摘要：目的:为实现对急性呼吸窘迫综合征(acute respiratory distress syndrome,ARDS)患者疾病严重程度的连续监测,提出一种基于集成学习的ARDS患者疾病严重程度辨识算法。方法:首先,利用开源数据库MIMIC-Ⅳ(Medical Information Mart for Intensive CareⅣ)提取患者的多种无创生理参数并进行初步预处理,采用多元特征选择算法对患者的多种无创生理参数进行特征排序并通过加权计算得出特征重要性评分;其次,根据特征重要性评分结果,采用子集搜索算法寻找在神经网络、逻辑回归、AdaBoost和XGBoost 4种机器学习算法下能够产生最佳性能的特征子集;最后,结合最优特征子集,使用广义线性回归模型设计软投票集成方法将单一机器学习算法结果进行集成,设计多元集成学习算法。基于MIMIC-Ⅳ数据库验证多元集成学习算法对ARDS患者疾病严重程度的辨识能力,并与传统算法进行比较。结果:多元集成算法的敏感度、特异度、准确率、AUC分别为87.15%、89.23%、88.34%、0.9234,均优于传统算法。结论:基于集成学习的ARDS患者疾病严重程度辨识算法能够实现对ARDS疾病严重程度的连续、实时监测,可为ARDS患者早期辨识预警提供有力支持。

摘要：【目的】随着生成对抗网络和扩散模型生成模型的快速发展,AI生成图像的质量不断提高,人类肉眼难以将其与真实图像区分。这些技术已经商业产品化,用户可通过软件产品一键式操作以实现文本到图像生成,产生了一定的商业价值,但也给司法鉴定带来了挑战,图像能否直接作为证据使用必将是法庭科学的重要研究课题。因此,如何有效地检测AI生成图像成为一个亟待解决的重要问题。【方法】现有的AI生成图像检测方法主要集中在检测单一生成模型的图像上。然而,一对一检测方法在面对未见过的生成模型时泛化能力较差。本文提出一种基于集成学习的Stacking策略集成多种一对一检测方法的对抗检测框架,通过使用随机森林模型结合为每个AI生成图像软件特化训练的单一检测器的输出,以替代直接泛化。【结果】实验结果表明,该框架在GenImage数据集上达到了98.36%的总体准确率,在本文设计的人工数据集上表现出较强的鲁棒性。单一检测器输出的分数被保留,为后续的归因工作提供可能。【结论】对抗检测框架具有可观的应用前景,作为一个可以灵活整合和更新各种检测技术的平台,为生成图像检测和归因研究提供一个更全和有效的解决方案。

摘要：针对医疗数据治理中存在的数据分散、异构和质量不高等问题,提出了一种基于集成学习的多源数据融合方法。通过集成多种机器学习算法,对来自不同医疗部门和不同系统的数据进行清洗、整合和分析,实现了数据的高效利用与质量提升。结果表明,集成学习算法在多源数据集上获得了最高的分类性能,准确率达到85.32%,优于其他单一源数据集上的分类方法。研究证明,多源数据融合结合集成学习能够显著提升医疗数据分类模型的性能,为临床决策提供更为精准的支持。

摘要：针对传统半监督自训练分类方法易导致数据集混乱,影响后续小样本树种分类精度这一问题,基于熵权法(en-tropy weight,EW)与集成学习(ensemble learning,EL)提出EW-EL的半监督小样本树种分类方法。EW-EL在传统半监督自训练分类方法的理论上引入EL的思想,以熵权法作为基础理论设计按基分类器当前训练周期下的F1分数计算的信息熵作为计算权重因子,再依信息熵越大基分类器越不稳定思想设计权重,使集成分类器分类概率更集中,减少集成分类器偏向性。结果显示,EW-EL较传统半监督自训练方法能更有效地均衡数据分布,使新加入数据的伪标签样本类别更准确。EW-EL所得到的小样本树种分类总精度(OA)为0.97、召回率(Recall)为0.96及Kappa系数为0.97,3种指标均优于监督分类、传统半监督自训练方法及利用传统EL机制所构建的半监督自训练方法。其中,EW-EL方法较融合软投票机制的半监督自训练方法,OA与Recall均提升了1%。EW-EL联合简单线性迭代聚类所制成的树种图在所选测试区内达到了94%。此外,进一步分析证明,EW-EL能通过集成诸多分类器,来实现更佳的小样本树种分类结果,更适用于低成本下的相关部门进行林业资源统计的工作。

摘要：随着处理器的系统结构日趋复杂,设计空间呈指数式增长,并且软件模拟技术极为费时,成为处理器设计的重要挑战。提出了一种结合集成学习和半监督学习技术的高效设计空间探索方法。具体而言,该方法包括2个阶段:使用均匀随机采样方法从处理器设计空间中选择一小组具有代表性的设计点,通过模拟获得性能响应,从而组成训练数据集;提出基于半监督学习的AdaBoost(SSLBoost)模型预测未模拟的样本配置的响应,从而搜索最优的处理器设计配置。实验结果表明,与现有的基于人工神经网络和支持向量机(SVM)的有监督预测模型相比,SSLBoost模型能够使用更少的模拟样本构建出不差于现有方法性能的预测模型;而当模拟样本数量相同时,SSLBoost模型的预测精度更高。

摘要：液态金属材料在热控与能源、增材制造、生物医疗、柔性智能机器等领域有着特殊的优势。但是,新型液态金属材料的设计却一直是工业界的巨大挑战。这是由于液态金属是长程无序、无晶体、无晶粒的非晶态合金,基于第一性原理或有限元分析的传统材料计算方法难以适用,液态金属材料的设计只能靠无限重复的人工制备实验来进行,设计效率低下。同时又由于液态金属材料的这种非晶态合金特性,使得其材料性能主要取决于材料组份构成,而不是材料的工艺加工过程。因此,本工作设计研发了一种数据驱动的集成学习软件平台,用于代替液态金属材料设计的人工制备实验。首先,该软件平台在材料制备实验室和材料检验实验室部署了一种物联中间件和多源异构数据适配器,其能够自动的将制备实验室和检验室的材料实验与检验数据采集到云服务端,并结构化的存储于材料知识图谱中。而后,基于采集到的材料知识图谱数据,我们设计了一种液态金属集成计算神经网络,能够学习液态金属材料的组份与特定性能之间的关联模式。最后,软件平台提供了RESTful计算接口,能够在平台上自行调整液态金属材料的组份,预测该材料对应的性能。该软件平台目前已部署于我们的合作企业,实际对比实验结果表明,该软件平台能够较为有效的预测液态金属材料性能,显著的减少液态金属材料设计的人力投入,提升设计效率。

摘要：对系统进行可诊断性设计,能优化诊断方案、提升诊断方案与系统的契合程度,对于准确检测或隔离系统故障具有重大意义。为此提出一种基于故障敏感度学习和集成学习的可诊断性设计方法。对于采集到的不同状态下的系统测试点信号进行特征提取,结合系统的可诊断性评价结果,提出特征贡献度量化算法,对信号中不同特征对故障诊断的贡献度进行评估,使用改进的D-S证据理论算法对不同信号的特征进行融合,确定适用于故障检测与隔离的故障敏感特征集合;采用集成学习方法对基分类器的诊断效果进行加强,最终获得对当前系统的诊断方案。仿真实验结果表明,采用新的可诊断性设计方法设计出来的针对系统的诊断方案,可以对系统故障进行良好的诊断,其中与未进行故障敏感度学习环节相比,故障诊断的错误率由5.33%下降到2.66%,与未进行集成学习环节相比,故障诊断的错误率由16.22%(基诊断器的平均值)下降到2.66%。在与其他诊断方案的对比实验中,新方法的故障诊断错误率相较于对比方法的平均值下降了3.34%。

摘要：提出一种基于SVM和Adaboost集成学习相结合的相关反馈算法。在相关反馈过程中选择最具信息的样本训练支持向量机,可以有效减少相关反馈的次数和所需学习样本的数量,通过两者的互补来有效地提高图像检索的精度。最后提出Adaboost算法对SVM分类器进行加权投票,这样进一步提高了图像检索的性能。实验表明,该方法较好地解决了图像检索中的小样本选择问题,能够显著提高图像检索的效率和性能。

摘要：针对有标签样本较少条件下的通信信号调制识别问题,提出一种基于集成学习与特征降维的小样本调制方式分类模型。首先,通过集成人工特征与深度学习自动提取特征构成特征集合。然后,设计特征选择算法对特征合集进行优选生成高效特征子集。最后,利用可快速收敛的高性能分类器对信号进行区分,实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明,通过对8种数字信号进行调制识别,在信噪比为20 dB时,所提算法可将信号最高识别率提升至96%,同时该算法设计简单,具有较大应用价值。

摘要：结构可靠性分析需要精确计算结构或系统的失效概率,当结构失效概率低时,运算量大且操作困难。可采用代理模型替代原始性能函数,结合自适应实验设计,在保证准确率的同时大幅减少原始模型的总运行次数。该文提出了基于自适应集成学习代理模型的结构可靠性分析方法,将适应性较广的Kriging与最近发展的PC-Kriging代理模型集成;利用代理模型提供预测点的方差特征,提出新的集成学习函数,识别高预测误差区域,实现高效拟合失效边界;通过主动学习算法在预测误差大和接近极限状态的区域添加采样,迭代更新集成代理模型。通过3个算例,验证了该文方法与单一代理模型结构可靠性分析方法的优势,与AK-MCS+U和AK-MCS+EFF相比,所提方法计算成本低、准确度高。