摘要：背景:非对称步态质量评价对康复训练有指导作用,但步态质量与步态运动学动力学参数关联尚不清楚。目的:构建基于步态参数的机器学习步态质量评价模型,提取非对称步态参数的质量敏感因子,探讨步态参数与步态质量的关系,用于指导非对称步态相关的训练和康复。方法:设置非对称因子,建立非对称步态模型数据库。开展步态试验采集8位青年和8位老年受试者(均为男性,右侧优势人群)的运动学、动力学数据,依据对称性指标对每组试验数据进行步态质量分析,建立步态参数-步态质量数据集;通过随机森林学习建立步态质量评价模型,使用因子重要性分析方法识别步态质量关键影响因子;使用关键因子更新步态质量评价模型。经10折交叉验证评估模型表现,使用交叉验证数据集来验证模型的评价效果。结果与结论:①设计了非对称步态质量梯度试验,得到梯度步态质量数据库,其中759组最优步态质量数据,329组次优数据,133组中间质量数据,125组较差步态质量数据;②探讨了随机森林算法在步态质量评价方面的应用方法,建立了步态质量与步态参数的关系模型,随机森林步态质量模型预测精度为95.99%;③对随机森林模型进行特征重要性排序,得到影响非对称步态质量的13个主要参数;④对上述13个主要参数进行步态质量敏感因子分析,筛选出5个步态质量敏感因子,使用敏感性因子建立的随机森林模型预测精度为94.20%。

摘要：船舶油耗预测是实现船舶能效评估与优化决策的基础与前提,对船舶航线航速设计,实现船舶能效优化有重要的意义。基于船舶实测航行数据和环境数据,通过相关性分析提取对船舶油耗影响较大的特征因素,并将特征因素作为模型的输入参数;通过数据清理技术并参照相关国际标准对特征因素进行筛选,得到建模的样本数据;把样本数据按0.8∶0.2的比例随机分为训练样本和测试样本,采用XGBoost算法建立油耗预测模型,并通过预测测试样本的油耗验证模型的准确性。该模型决定系数达到0.967,运行时间为2.723 s,与神经网络模型的准确率几乎一致且运行时间缩短了70%,适用于船舶航行决策中的油耗快速计算和实时预测。

摘要：汽车尾气的主要成分是CO气体,是公路隧道通风设计的一项重要参数。准确、快速地预测隧道内CO气体浓度,能够为隧道通风控制提供有力参考,有助于CO气体浓度的及时控制,对保障隧道内人员的健康、安全和隧道绿色节能十分必要。采用公路隧道实地监测CO气体浓度数据,建立了以监测点位置、交通量、车速、风速为输入特征的公路隧道CO气体浓度预测随机森林模型。通过整理3300 m长隧道CO气体浓度数据,对比了CO气体浓度实测数据与模型预测值,验证了模型的预测精度。结果表明,基于随机森林建立的CO气体浓度预测模型具有良好的预测精度,能够准确地预测隧道内CO气体浓度,测试集的均方根误差(root mean square error,RMSE)和决定系数R^(2)分别为0.4974和0.9437;该预测模型性能显著优于线性回归模型和支持向量机模型;预测模型能够推广应用于其他隧道的CO气体浓度预测,对应的RMSE和R^(2)分别为0.9095和0.7295,可以在已知测点位置、交通量、车速、风速的情况下预判隧道内CO气体浓度,为隧道通风控制或安全预警提供数据参考;特征重要性分析结果显示,测点位置对隧道内CO浓度的影响最大,在隧道出口处CO气体浓度值最高;随着风速的增大,隧道内CO气体浓度逐渐减小。

摘要：为发展工控网络智能化管理,研究工控网络中设备类型的自动识别技术,提出一种基于流量分类的设备类型识别方法,综合报文首部特征以及有效载荷隐含特征。利用随机森林模型,筛选报文首部字段中工控网络流量分类的关键特征;利用一维卷积神经网络,提取流量有效载荷的隐含特征;两种特征融合完成流量分类,基于流量分类结果实现设备类型识别。实验结果表明,由该方法训练的模型可高效完成设备流量分类,准确识别工控设备类型。

摘要：现有代码异味强度检测方法未考虑度量对代码异味的影响力度。基于已有代码异味强度检测方法,分析度量对代码异味的影响力度,改进代码异味强度检测方法。应用随机森林得到影响代码异味的度量的特征重要性,将各度量的评估值作为各度量的权值,检测加权代码异味强度的值。评估检测策略时,对各个度量的相关性进行分析,发现用于检测的度量之间缺乏相关性,符合从不同角度衡量代码异味的思想。当加权代码异味强度作为缺陷模型预测因子时,可提高缺陷预测模型约2%的F-Measure值。

摘要：真空玻璃的保温性能与传热系数(U值)密切相关,而传热系数的测量却因受各种因素的影响难以检测,其中室内温度、真空玻璃的厚度和初始温度等因素都对真空玻璃的传热系数有着不同程度的影响。现阶段真空玻璃的传热系数测定方法非常耗时,且准确率不高,使得真空玻璃的生产效率和精度大大降低。通过采集整理真空玻璃实验室所提供的温度测量数据,构建了一种基于随机森林的真空玻璃传热系数预测的模型,随机森林算法对原始训练集进行有放回的随机抽样,方便构建更加智能的预测模型,该模型可以用于研究真空玻璃的保温性能。同时设计了一种特征重要性分析算法,用于分析与传热系数密切相关的因素。实验结果表明,该模型将测量时间从数个小时降低至20分钟,并且在测试集上的预测均方根误差(RMSE)为0.004148,主导因素的特征重要性占比43.43%,证明本文提出的方法具有良好的预测效果。