.46THz以及1.56THz,其中位于1.16THz处的振动吸收峰来自于分子内相互作用,而位于1.46THz和1.56THz来自于分子间相互作用;PNZ在0.3-1.8THz波段内存在3个振动吸收峰,分别位于0.50THz、0.71THz以及1.42THz,这3个特征吸收峰均自于分子间相互作用;RIF通过实验和仿真计算均没有得到明显的特征吸收峰。该研究结果表明,这3种抗结核复方药物主要成分在太赫兹波段具有明显不同的太赫兹吸收特性,这些不同的光谱吸收特性可作为抗结核复方药物成分的定性鉴别提供一定的理论依据,也为后续定量研究提供了理论支持。（2）为了提高模型的预测准确度和泛化能力,提出了一种基于集成算法结合THz-TDS技术定量建模方法。以梯度提升决策树回归（GBDT）、高斯核支持向量机回归（RBF-SVR）和线性核支持向量机回归（Linear-SVR）为弱学习器,以Linear-SVR为元模型,分别利用Stacking、Blending以及Averaging三种不同的融合算法结合THz-TDS技术建立了二联和三联抗结核复方药物的定量分析模型。研究结果表明:相较于单一模型GBDT、RBF-SVR和Linear-SVR的预测结果,集成模型算法都显着提高了预测性能;其中Stacking集成模型的预测准确度和模型泛化能力最佳,其对所有分析物预测得到的R2均大于0.99;对于二联抗结核复方药物中INZ和RIF的预测得到的均方根误差RMSEP分别为0.686%和1.009%,对于三联抗结核复方药物中INZ、RIF和PNZ预测得到的RMSEP分别为0.717%、1.021%,0.607%。（3）联合应用CNN和THz-TDS技术建立抗结核复方药物的定量分析模型。首先针对CNN模型的整体架构、重要结构参数、分类器选择、损失函数定义和训练方法进行较为全面的优化与改进,确定最佳CNN架构并完成对二联、三联抗结核复方药物中各组成成分的定量分析。实验结果显示:相较于Stacking模型,CNN模型进一步提高了预测准确度,其针对所有分析物预测得到的RMSEP均小于0.8%。然后,为了探索CNN模型中卷积核对光谱的处理机制,对CNN模型进行了可视化分析,可视化结果分析显示CNN能够完成对光谱不同的转换,提取光谱不同层次的特征,进一步证明了CNN在太赫兹光谱定量分析中具有独特的优势。
王丹力,郑楠,刘成林[2]（2021）在《综合集成研讨厅体系起源、发展现状与趋势》文中指出20世纪80年代前后,国外学术界开始了复杂性与复杂系统的研究.与此同时,以钱学森为代表的一批中国学者也开展了与此相关的系统科学和开放的复杂巨系统的研究,开创性地提出了综合集成法,进一步发展为综合集成研讨厅体系,并取得了一些成功应用.但是由于当时人们对综合集成研讨厅体系的认识不足,以及技术条件所限,其应用受到了限制.随着思维科学/认知科学、系统科学和信息技术、计算机技术、网络通信技术巨大进步,特别是近年来大数据、云计算、人工智能的飞速发展,出现了越来越多的复杂巨系统,亟待有效方法来处理这类问题.在此背景下,综合集成研讨厅体系又获得广泛关注.本文回顾了综合集成研讨厅体系产生和发展的重要历程,分析了其典型案例,介绍了国内外的相关研究进展,最后提出了未来发展的几个方向.本文力图为从事复杂巨系统研究和实践的相关人员提供理论方法指导和工程范例.
于翔[3]（2021）在《基于数字水网的河北地下水超采治理效果的过程化评价及业务融合研究》文中提出华北平原是我国地下水超采最严重的地区,地下水位的持续下降,形成了冀枣衡、沧州及宁柏隆等七大地下水漏斗区,尤其是河北省,地下水超采量和超采面积占全国的1/3,由此引发了地面沉降、海水入侵等一系列问题。国家高度重视,自2014年起在河北省开展地下水超采综合治理试点工作,已取得了阶段性成效,地下水位持续下降趋势得到显着改善。通过对地下水超采治理效果进行客观评价,有助于推进地下水超采治理措施落实,高质量完成地下水超采治理各项工作。本文采用大数据、组件和综合集成等技术,建立了集空间数据水网、逻辑拓扑水网和业务流程水网为一体的数字水网,研发数字水网集成平台,基于平台提供地下水超采治理效果过程化评价及水位考核评估业务应用,为河北省地下水超采治理提供科学依据和技术支撑,具有重要研究意义。论文主要研究成果如下:（1）构建了河北省一体化数字水网。面向河流水系、地表水地下水等实体水网,将地理信息、遥感影像等数据数字化、可视化,构建空间数据水网;将管理单元的对象实体逻辑和用水对象进行拓扑化、可视化,构建逻辑拓扑水网;采用知识图将业务的相关关系、逻辑关联进行流程化、可视化,构建业务流程水网。研发数字水网综合集成平台,搭建可视化操作的业务集成环境,通过三种可视化水网的集成应用构建一体化的数字水网,为地下水超采治理效果评价和水位考核评估提供技术支撑。（2）提出了基于数字水网的业务融合模式。采用大数据技术对地下水数据资源进行处理与分析,实现多源数据融合;将地下水超采治理效果评价及水位考核评估的数据、方法和模型等进行组件开发提供组件化服务,实现模型方法的融合。采用知识可视化技术描述应用主题、业务流程、关联组件和信息,实现地下水超采治理业务过程融合;将数据、技术及业务进行融合,基于平台、主题、组件、知识图工具组织地下水超采治理业务应用,实现基于数字水网的地下水超采治理业务融合。（3）提供主题化地下水超采治理业务应用。基于数字水网集成平台,按照业务融合应用模式,采用大数据技术对多源数据进行融合,搭建地下水动态特征分析的业务化应用系统,提供信息和计算服务。针对地下水超采治理效果评价目标,采用组件及知识可视化技术将评价方法组件化、过程可视化,搭建过程化评价业务化应用系统,提供在线评价和决策服务。根据地下水采补水量平衡原理,研究河北省超采区的地下水位考核指标制定的方法,基于数字水网搭建水位考核评估业务化应用系统,提供考核和决策服务。
左岗岗[4]（2021）在《基于机器学习的径流预测方法及适应性预测机制研究》文中认为变化环境影响下,径流形成过程和演进机理复杂多变,流域稳态假设不再成立。基于历史资料和实际变化调查,评价一致性、可靠性、代表性的传统工作暴露了不少问题。在此背景下,开展响应变化的径流预测既难又关键。由问题驱动,走先进可行的技术路线既是探索也是突破。本论文立足于响应环境变化和支撑水资源管理决策的径流适应性预测,开展了径流预测方法及适应性预测机制研究。在构建径流适应性预测机制的基础上,首先基于对径流演变规律的大数据分析,挖掘径流形成的驱动要素,提取径流预测因子;然后借助机器学习技术,提出径流预测模型构建方法,建立径流预测模型;最后以综合集成平台为支撑,设计并开发融合机制、数据、模型、方法和业务的径流适应性预测系统,实现不同应用主题、不同驱动因子、不同时空尺度和不同模型组合的径流适应性预测。论文的主要研究内容及成果如下:（1）提出并建立了响应变化和支撑决策的径流适应性预测机制。针对变化环境下流域稳态假设不再成立的问题,分析了变化环境对径流预测的影响和径流预测对水资源管理的支撑作用,明确了径流适应性预测需要响应和支撑的对象及其变化因素。从径流预测活动的数据输入、模型和预测结果应用层面,设计了响应环境变化和支撑决策的径流适应性预测机制,为变化环境下的径流预测提供了新的模式和思路。基于大数据分析和机器学习,构建了实现径流适应性预测机制的技术方法;基于综合集成平台,建立了径流适应性预测机制的图谱化集成实现技术,为径流适应性预测奠定了技术基础。（2）建立了基于大数据分析的径流驱动因子挖掘方法。针对变化环境下径流统计规律和成因规律频繁改变的问题,采用传统方法与大数据分析相结合的方法,提出了径流关键驱动因子挖掘技术方法,去除了对径流变化影响不显着的特征要素,抽取了影响径流变化的隐含特征因子,辨识了水文、气象和植被等特征要素对径流变化的驱动关系,提取了径流变化的关键驱动因子,为基于机器学习的径流适应性预测奠定了数据基础。（3）提出了基于机器学习的径流预测模型构建方法。针对变化环境下径流驱动因子频繁改变,引起径流预测模型结构和参数不适用的问题,将机器学习技术引入径流预测,提出了径流预测机器学习模型构建方法,实现了径流预测模型自学习,有效地响应了变化,为径流适应性预测模型构建奠定了方法基础。针对径流预测机器学习模型的黑箱特征,建立了模型解释流程,实现了对径流预测机器学习模型的解释说明,为径流适应性预测奠定了应用基础。（4）构建了基于径流统计规律的径流预测机器学习模型。针对气象和下垫面要素缺测区域的径流适应性预测问题,提出了基于径流统计规律,构建径流预测机器学习模型的框架。将信号处理算法和机器学习算法相结合,使用历史径流,构建了不同时间尺度或空间尺度下径流预测机器学习模型,并开展了多模型对比评价,避免未来信息使用的同时有效降低了信号处理算法边界效应的影响,为开展径流适应性预测奠定了模型基础。（5）构建了基于径流成因规律的径流预测机器学习模型。针对气候变化和下垫面环境演变对径流形成过程的影响问题,提出了基于径流成因规律,构建径流预测机器学习模型的框架。基于机器学习算法,使用历史径流、气象要素和下垫面特征要素,构建了不同时间尺度或空间尺度下的径流预测机器学习模型,并开展了多模型对比评价,在有效利用径流变化成因信息的同时,基于历史同期径流变化情况,实现了对模型预测结果的修正,为径流适应性预测奠定了模型基础。（6）设计并开发了径流适应性预测系统,开展了集成应用研究。针对径流适应性预测需要过程化决策支撑的问题,采用“平台+内容+服务”的方式,设计了径流适应性预测系统。基于综合集成平台,构建了径流预测数据库、模型方法组件库和知识图库,实现了对预测数据、预测模型和预测业务的分离管理。通过组件集成数据、模型和方法,知识图集成组件的方式,实现了径流适应性预测系统的快速搭建。通过系统的持续集成应用,开展了“引汉济渭”工程黄金峡水库的预测调度业务模拟仿真,实现了径流适应性预测。
王智慧[5]（2021）在《CLDAS中多模式模拟的水热通量数据在中国区域的集成研究》文中研究说明土壤、植被与大气间的水热通量交换是陆气间大气动力和热力过程的基础,是全球能量平衡和水分循环的重要组成部分。由于观测资料的难以获取,使得空间上大范围的研究受到了限制,数据同化和陆面模式的发展则为此提供了可能。中国气象局陆面数据同化系统（CMA Land Data Assimilation System,CLDAS）中的大气驱动场产品和陆面要素融合分析产品在中国区域的时空分辨率更高,且经检验质量更高,但业务化运行中没有水热通量数据。因此,本文以CLDAS中三个陆面模式（Community Land Model（CLM）、The Community Noah Land Surface Model（Noah）、The Community Noah Land Surface Model with Multi-Parameterization Options（Noah-MP））模拟的2008年至2017年的水热通量数据为基础,利用站点数据对其在中国区域进行评估,并基于数据的不确定性对三个陆面模式的模拟结果进行加权集成,将集成结果与国际同类数据集进行比较,主要研究结论有:（1）利用中国区域内长时间序列的12个通量塔观测数据,对CLDAS的水热通量模拟数据进行评估的结果表明,水热通量的模拟结果存在一定的共性,潜热通量模拟值在混合林和针叶林存在高估现象,感热通量模拟值在所有站点均存在高估现象,水热通量数据在存在灌溉和土壤冻融现象的农田和湿地模拟效果较差。没有一种模式模拟结果在所有下垫面下均表现最好。水热通量模拟值的季节和年平均的空间分布规律具有较好的一致性,潜热空间上呈现从东南往西北递减且季节上呈现夏季数值最高,冬季数值最低的分布规律,感热空间上呈现从东南往西北递增且季节上呈现春季数值最高,冬季数值最低的分布规律。（2）研究采用算数平均和基于Triple Collocaton（TC）的加权平均两种方法在12个站点上对CLDAS下三个陆面模式的模拟结果进行集成。结果表明基于TC的加权平均相对于算术平均方法在数值上略占优势,且对模式间模拟值相差较大的感热通量改进较大,对模拟值接近的潜热通量改进较小。因此,本文采用基于TC的加权平均方法对三个陆面模式模拟的水热通量数据进行集成,得到水热通量集成数据集(CLDAS-triple collocation,CLDASTC)。潜热通量集成前后数据间的相关性较高（大于0.9）且数值差异小于8W·m-2,其中CLDASTC与CLDAS-Noah-MP的相关性最高（0.97）,与CLDAS-Noah数值上最接近。感热通量集成前后数据间相关性的范围为0.83～0.96,数值差异范围为8.06～14.93 W·m-2,其中,CLDASTC与CLDAS-CLM的相关性最高,与CLDAS-Noah-MP数值上最接近。（3）集成数据集(CLDASTC)与国际其它数据集的潜热通量数据,即全球陆面数据同化系统（GLDAS）的Noah模型模拟数据集、欧洲中期天气预报中心（ECWMF）发布的第五代全球再分析数据（ERA5）以及美国航天气象局（NASA）的再分析数据集（MERRA2）等相比,在站点上CLDASTC的表现较优(相关性较高为0.80且均方根最小为30.41W·m-2)。在空间上,潜热通量数据间相关性表现为在湿润地区较高,在干燥地区较低。其中CLDASTC数值上与GLDAS-Noah最接近,与ERA5差异主要集中在极地带,与MERRA2差异主要集中在温带南部地区。从时间变化上看,潜热通量数据均满足增长的年际变化趋势且在热带和温带增加的幅度较大,在干带和极地带增加的幅度较小。（4）集成数据集(CLDASTC)与国际其它数据集中的感热通量数据相比,在站点上CLDASTC与观测数据的相关性较高（0.63）,高出同类数据0.09～0.1,能更好的模拟出变化趋势,但是均方根误差略高于ERA5。在空间上,感热通量数据间相关性的空间分布与潜热通量相反,在中国北部干燥地区较高,在南部湿润地区较低。CLDASTC数值上与MERRA2最接近,与ERA5差异最大且差异主要集中在干带和极地带。从时间变化上看,感热通量的年际变化趋势差异较大,CLDASTC与GLDAS-Noah呈现增加的年际变化趋势,两个再分析数据ERA5和MERRA2呈现减小的变化趋势。
王旭春[6]（2021）在《基于重采样和集成学习算法的肝硬化并发肝性脑病的风险预测研究》文中进行了进一步梳理目的:肝性脑病是肝硬化极为严重的并发症,是各种肝病最常见的死亡原因,临床表现复杂多样,且预后差、治愈率低,是导致肝硬化病人生存率低的主要原因之一。因此,针对肝硬化并发肝性脑病的风险预测具有重要的临床意义。由于肝硬化并发肝性脑病的发生率较低,临床数据具有类间不平衡的特点,传统机器学习及统计模型对阳性少数类样本的识别性能较差。本文旨在构建基于重采样和异质集成学习方法的肝硬化并发肝性脑病的风险预测模型,探讨重采样技术结合异质集成算法用于类间不平衡数据的建模效果,为肝硬化患者的肝性脑病预防和早期识别提供依据。方法:收集山西医科大学第一附属医院2006年1月至2015年12月消化内科具有完整病历的肝硬化患者资料。（1）采用Logistic回归、SVM-RFE和Elastic Net方法对肝硬化并发肝性脑病的主要因素进行特征变量的初步筛选;（2）采用SMOTE、Borderline1/2-SMOTE、SVM-SMOTE、SMOTE-Tomeklinks重采样技术处理类别不平衡问题,结合随机森林、梯度提升树、极端梯度提升树3种同质集成分类算法构建肝硬化并发肝性脑病的分类模型,用准确率、精确度、召回率、F1分数和ROC曲线下面积评价同质集成分类算法的性能,并与单一分类算法的支持向量机、Logistic回归、朴素贝叶斯进行比较,选择综合性能最优的三种模型;（3）最后以此类模型为异质集成的组件学习器,Logistic回归和多层感知器MLP为元学习器,构建Stacking异质集成分类模型,建立肝硬化并发肝性脑病风险预测的最优模型。结果:1.特征变量初筛:950例肝硬化患者中68例并发肝性脑病,平均发生率为7.16%。经Logistic回归、SVM-RFE和Elastic Net方法对24个变量初筛,累计筛选出14个变量,肝肾综合征、精神萎靡、总胆红素、凝血酶原时间、感染、电解质紊乱和肝源性糖尿病7个变量为其共同特征;各方法初筛后的特征变量间相关系数均低于0.35。2.基于重采样技术的组件学习器选择:以模型性能为评价标准,SVM-RFE特征筛选方法所保留的特征变量较Logistic回归和Elastic Net方法更为合理,建模性能更好;采用重采样技术的分类模型性能整体上优于不平衡数据模型,其中,以SVM-SMOTE方法最佳;RF、GBDT和XGBoost同质集成分类算法所构建的模型性能优于单一分类算法SVM、Logistic Regression和NB所构建的模型。3.Stacking异质集成模型的肝硬化并发HE风险预测显示:在SVM-RFE特征变量筛选、SVM-SMOTE重采样技术的前提下,RF、GBDT和XGBoost为组件学习器、MLP为元学习器的Stacking异质集成模型对肝硬化并发HE风险预测性能最好,其AUC为0.956、准确率为0.879、精确度为0.841、召回率为0.932、F1分数为0.886。结论:1.肝肾综合征、电解质紊乱、精神萎靡、总胆红素、感染、凝血酶原时间和肝源性糖尿病7个变量为Logistic回归、SVM-RFE和Elastic Net三种方法筛选的肝硬化并发肝性脑病的共同特征;SVM-RFE特征筛选方法所保留的特征变量较Logistic回归和Elastic Net方法更为合理,建模性能更好。2.使用SMOTE、Borderline-SMOTE、SVM-SMOTE和SMOTE-Tomeklinks等多种重采样方法的分类模型性能优于未平衡数据模型,以SVM-SMOTE方法最佳。3.RF、GBDT和XGBoost同质集成分类算法所构建的模型性能优于单一分类算法SVM、Logistic Regression和朴素贝叶斯所构建的模型,其中,以RF的性能最好。4.在SVM-RFE特征变量筛选、SVM-SMOTE重采样技术的前提下,RF、GBDT和XGBoost为组件学习器,MLP为元学习器的Stacking异质集成模型所构建的肝硬化并发肝性脑病的风险预测模型性能最优。
于凯[7]（2021）在《决策树的集成选择及在不平衡文本分类中的应用》文中提出在机器学习与数据挖掘中,分类是一个重要的研究领域,而决策树是一种常用的分类模型。决策树是一种树形结构,存在不稳定性。集成学习是解决决策树稳定性的重要手段,集成可以整合多棵决策树,通过投票等方法将决策树的预测结果组合到一起,给出一个更稳定、准确的预测,提高泛化能力。但集成中往往会存在冗余成员,这些冗余成员可能会降低集成的预测性能。集成选择能去除冗余成员,提高集成的性能,减少存储空间和计算时间。由于集成的准确性和泛化能力在很大程度上依赖于成员分类器的性能及其多样性,因此选择一个精确多样的子集成能提高对未知样本的预测精度。文本分类是自然语言处理和文本信息挖掘的基本任务之一。决策树易于解释,广泛应用于文本分类问题。本文围绕决策树的集成选择及其在不平衡文本分类中的应用展开研究,提出了一种同时考虑决策树语义和结构的多样性度量方法,对最近提出的卡尔曼滤波集成方法（Kalman Filter-based Heuristic Ensemble,KFHE）进行分析和集成选择,应用决策树的集成选择对类别不平衡的文本进行分类。本文的主要研究内容包括以下几个方面:（1）提出了一种基于加权Jaccard距离（Weighted Jaccard Distance,WJD）的决策树集成选择方法,该方法能够从决策树的形态结构以及验证集上的分类结果来度量决策树的多样性。首先对WJD的性质进行分析,然后以WJD为距离度量方法,采用基于聚类的集成选择方法来选择多样性的决策树。在UCI数据集上的实验表明了WJD的有效性,WJD的剪枝结果具有明显优势。（2）KFHE是最近提出的一种决策树集成方法,本文对KFHE的性质进行了分析,给出3个定理并进行了证明,指出KFHE中存在冗余成员;为减少冗余成员进一步提高集成的性能,提出了一种基于有序选择的集成选择方法（Order-based Kalman Filter Selective Ensemble,OKFSE）;实验结果表明OKFSE在含有噪声的数据集中有更好的预测性能和鲁棒性。（3）研究决策树的集成选择在不平衡文本分类中的应用,使用不同的决策树集成方法以及剪枝方法在类别不平衡的文本数据集中进行实验,并对实验结果进行分析总结。
罗姗[8]（2021）在《基于粒子群选择集成多分类器的乳腺图像分类研究》文中研究表明目前,计算机辅助诊断作为研究的热点,在医学上得到了广泛的应用,乳腺疾病是女性发病率较高的疾病之一,因而计算机辅助诊断在乳腺图像分类方面的研究倍受关注。论文针对乳腺图像极高的相似性和巨大数据维度而导致乳腺图像类别归属混乱、分类性能低下等问题,运用粒子群选择集成多分类器方法对乳腺图像进行分类研究。主要内容如下:（1）为了给分类系统提供高质量的特征数据,减少分类时的计算工程,从而提高乳腺图像特征分类的运行效率。论文利用多层次主成分分析（MPCA）方法对乳腺图像特征进行特征降维处理。首先,对乳腺图像进行剪切去噪、增强等一系列预处理;然后,选择出ROI区域乳腺图进行特征提取;最后,对图像特征进行降维处理。论文提取了42090维乳腺特征,通过多层次迭代主成分分析最终得到6维主成分特征。（2）为了提高分类系统对乳腺疾病类别诊断的准确率,论文提出了粒子群选择集成多分类器方法,构建较强的分类系统对乳腺图像进行分类研究。由于单一的分类器对乳腺图像进行分类满足不了诊断分类的需要,论文在以往的集成分类器算法的基础上,构建了PSO＿MKNN分类模型和PSO＿MRF分类模型,提升乳腺图像特征的分类准确率。（3）针对传统粒子群算法存在的不足,论文构造了改进后的粒子群选择集成多分类器,对乳腺图像进行进一步的分类研究。改进粒子群算法的思想主要体现在:首先在粒子群算法的粒子更新部分引入了遗传算法（GA）,确保每一代的粒子都是相对较优的;其次在寻找每次最优粒子时,提出了小组评估策略:分组寻找最优,进而寻求全局最优。从而提高了搜索效率,避免陷入局部最优,让分类准确率得以保障。论文将构建的分类算法在乳腺图像MIAS数据集上进行分类实验验证分析,并与单一的分类算法的研究结果做比较。实验结果表明,在MPCA特征选择算法提供较少的高质量乳腺图像特征、保障时间效率的前提下,论文构建的分类算法在分类精度上有了一定的提升,展现出了良好的性能。
贾丹[9]（2021）在《润滑材料数据库平台设计及机器学习性能预测方法研究》文中研究表明我国对高品质润滑油的需求量占润滑油总需求量正逐年上升,而高品质润滑油的设计及开发技术严重依赖国外,自主研发面临很大困难。在润滑油产品的开发与改进中,性能检测与评价是必不可少的重要环节,我国润滑油性能评价主要依靠经验或大量实验与数据分析的现状严重制约着润滑油的设计与开发周期,致使润滑油发展十分缓慢。将材料数据库与机器学习相结合是润滑材料研发的新方法,为润滑油的性能快速评价提供了一种新的途径,对于提升装备运行可靠性以及指导润滑油开发与应用具有重要意义。本文以典型润滑油及其添加剂为研究对象,通过构建包括试验测试与模拟计算等多样化数据存储与分析数据库,建立数据的自动录入、检索,模拟计算及性能预测一体化数据平台;基于分子模拟计算,分析润滑油及其添加剂分子的结构参量与性能之间的关联规律;确定润滑油分子参量对摩擦学性能和热氧化性能的影响权重,结合机器学习算法,建立润滑油分子结构-性能机器学习模型,研究不同机器学习模型对润滑油热氧化性能和摩擦学性能预测的准确性与适用性,并提出了一种精确、稳定的性能预测集成学习算法,通过将润滑材料数据库与机器学习相结合,为高性能润滑油的开发提供有力证据。基于上述研究工作,论文的主要结论如下:（1）设计了润滑材料数据存储与数据分析一体化平台,实现了润滑材料试验检测数据与模拟计算结果文件等多样化数据导入;建立了基于不同数据格式（表格、文档）之间转换与关键信息提取的数据检索功能;集成了支撑材料快速评价的模拟计算软件调用以及性能预测等模块。该数据库涵盖商用润滑油、基础油、添加剂、润滑脂、固体润滑膜等,数据内容包括了润滑油及其添加剂的化学结构式、材料的物性参数、试验参数和材料主要性能等,满足高通量计算设计结果的归纳与数据挖掘的需要,为润滑材料性能的快速评价提供数据基础及分析开发平台。（2）以四种典型酯类油（双酯、季戊四醇酯、三羟甲基丙烷酯和偏苯三酸酯）为研究对象,开展了不同链长结构的酯类油分子参量模拟计算,分析了酯类油分子的成键性质、化学活性、分子轨道等对其使役性能的影响规律。结果表明:不同酯类油的分子总能量和偶极矩存在明显差异,是影响酯类油抗氧化性、水解稳定性和润滑性等宏观性质的重要参数。HOMO-LUMO能级结果表明,酯类油分子结构中酯基（或苯环与酯基形成的共轭结构）的活性最高,在润滑金属的过程中,酯类油会在金属表面吸附形成一层固体润滑膜,保证了良好的摩擦性能,适当增加双酯分子两端碳链长度,可提高其抗磨性能。静电势结果表明,酯基中的C=O键呈负电性,易与金属阳离子结合或被水中的H+攻击,使其分子结构发生破坏,影响润滑或水解稳定性。电子结构结果阐明了酯类油的分子轨道贡献与分布。模拟计算结果可为机器学习筛选出的特征参量重要性的原因提供科学解释。（3）基于分子模拟计算的润滑油分子结构参量,计算了润滑油结构参数相对于磨损量的影响权重,确定润滑油分子特征参量为:低轨道能量和偶极矩;同样,根据润滑油结构参数相对于起始氧化温度的影响权重,确定润滑油分子特征参量为:分子能量、低轨道能量、HOMO-LUMO能量、偶极矩、脂水分配系数。之后,结合多元线性回归机器学习方法,开展了润滑油的摩擦学性能预测和抗氧化性能预测方法的初步研究,建立了润滑油计算特征参数与磨损量之间、计算特征参数与氧化起始温度之间的机器学习模型,并将预测集代入模型中进行了准确性验证,结果表明,模型预测值与试验值具有较高的一致性。（4）基于多元线性回归、支持向量机和神经网络机器学习算法,开展了润滑油材料的摩擦学性能和抗氧化性能预测研究,阐明了不同机器学习方法对于润滑油性能预测的差异性。在此基础上,探索了基于Stacking理论的润滑油机器学习性能预测集成学习算法,提出了一种基于机器学习的润滑油摩擦学性能集成学习预测方法,最终建立了润滑油摩擦学性能精准预测系统,丰富和完善了润滑材料数据库功能,提升了润滑油性能评价技术,加快润滑油的研发及应用进程。
朱寿鹏[10]（2021）在《基于多模式集成的东亚地区气温与降水次季节预报及其误差诊断》文中进行了进一步梳理天气预报到气候预测之间的鸿沟——次季节尺度预报,是当前防灾减灾气象服务中无缝隙预报研究的重点与难点之一。近年来,世界天气研究计划（WWRP）与世界气候研究计划（WCRP）共同开展了次季节—季节（S2S）预测项目,提供了次季节尺度的多模式数值预报产品,但尚未完全建立一个成熟的预报后处理框架。本论文使用S2S项目中多模式次季节尺度逐日预报资料,以及美国气候预测中心（CPC）观测数据,构建了针对东亚地区气温、降水的8–42天预报时效多方案确定性预报与概率预报后处理模型,以提升次季节预报技巧,并使用多项指标检验评估预报结果,对预报误差进行诊断分析,得到如下主要结论:（1）单模式的次季节预报试验表明,不同模式通常具有不同的预报表现,充分说明了对多模式进行有效信息集成的必要性。传统的多模式集成模型中,由于次季节尺度的预报时效较长,模式对训练期平均得到的系统性偏差在预报期并不能完全延续,通过校正该偏差带来的预报技巧提升十分有限。对此,本文构建了基于卡尔曼滤波的超级集合（KFSUP）模型,通过训练期中预报与观测之间的迭代运算,使各模式有效预报信息得到即时更新,并通过多模式集成显着提高了次季节尺度气温、降水的预报技巧。对于气温预报,KFSUP模型有效减小了原始预报的误差,对高海拔地区以及较长预报时效的预报改进效果更加明显,对日最高气温（Tmax）的预报提升幅度较日最低气温（Tmin）更大。对于降水预报,KFSUP模型对较小量级降水的预报技巧具有非常明显的提升,随着降水量级增大,预报技巧提升幅度有所减弱。（2）利用卡尔曼滤波在次季节尺度预报中的优势,本文改进了面向单模式订正的模态投影预报方法,建立了基于卡尔曼滤波的模态投影（KFPPM）模型,该模型表现稳定,普遍提升了次季节尺度的气温、降水预报技巧,且改进效果显着优于逐点修正模型与原始模态投影模型。同时,本文融合了模态投影与多模式集成的思想,创新性地提出基于卡尔曼滤波的多模式模态投影集成预报（KFPPSUP）模型,其承袭了KFPPM与KFSUP的后处理优点,同时考虑了多模式预报信息的集成与预报目标周边因子的协同效果,进一步减小了模式预报的误差。对于气温预报,KFPPSUP模型在东亚地区较大范围内显着提升了预报技巧,部分地区Tmax与Tmin预报误差低于2°C的最长时效分别达到25天与42天。对于降水预报,KFPPSUP模型同样弥补了其他后处理模型的不足,总体上对降水预报技巧具有明显的提升,尽管对大量级降水预报技巧的提升依然较为有限,但是对降水空间结构、雨带位置的次季节尺度预报能力具有显着提升。（3）在次季节尺度的概率预报中,将其预报技巧分解为可靠性、分辨能力及变量固有不确定性进行讨论。针对气温概率预报,集合模式输出统计（EMOS）模型在整个东亚地区显着改进了预报技巧,且改进幅度基本稳定,普遍高于贝叶斯模式平均（BMA）模型。两个后处理模型均显着改善了Tmax与Tmin的预报可靠性和分辨能力,其中EMOS模型更优。经过两种模型订正后的Tmax预报达到与Tmin较为一致的高可靠性水平,而其预报分辨能力依然优于Tmin。但由于Tmax的预报固有不确定性显着高于Tmin,尽管Tmax预报在模型中的改进幅度更大,其预报技巧依然不及Tmin。对于降水概率预报,BMA模型与EMOS模型均能够改进预报技巧,降低整体预报偏差。其中,BMA模型可明显提升预报可靠性,但未能有效改进预报的分辨能力;EMOS模型的预报可靠性与分辨能力总体上均显着优于原始大集合预报与BMA模型,表现出明显的优势。此外,对于较小量级降水的概率预报,其固有不确定性较高,系统分辨能力较高,预报误差主要受其本身的不确定性与系统的可靠性影响;而对于较高量级降水,由于其较低的发生频次,概率预报不确定性相对较低,可靠性较高,预报误差主要受到系统在次季节尺度的预报分辨能力影响。综上所述,本研究可为次季节尺度的业务预报提供技术支撑,也为今后基于多种统计模型的次季节确定性与概率天气预报相关技术的推广应用提供理论依据,具有重要的科学意义与应用价值。
二、系统集成的方法及应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、系统集成的方法及应用（论文提纲范文）
（1）基于太赫兹时域光谱技术的抗结核复方药物定量检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.1.1 研究背景及意义 |
| 1.1.2 抗结核药物简介 |
| 1.2 抗结核药物常用的检测方法及存在问题 |
| 1.3 太赫兹光谱技术 |
| 1.3.1 太赫兹光谱技术概述 |
| 1.3.2 太赫兹光谱技术用于药品检测的研究现状 |
| 1.4 论文框架与研究内容 |
| 第2章 太赫兹时域光谱系统及实验技术 |
| 2.1 引言 |
| 2.2 太赫兹波的产生和探测 |
| 2.2.1 太赫兹波的产生方法 |
| 2.2.2 太赫兹波的探测方法 |
| 2.3 太赫兹时域光谱系统 |
| 2.3.1 透射型太赫兹时域光谱系统原理 |
| 2.3.2 实验装置 |
| 2.4 实验技术 |
| 2.4.1 光学参数提取 |
| 2.4.2 实验样本制备技术 |
| 2.5 本章小结 |
| 第3章 INZ、PNZ和 RIF的太赫兹光谱解析 |
| 3.1 引言 |
| 3.2 太赫兹光谱理论仿真 |
| 3.2.1 密度泛函理论 |
| 3.2.2 理论仿真步骤 |
| 3.3 INZ的太赫兹光谱解析 |
| 3.3.1 INZ太赫兹实验光谱 |
| 3.3.2 理论仿真 |
| 3.4 PNZ的太赫兹光谱解析 |
| 3.4.1 PNZ太赫兹实验光谱 |
| 3.4.2 理论仿真 |
| 3.5 RIF的太赫兹光谱解析 |
| 3.5.1 RIF太赫兹实验光谱 |
| 3.5.2 理论仿真 |
| 3.6 结果与讨论 |
| 3.7 本章小结 |
| 第4章 基于集成学习结合THz-TDS技术的抗结核复方药物定量研究 |
| 4.1 引言 |
| 4.2 集成学习算法理论 |
| 4.2.1 Stacking算法原理 |
| 4.2.2 Blending算法原理 |
| 4.2.3 Averaging算法原理 |
| 4.3 集成定量分析模型的构建 |
| 4.2.1 支持向量机算法 |
| 4.2.2 梯度提升决策树算法 |
| 4.2.3 参数设置 |
| 4.4 太赫兹光谱实验 |
| 4.4.1 实验样本制备 |
| 4.4.2 太赫兹光谱采集 |
| 4.5 实验结果分析与讨论 |
| 4.5.1 定量模型评估参数 |
| 4.5.2 二联样本定量分析结果 |
| 4.5.3 三联样本定量分析结果 |
| 4.5.4 预处理对Stacking模型性能影响 |
| 4.5.5 实验结果讨论 |
| 4.6 本章小结 |
| 第5章 基于CNN结合THz-TDS技术的抗结核复方药物定量研究 |
| 5.1 引言 |
| 5.2 卷积神经网络 |
| 5.2.1 基本结构 |
| 5.2.2 训练优化方法 |
| 5.2.3 可视化分析 |
| 5.3 本研究卷积神经网络的构建 |
| 5.4 实验结果分析与讨论 |
| 5.4.1 二联样本定量分析结果 |
| 5.4.2 三联样本定量分析结果 |
| 5.5 卷积神经网络可视化分析研究 |
| 5.6 本章小结 |
| 第6章 总结 |
| 6.1 本文研究工作总结 |
| 6.2 主要创新点 |
| 6.3 未来研究工作展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（3）基于数字水网的河北地下水超采治理效果的过程化评价及业务融合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 地下水超采研究现状 |
| 1.3.2 地下水变化特征研究现状 |
| 1.3.3 治理效果评价研究现状 |
| 1.3.4 数字水网研究现状 |
| 1.3.5 相关文献计量分析 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 1.4.4 论文创新点 |
| 2 地下水超采形势与治理现状 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 水文地质 |
| 2.1.4 河流水系 |
| 2.1.5 社会经济 |
| 2.2 地下水开发利用现状 |
| 2.2.1 地下水资源量 |
| 2.2.2 地下水开采量 |
| 2.2.3 地下水供水量 |
| 2.3 地下水超采造成影响 |
| 2.3.1 地下水位降落漏斗形成 |
| 2.3.2 对水文地质条件的影响 |
| 2.3.3 地面沉降及地裂缝产生 |
| 2.3.4 海水入侵及其危害程度 |
| 2.4 地下水超采治理现状 |
| 2.4.1 地下水超采形势 |
| 2.4.2 治理任务及范围 |
| 2.4.3 治理的相关措施 |
| 2.4.4 治理措施实施情况 |
| 2.4.5 治理中存在的问题 |
| 2.5 本章小结 |
| 3 数字水网的构建及关键技术 |
| 3.1 数字水网关键技术 |
| 3.1.1 大数据技术 |
| 3.1.2 5S集成技术 |
| 3.1.3 可视化技术 |
| 3.1.4 综合集成研讨厅技术 |
| 3.2 空间数据水网构建 |
| 3.2.1 空间数据处理 |
| 3.2.2 地形地物可视化 |
| 3.2.3 数字水网提取 |
| 3.2.4 空间水网可视化 |
| 3.3 逻辑拓扑水网构建 |
| 3.3.1 拓扑元素概化 |
| 3.3.2 拓扑关系描述 |
| 3.3.3 拓扑关系存储 |
| 3.3.4 拓扑水网可视化 |
| 3.4 业务流程水网构建 |
| 3.4.1 业务主题划分 |
| 3.4.2 业务流程概化 |
| 3.4.3 流程可视化描述 |
| 3.4.4 业务水网可视化 |
| 3.5 一体化数字水网构建 |
| 3.5.1 业务集成环境 |
| 3.5.2 三网集成合一 |
| 3.6 本章小结 |
| 4 基于数字水网的业务融合及实现 |
| 4.1 数字水网与业务融合 |
| 4.1.1 多源数据融合 |
| 4.1.2 模型方法融合 |
| 4.1.3 业务过程融合 |
| 4.2 面向主题的业务应用 |
| 4.2.1 主题服务模式 |
| 4.2.2 主题服务特点 |
| 4.2.3 业务应用过程 |
| 4.3 基于数字水网的业务实现 |
| 4.3.1 基于大数据的信息服务 |
| 4.3.2 基于水网的过程化评价 |
| 4.3.3 基于水网的水位考核 |
| 4.4 本章小结 |
| 5 基于大数据的地下水动态特征分析 |
| 5.1 业务应用实例及数据来源 |
| 5.1.1 业务应用系统 |
| 5.1.2 多源数据来源 |
| 5.1.3 应用分析方法 |
| 5.2 地下水位变化特征分析 |
| 5.2.1 地下水位时间变化 |
| 5.2.2 地下水位空间变化 |
| 5.3 地下水储量变化特征分析 |
| 5.3.1 地下水储量反演方法 |
| 5.3.2 地下水储量时间变化 |
| 5.3.3 地下水储量空间变化 |
| 5.4 地下水动态影响因素分析 |
| 5.4.1 自然因素变化 |
| 5.4.2 人为因素变化 |
| 5.4.3 影响因素分析 |
| 5.5 本章小结 |
| 6 地下水超采治理效果的过程化评价 |
| 6.1 评价指标体系构建 |
| 6.1.1 主题化指标库 |
| 6.1.2 评价指标优选 |
| 6.1.3 评价等级划分 |
| 6.2 评价方法选取调用 |
| 6.2.1 评价方法选取 |
| 6.2.2 方法的组件化 |
| 6.2.3 方法组件调用 |
| 6.3 评价结果及应用实例 |
| 6.3.1 指标数据来源 |
| 6.3.2 评价结果分析 |
| 6.3.3 结果的反馈优化 |
| 6.3.4 过程化评价实例 |
| 6.4 本章小结 |
| 7 地下水治理效果水位考核评估服务 |
| 7.1 水位考核指标制定方法 |
| 7.1.1 考核基本原理 |
| 7.1.2 指标计算方法 |
| 7.1.3 水位考核评分 |
| 7.2 水位考核评估计算示例 |
| 7.2.1 监测数据处理 |
| 7.2.2 水位指标确定 |
| 7.2.3 地下水位考核 |
| 7.3 水位考核业应用务系统 |
| 7.3.1 数据管理服务 |
| 7.3.2 基础信息服务 |
| 7.3.3 考核管理服务 |
| 7.4 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 数字水网开发程序代码 |
| 附录B 博士期间主要研究成果 |
（4）基于机器学习的径流预测方法及适应性预测机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题背景 |
| 1.1.3 研究目的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 径流预测 |
| 1.2.2 机器学习 |
| 1.3 存在的不足分析 |
| 1.4 主要研究内容 |
| 1.5 研究技术路线 |
| 1.6 研究区域与数据 |
| 2 响应变化与支撑决策的径流适应性预测机制研究 |
| 2.1 响应与支撑对象分析 |
| 2.1.1 变化环境对径流预测的影响分析 |
| 2.1.2 径流预测对水资源管理的决策支撑作用分析 |
| 2.1.3 对象及因素归类 |
| 2.2 径流适应性预测机制构建 |
| 2.2.1 响应环境变化的适应性机制构建 |
| 2.2.2 支撑决策的适应性机制构建 |
| 2.3 适应性机制实现技术方法构建 |
| 2.3.1 响应环境变化的适应性机制技术实现 |
| 2.3.2 支撑决策的适应性机制技术实现 |
| 2.4 适应性机制图谱化集成实现方式 |
| 2.4.1 适应性机制实现的关键支撑平台及技术 |
| 2.4.2 基于知识图的径流预测图谱构建 |
| 2.4.3 基于预测图谱的适应性机制集成 |
| 2.5 本章小结 |
| 3 基于大数据分析的径流驱动因子挖掘研究 |
| 3.1 径流预测特征因子预处理 |
| 3.1.1 特征因子提取 |
| 3.1.2 特征因子缺失值处理 |
| 3.1.3 复杂非线性特征因子分解 |
| 3.1.4 特征因子清洗 |
| 3.2 特征因子对径流变化的驱动关系构建 |
| 3.2.1 特征因子滞后时段选择 |
| 3.2.2 驱动关系构建方式 |
| 3.3 基于成因贡献分析的驱动因子提取 |
| 3.3.1 径流成因贡献分析 |
| 3.3.2 关键驱动因子提取 |
| 3.4 径流预测样本集构建 |
| 3.4.1 基于统计规律的径流预测样本 |
| 3.4.2 基于成因规律的径流预测样本 |
| 3.5 本章小结 |
| 4 基于机器学习的径流预测模型构建方法 |
| 4.1 径流预测样本预处理 |
| 4.1.1 样本集划分 |
| 4.1.2 样本集归一化 |
| 4.2 径流预测机器学习模型构建 |
| 4.2.1 支持向量回归机 |
| 4.2.2 梯度增强决策回归树 |
| 4.2.3 长短期记忆神经网络 |
| 4.3 径流预测机器学习模型优化 |
| 4.3.1 模型性能评价 |
| 4.3.2 模型超参数优化 |
| 4.4 径流预测机器学习模型解释 |
| 4.4.1 解释对象确定 |
| 4.4.2 解释需求分析 |
| 4.4.3 解释方法梳理 |
| 4.5 本章小结 |
| 5 基于统计规律的径流预测机器学习模型研究 |
| 5.1 基于统计规律的径流预测框架 |
| 5.2 径流预测实例验证与对比评价 |
| 5.2.1 TSDF模型中边界效应的减少 |
| 5.2.2 直接法与多分量法效果对比 |
| 5.2.3 TSDF模型的过拟合程度 |
| 5.2.4 不同预见期TSDF预测效果 |
| 5.2.5 不同分解算法及预测框架的效果 |
| 5.2.6 径流预测与径流回测的差距 |
| 5.3 本章小结 |
| 6 基于成因规律的径流预测机器学习模型研究 |
| 6.1 基于成因规律的径流预测框架 |
| 6.2 径流预测实例验证与对比评价 |
| 6.2.1 不同驱动因子筛选阈值对比 |
| 6.2.2 气象与ERA5L要素的预测效果对比 |
| 6.2.3 降维与线性相关重构的预测效果对比 |
| 6.2.4 径流序列降噪对预测效果的提升 |
| 6.2.5 不同预见期多模型对比 |
| 6.3 本章小结 |
| 7 径流适应性预测系统研究与集成实现 |
| 7.1 径流适应性预测系统设计 |
| 7.2 径流预测主题知识图构建 |
| 7.2.1 径流预测业务主题划分 |
| 7.2.2 径流预测主题知识图绘制 |
| 7.3 径流预测模型方法组件库构建 |
| 7.3.1 径流预测模型方法组件化 |
| 7.3.2 径流预测组件定制 |
| 7.4 径流适应性预测系统构建 |
| 7.4.1 预测图谱与组件耦合集成 |
| 7.4.2 径流预测图谱集成运行 |
| 7.5 径流适应性预测系统应用 |
| 7.5.1 径流预测数据集管理 |
| 7.5.2 径流驱动因子挖掘 |
| 7.5.3 径流预测模型构建 |
| 7.5.4 径流预测结果应用 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 主要研究成果 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 建模工具、程序及模型性能评价 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
（5）CLDAS中多模式模拟的水热通量数据在中国区域的集成研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水热通量数据研究进展 |
| 1.2.2 地表通量验证的研究进展 |
| 1.2.3 多模式集成的研究进展 |
| 1.2.4 存在问题 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 研究数据与方法 |
| 2.1 研究数据与预处理 |
| 2.1.1 通量站点数据 |
| 2.1.2 CLDAS中的水热通量模拟数据 |
| 2.1.3 辅助数据 |
| 2.1.4 数据预处理 |
| 2.2 精度评价和分析方法 |
| 2.2.1 定量精度评价指标 |
| 2.2.2 趋势分析 |
| 2.2.3 TC误差分析 |
| 第三章 CLDAS中水热通量数据的精度评价 |
| 3.1 利用观测数据进行精度评价 |
| 3.1.1 总体上评估水热通量数据 |
| 3.1.2 通量数据与观测资料的均方差分解 |
| 3.1.3 不同土地利用条件下水热通量数据的表现 |
| 3.1.4 不同气候区条件下水热通量数据的表现 |
| 3.2 通量的季节和年平均比较 |
| 3.3 地表通量数据的不确定性分析 |
| 3.4 本章小结 |
| 第四章 CLDAS中水热通量数据的集成研究 |
| 4.1 多模式集成方法 |
| 4.2 站点集成验证 |
| 4.3 格点集成比较 |
| 4.3.1 集成数据集多年平均空间分布 |
| 4.3.2 月平均统计特征比较 |
| 4.4 本章小结 |
| 第五章 集成数据集与同类数据的交叉对比 |
| 5.1 多种资料点尺度对比 |
| 5.2 2008-2017 年平均水热通量资料的空间分布 |
| 5.3 月平均通量数据统计特征比较 |
| 5.4 通量数据在中国区域的趋势变化 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究特色和创新 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）基于重采样和集成学习算法的肝硬化并发肝性脑病的风险预测研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 常用缩写词中英文对照表 |
| 前言 |
| 一、研究意义 |
| 二、研究思路 |
| 第一部分 肝硬化并发肝性脑病特征变量初筛 |
| 1 材料与方法 |
| 1.1 数据来源 |
| 1.2 研究方法 |
| 1.3 统计软件 |
| 2 结果与分析 |
| 2.1 基本人口学特征 |
| 2.2 特征变量的选择 |
| 2.3 特征变量的相关性分析 |
| 小结 |
| 第二部分 结合重采样技术的组件学习器选择 |
| 1 资料与方法 |
| 1.1 数据与资料 |
| 1.2 研究方法 |
| 1.3 评价指标 |
| 1.4 软件实现 |
| 2 结果与分析 |
| 2.1 模型参数选择及参数优化 |
| 2.2 模型的构建 |
| 小结 |
| 第三部分 基于Stacking异质集成模型的肝硬化并发HE风险预测 |
| 1 材料与方法 |
| 1.1 数据与资料 |
| 1.2 研究方法 |
| 1.3 评价指标 |
| 1.4 软件实现 |
| 2 结果与分析 |
| 2.1 Stacking异质集成模型性能评价 |
| 讨论 |
| 一、特征选择及其与肝硬化患者并发HE之间的关联 |
| 二、类平衡处理方法和分类预测模型的应用 |
| 结论 |
| 参考文献 |
| 综述 基于集成学习算法在医疗领域中的应用研究 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（7）决策树的集成选择及在不平衡文本分类中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.3 本文研究内容 |
| 1.4 论文内容组织 |
| 2 决策树集成的生成和预测方法 |
| 2.1 决策树算法 |
| 2.2 Bagging算法 |
| 2.3 AdaBoost算法 |
| 2.4 KFHE算法 |
| 2.5 本章小结 |
| 3 基于加权Jaccard距离的决策树集成选择 |
| 3.1 决策树的多样性度量相关工作 |
| 3.2 决策树之间的加权Jaccard距离 |
| 3.3 加权Jaccard距离的性质 |
| 3.4 基于聚类的决策树集成选择 |
| 3.5 实验与分析 |
| 3.6 本章小结 |
| 4 基于有序的卡尔曼滤波集成选择方法 |
| 4.1 对KFHE的分析 |
| 4.2 基于有序的卡尔曼滤波集成选择 |
| 4.3 实验与分析 |
| 4.4 本章小结 |
| 5 决策树的集成选择在不平衡文本分类中的应用 |
| 5.1 文本分类 |
| 5.2 决策树集成选择在不平衡文本分类中的应用 |
| 5.3 实验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
| 附录一 表目录 |
| 附录二 图目录 |
（8）基于粒子群选择集成多分类器的乳腺图像分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单一分类器的研究现状 |
| 1.2.2 集成分类算法的研究现状 |
| 1.3 研究内容 |
| 1.4 本文创新点 |
| 1.5 本文结构安排 |
| 2 理论基础及相关知识 |
| 2.1 粒子群优化算法 |
| 2.2 分类器 |
| 2.2.1 KNN分类算法 |
| 2.2.2 RF分类算法 |
| 2.2.3 Ada Boost分类算法 |
| 2.3 集成分类算法 |
| 2.4 分类算法的评价指标 |
| 3 乳腺图像预处理及特征选取 |
| 3.1 乳腺图像处理方法 |
| 3.2 乳腺图像处理 |
| 3.3 乳腺图像特征选择 |
| 3.4 本章小结 |
| 4 粒子群选择集成多分类器的乳腺图像分类研究 |
| 4.1 引入PSO算法构建PSO_MKNN分类模型 |
| 4.2 构建PSO_MRF分类模型 |
| 4.3 实验分析 |
| 4.4 本章小结 |
| 5 改进粒子群选择集成多分类器的乳腺图像分类研究 |
| 5.1 粒子群算法的改进 |
| 5.2 基于改进粒子群选择集成多分类器的分类算法 |
| 5.3 实验分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
（9）润滑材料数据库平台设计及机器学习性能预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 润滑材料数据库的研究现状 |
| 1.2.1 数据库技术的发展与研究现状 |
| 1.2.2 传统材料数据库的研究现状 |
| 1.2.3 面向数据驱动的材料数据库的研究现状 |
| 1.3 润滑油分子模拟计算发展现状 |
| 1.4 润滑油机器学习性能预测研究现状 |
| 1.4.1 基于机器学习的材料性能预测研究现状 |
| 1.4.2 润滑油性能预测研究现状 |
| 1.4.3 集成学习算法的研究现状 |
| 1.5 本文的主要研究工作 |
| 第二章 润滑材料数据库的设计与开发研究 |
| 2.1 引言 |
| 2.2 数据库系统平台的开发语言与软件 |
| 2.2.1 数据库类型 |
| 2.2.2 Web服务器 |
| 2.2.3 脚本语言与开发框架 |
| 2.3 关系型数据库的数据结构 |
| 2.4 润滑材料数据库系统框架的搭建 |
| 2.4.1 搭建满足模拟-试验的集成开发环境 |
| 2.4.2 搭建数据库网站前台/后台系统框架 |
| 2.5 数据库网站登录及注册页面的搭建 |
| 2.6 数据库系统功能模块的构建 |
| 2.6.1 数据库功能模块的设计 |
| 2.6.2 润滑材料数据库平台的优化与数据收集 |
| 2.7 结论 |
| 第三章 润滑油分子模拟计算方法研究 |
| 3.1 引言 |
| 3.2 润滑油分子模拟计算方法 |
| 3.2.1 分子模拟简介 |
| 3.2.2 分子模拟计算软件 |
| 3.2.3 分子模拟方法 |
| 3.3 润滑油分子模拟计算及结果分析 |
| 3.3.1 润滑油材料的选择 |
| 3.3.2 分子总能量 |
| 3.3.3 分子偶极矩 |
| 3.3.4 HOMO-LUMO能级 |
| 3.3.5 静电势 |
| 3.3.6 电子结构 |
| 3.4 结论 |
| 第四章 润滑油机器学习性能预测方法研究 |
| 4.1 引言 |
| 4.2 机器学习方法概述 |
| 4.3 润滑油摩擦磨损性能预测方法 |
| 4.3.1 试验材料 |
| 4.3.2 润滑油添加剂分子结构参量计算 |
| 4.3.3 润滑油特征参量的选取 |
| 4.3.4 特征参量与磨损量之间的机器学习模型 |
| 4.4 润滑油抗氧化性能预测方法研究 |
| 4.4.1 试验材料 |
| 4.4.2 润滑油分子结构参量计算 |
| 4.4.3 润滑油特征参量的选取 |
| 4.4.4 特征参量与起始氧化温度之间的机器学习模型 |
| 4.5 结论 |
| 第五章 润滑油性能集成学习预测系统研究 |
| 5.1 引言 |
| 5.2 集成学习模型构建方法 |
| 5.2.1 集成学习方法 |
| 5.2.2 润滑油集成学习性能预测模型构建方法 |
| 5.3 不同机器学习方法性能预测差异性对比 |
| 5.3.1 多元线性回归模型 |
| 5.3.2 支持向量机模型 |
| 5.3.3 神经网络模型 |
| 5.4 润滑油集成学习性能预测系统的建立 |
| 5.4.1 神经网络-多元线性回归集成学习模型构建 |
| 5.4.2 神经网络-支持向量机集成学习模型构建 |
| 5.4.3 支持向量机-多元线性回归集成学习模型构建 |
| 5.5 结论 |
| 第六章 结论与展望 |
| 6.1 本文的主要结论 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
| 作者简介 |
（10）基于多模式集成的东亚地区气温与降水次季节预报及其误差诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究进展 |
| 1.2.1 次季节尺度预报 |
| 1.2.2 多模式集成预报 |
| 1.2.3 模态投影预报 |
| 1.2.4 概率预报 |
| 1.3 拟解决的科学问题 |
| 1.4 论文章节安排 |
| 第二章 资料与方法 |
| 2.1 资料 |
| 2.2 预报优化方法 |
| 2.2.1 次季节尺度的多模式集成预报 |
| 2.2.2 基于模态投影的单模式与多模式确定性预报 |
| 2.2.3 次季节尺度的概率预报 |
| 2.3 预报检验方法 |
| 2.3.1 确定性预报的检验评估 |
| 2.3.2 概率预报的检验评估 |
| 2.3.3 概率预报的误差诊断 |
| 第三章 次季节尺度的气温与降水多模式集成预报 |
| 3.1 多模式集成预报试验设计 |
| 3.2 次季节尺度的单中心预报 |
| 3.2.1 气温单中心预报 |
| 3.2.2 降水单中心预报 |
| 3.3 次季节尺度的多模式集成预报 |
| 3.3.1 气温多模式集成预报 |
| 3.3.2 降水多模式集成预报 |
| 3.4 多模式集成预报个例试验——东北亚2018 年盛夏极端高温 |
| 3.5 本章小结 |
| 第四章 基于模态投影的单模式与多模式确定性预报 |
| 4.1 模态投影确定性预报试验设计 |
| 4.2 单模式的次季节模态投影预报 |
| 4.2.1 气温模态投影预报 |
| 4.2.2 降水模态投影预报 |
| 4.3 次季节尺度的多模式模态投影集成预报 |
| 4.3.1 气温多模式模态投影集成预报 |
| 4.3.2 降水多模式模态投影集成预报 |
| 4.4 模态投影预报个例试验——中国南方2018 年初夏持续性强降水 |
| 4.5 本章小结 |
| 第五章 次季节尺度的多模式集成概率预报与误差诊断 |
| 5.1 多模式集成概率预报试验设计 |
| 5.2 次季节尺度的气温多模式集成概率预报与误差诊断 |
| 5.2.1 气温概率预报检验 |
| 5.2.2 气温概率预报误差诊断 |
| 5.3 次季节尺度的降水多模式集成概率预报与误差诊断 |
| 5.3.1 降水概率预报检验 |
| 5.3.2 降水概率预报误差诊断 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要研究结论 |
| 6.2 论文创新性成果 |
| 6.3 讨论与展望 |
| 参考文献 |
| 附录 论文使用的缩写与中英文全称对照表 |
| 作者简介 |
| 致谢 |
四、系统集成的方法及应用（论文参考文献）
- [1]基于太赫兹时域光谱技术的抗结核复方药物定量检测方法研究[D]. 梁杰. 吉林大学, 2021(01)
- [2]综合集成研讨厅体系起源、发展现状与趋势[J]. 王丹力,郑楠,刘成林. 自动化学报, 2021(08)
- [3]基于数字水网的河北地下水超采治理效果的过程化评价及业务融合研究[D]. 于翔. 西安理工大学, 2021(01)
- [4]基于机器学习的径流预测方法及适应性预测机制研究[D]. 左岗岗. 西安理工大学, 2021
- [5]CLDAS中多模式模拟的水热通量数据在中国区域的集成研究[D]. 王智慧. 南京信息工程大学, 2021(01)
- [6]基于重采样和集成学习算法的肝硬化并发肝性脑病的风险预测研究[D]. 王旭春. 山西医科大学, 2021
- [7]决策树的集成选择及在不平衡文本分类中的应用[D]. 于凯. 烟台大学, 2021(09)
- [8]基于粒子群选择集成多分类器的乳腺图像分类研究[D]. 罗姗. 贵州民族大学, 2021(12)
- [9]润滑材料数据库平台设计及机器学习性能预测方法研究[D]. 贾丹. 机械科学研究总院, 2021
- [10]基于多模式集成的东亚地区气温与降水次季节预报及其误差诊断[D]. 朱寿鹏. 南京信息工程大学, 2021