摘要：针对常规船舶结构可靠性优化设计由高度非线性带来的计算效率低、收敛困难的问题,提出了基于smote(Synthetic Minority Oversampling Technique)算法的船舶结构可靠性优化设计方法.利用smote算法建立了改进的BP (Back Propagation)神经网络模型,以较少的样本点完成了极限状态函数的高度近似,克服了以往代理模型不能同时满足精度和效率要求的缺点,并通过数学算例验证了使用smote算法建立BP神经网络模型的可行性和有效性.将改进的BP神经网络模型和模拟退火法嵌入单循环优化策略,并将其用于船舶舱段的可靠性优化设计,验证了所提出的可靠性优化设计方法的求解效率和精度,为大型工程结构的可靠性优化设计提供了思路.

摘要：【目的】基于网络舆情事件展开分析,确定其属性特征及分类。当出现新的网络舆情事件时,可提前预测该事件是否会发生反转,既能帮助政府及时调整舆论导向,又能防止政府媒体的公信力受到负面影响。【方法】收集近5年发生的具有代表性的网络舆情事件,设计改进的smote算法对事件数据集进行平衡分布处理,构建基于神经网络集成学习的舆情反转预测模型,并采用精确率、召回率等指标对模型的预测效果进行评估。选取2020年最新发生的网络舆情事件案例对提出的模型进行测试,进一步揭示所构建的反转预测模型的内在机制。【结果】通过实证研究,构建的神经网络集成学习分类模型准确率达99%,F值和AUC值均为0.99,验证了模型的可行性和较强的泛化性能。【局限】只选取舆情反转事件的部分特征进行研究,对未来发生的舆情反转事件表征不够全面。【结论】所构建的舆情反转预测模型可以提前准确预测舆情事件是否会发生反转。

摘要：目的分析真实世界中使用注射用灯盏花素出现肾功能异常的影响因素,为其临床应用提供依据。方法搜集全国34家医院2002年1月1日至2015年12月31日医院信息系统(HIS)至少使用过1次注射用灯盏花素注射剂的患者住院数据,提取出肾功能异常者数据,采用巢式病例对照研究的设计按照1:4进行病例匹配分组,运用smote算法对2组抽样后采用二元logistic回归模型对数据进行分析,计算所有自变量被选中的频数、回归系数及P值。结果研究纳入的43962例住院患者中,共有17例出现肾功能异常,发生率约为0.039%,经分析后发现,男性、肾炎、2型糖尿病、联合用药为呋塞米时回归系数β为正值,结果具有统计学意义(P<0.05)。结论临床中当患者为男性、合并有肾炎、2型糖尿病、联合用药为呋塞米时,应慎用注射用灯盏花素,并注意监测肾功能。

摘要：针对smote算法和随机森林可较好解决不平衡数据集的分类问题但对少数类样本分类效果还有待提高的问题,融合Canopy和K-means两种聚类算法,设计了C-K-smote改进算法。先后利用Canopy算法进行快速近似聚类,再利用K-means算法进行精准聚类,得到精准聚类簇,最后利用smote算法增加少数类样本数量,使数据趋于平衡。选取公开数据集KEEL(knowledge extraction on evolutionary learning)数据库中的不平衡数据集,结合随机森林分类模型进行了实验验证,实验表明C-K-smote算法可有效平衡不平衡数据集。

摘要：为提高船体结构可靠性优化设计这类多参数、高维度、高非线性优化问题的效率,弥补传统船体结构确定性优化设计对影响结构安全不确定性因素考虑的欠缺,本文以一艘江海直达船为研究对象,采用BP(Back Propagation)神经网络代理模型技术,结合smote(Synthetic Minority Oversampling Technique)过采样算法增加极限状态失效面附近样本点数量,实现以较少的样本点获得较高精度的船体舱段结构极限状态代理模型,进而利用蒙特卡洛抽样模拟方法编制船体结构可靠度计算程序,在结构可靠性分析的基础上以降低船体舱段结构重量为目标,采用模拟退火优化算法开展船体结构可靠性优化设计。本文建立了一套完整有效的、基于代理模型技术的船体结构可靠性优化设计系统,有效提高了优化设计的效率,对江海直达船体结构可靠性优化设计具有指导意义。

摘要：驾驶员的身体状况与交通安全息息相关,尤其是驾驶员的心脑血管健康状况。实时监测驾驶员的健康情况,有助于驾驶员及时了解自己的身体状况,减少因突发疾病导致的交通事故。文中对657份来自广西壮族自治区桂林市人民医院的PPG脉搏波数据集通过ChebyshevⅡ滤波器降噪和快速傅里叶法提取时域特征、频域特征和小波包特征后,将脑血管疾病进行二分类数值化,再将数值标签化后的脑血管疾病类型作为输出参数,以构建驾驶员脑血管疾病数据集。针对实际数据集样本的分类不均衡问题,通过smote算法进行过采样补充,构建基于PPG特征值的驾驶员脑血管疾病分类模型SSA-DELM,并利用实际数据集进行训练和实验,发现所提出的方法对脑血管疾病的预测精确率达83%,查准率达80%,查全率达76.6%、F1分数为0.79,平均查准率均值达0.80,表明该分类模型能够为患有脑梗或脑血管疾病驾驶员提供较为准确的预警。文中研究成果可为基于PPG信号的驾驶员动态健康监测系统提供理论模型基础和技术支持,在新能源汽车行业的软件服务和智能医疗中具有较大的应用空间,这与新能源车企“终端+软件+服务”的全产业链销售模式相契合,也与现代人注重环保、家庭健康和智能交通的理念相契合。

摘要：[目的]对超大型集装箱船绑扎桥结构而言,复杂的设计结构和恶劣的载荷环境对其可靠性提出了更高的要求。针对大型船舶结构可靠性分析时计算效率低、计算精度差等问题,提出基于改进梯度提升决策树—蒙特卡罗(GBDT-MC)方法。[方法]首先,通过Python库建立改进梯度提升决策树(GBDT)的近似模型,根据实验生成较少的样本点,并筛选位于失效面附近的样本点;接着,运用smote算法合成新的样本点并参与有限元计算,进而结合原有的样本点形成训练集;然后,采用已训练的近似模型预测蒙特卡罗(MC)方法所产生的样本点信息,完成结构的可靠性分析;最后,运用算例验证改进GBDT-MC方法的可行性和准确性,并将其应用于超大型集装箱船绑扎桥结构的可靠性分析。[结果]计算结果表明:案例中超大型集装箱船绑扎桥在静态绑扎力作用下的失效概率误差为3.5%,改进GBDT-MC方法的计算耗时为2.55 h,而MC方法则需要416.7 h,可见在允许的计算误差范围内,改进GBDT-MC方法可以大为缩减可靠性分析的计算时间。[结论]改进GBDT-MC方法能显著提高计算精度并缩短计算时间,可为结构可靠性的优化设计提供支持。

摘要：由于移动网络应用与电子支付业务量不断增长,信用卡欺诈的情况也呈现快速增长的趋势,由此给金融机构和运营商带来了巨大的挑战.欺诈检测问题本质上是不平衡的序列二分类问题,这类问题数据样本规模大,计算复杂度高,数据分布极不平衡,数据与数据之间会存在序列关系.文章使用长短期记忆网络(long short term memory networks,LSTM)结合历史交易序列,并针对交易数据不平衡的特性,整合了合成少数类过采样技术(synthetic minority oversampling technique,smote)算法和k最近邻(k-nearest neighbor,kNN)分类算法设计并构建了一个基于kNN-smote-LSTM的信用卡欺诈检测网络模型,它可以通过kNN判别分类器来不断筛选出安全生成样本来提升模型的性能,克服了smote算法在生成新样本时的盲目性和局限性,实证表明通过kNN-smote-LSTM模型结构化的融合可以大大改善模型组合时对多数类的误分类问题,展现了优越的风险检测性能.

摘要：为解决新一代民航旅客服务信息系统中数据缺失不能准确进行旅客流失预测的问题,考虑旅客流失预测任务与旅客缺失数据填补任务具有相关性,提出基于部分距离的smote算法和基于降噪自编码器的多任务深度学习网络模型。基于部分距离的smote算法在数据不完备场景下,对少数类别已流失旅客和准流失旅客进行过采样;设计的多任务深度学习网络模型利用逐层无监督训练和有监督微调,同时进行对缺失数据填补与民航旅客流失预测。实验结果表明,相比传统处理方法,该方法能有效提高数据质量和旅客流失预测的准确性。

摘要：为解决不均衡脑卒中数据分类偏倚问题,提出一种基于均衡分类的脑卒中风险预测模型,其主要算法是基于不均衡数据的分类算法smote&PAM-means+C4.5。使用智能型过抽样技术smote生成新的少数类数据;使用聚类算法PAM-means对多数类数据进行聚类,将相似样本聚到一簇后,对各簇按比例进行抽样,形成新的多数类数据;使用C4.5算法对新的多数类和少数类数据形成的均衡数据集进行分类。实验结果表明,该模型可以有效解决分类结果偏倚问题,降低少数类数据分类误差,提高分类准确度,为脑卒中风险的准确预测提供依据。