检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于可解释性分析的深度神经网络优化方法

计算机研究与发展 2024年第1期61卷 209-220页

作者：吴欢欢谢瑞麟乔塬心陈翔崔展齐北京信息科技大学计算机学院北京100101 南通大学信息科学技术学院江苏南通226019

近年来,深度神经网络(deep neural network,DNN)在众多领域取得了广泛应用,甚至在安全关键系统中已经可以代替人类作出决策,如自动驾驶和智慧医疗等,这对DNN的可靠性提出了更高的要求.由于DNN具有复杂的多层非线性网络结构,难以理解其... 详细信息

近年来,深度神经网络(deep neural network,DNN)在众多领域取得了广泛应用,甚至在安全关键系统中已经可以代替人类作出决策,如自动驾驶和智慧医疗等,这对DNN的可靠性提出了更高的要求.由于DNN具有复杂的多层非线性网络结构,难以理解其内部预测机制,也很难对其进行调试.现有的DNN调试工作主要通过修改DNN的参数和扩增数据集提升DNN性能,以达到优化的目的.然而直接调整参数难以控制修改的幅度,甚至使模型失去对训练数据的拟合能力;而无指导地扩增训练数据则会大幅增加训练成本.针对此问题,提出了一种基于可解释性分析的DNN优化方法(optimizing DNN based on interpretability analysis,OptDIA).对DNN的训练过程及决策行为进行解释分析,根据解释分析结果,将原始数据中对DNN决策行为产生不同程度影响的部分以不同概率进行数据变换以生成新训练数据,并重训练DNN,以提升模型性能达到优化DNN的目的.在使用3个数据集训练的9个DNN模型上的实验结果表明,OptDIA可以将DNN的准确率提升0.39~2.15个百分点,F1-score提升0.11~2.03个百分点.

关键词：深度神经网络 DNN优化 DNN缺陷 DNN性能可解释性分析

基于深度特征融合的鸟鸣识别方法及其可解释性分析

在线全文

学校读者我要写书评

暂无评论

生物多样性 2023年第7期31卷 138-147页

作者：蔡建民何培宇杨智鹏李露莹赵启军潘帆四川大学电子信息学院成都610065 成都信息工程大学电子工程学院成都610225 四川大学计算机学院成都610065

鸟鸣识别是生态监测的重要手段,为进一步提升鸟鸣识别的准确性和鲁棒性,本文提出了1种新的基于深度特征融合的鸟鸣识别方法。该方法首先利用深度特征提取网络对鸟鸣的对数梅尔谱图和补充特征集的深度特征进行提取,再将两种深度特征进行... 详细信息

鸟鸣识别是生态监测的重要手段,为进一步提升鸟鸣识别的准确性和鲁棒性,本文提出了1种新的基于深度特征融合的鸟鸣识别方法。该方法首先利用深度特征提取网络对鸟鸣的对数梅尔谱图和补充特征集的深度特征进行提取,再将两种深度特征进行融合,最后使用轻量级梯度提升机(light gradient boosting machine,light GBM)分类器进行分类。本文充分利用深度神经网络的特征提取能力以及light GBM的分类性能,将特征提取和特征分类过程进行分离,从而实现了高准确率的鸟鸣识别。实验结果显示,本文提出的方法在北京百鸟数据集中取得了目前已知的最佳结果,模型的平均准确率达到了98.70%,平均F1分数达到了98.84%。相比传统方法,深度融合特征在鸟鸣识别任务上准确率提升了5.62%以上。同时,引入的light GBM分类器使分类准确率提升了3.02%。此外,在CLO-43SD和Bird CLEF2022比赛的数据集中,本文方法也展现出卓越的性能,分别取得了98.32%和91.12%的平均准确率。本文还引入了类激活图对不同类型鸟鸣的识别结果进行可解释性分析,揭示了神经网络对不同类型鸟鸣的注意力区域差异,为后续的特征选择和模型优化提供了理论依据。研究结果表明,本文方法有效提高了鸟鸣识别的准确率,在3个数据集的测试中均展现出较好的性能,能够为基于鸟鸣识别的生态监测提供有力的技术支撑。

关键词：鸟鸣识别特征融合可解释性分析深度学习 lightGBM

基于逐步特征增广梯度提升的暂态功角稳定评估及可解释性分析

在线全文

学校读者我要写书评

暂无评论

现代电力 2023年

作者：刘旭刘颂凯杨超张磊段雨舟晏光辉深圳供电局有限公司罗湖供电局三峡大学电气与新能源学院国网十堰供电公司

基于数据驱动的电力系统暂态功角稳定评估虽然可以提供较为准确的结果，但其评估结果缺乏可解释性，导致难以应用于工程实际中。针对此问题，提出了一种基于逐步特征增广梯度提升（gradient boosting enhanced with step-wise feature a... 详细信息

基于数据驱动的电力系统暂态功角稳定评估虽然可以提供较为准确的结果，但其评估结果缺乏可解释性，导致难以应用于工程实际中。针对此问题，提出了一种基于逐步特征增广梯度提升（gradient boosting enhanced with step-wise feature augmentation,AugBoost）的暂态功角稳定评估及可解释性分析方法。首先，通过训练AugBoost评估模型建立电力系统输入特征与暂态功角稳定指标之间的映射关系；其次，将相量测量单元的实时量测数据传输到训练好的AugBoost评估模型中，提供实时评估结果；并根据沙普利值加性解释（Shapley additive explanations,SHAP）模型对评估结果和输入特征之间的关系进行解释，提高结果的可信度。最后，设计了模型更新过程来提升评估模型面对电力系统运行工况变化的鲁棒性。在电力系统仿真软件PSS/E提供的23节点系统和1648节点系统上的仿真结果验证了所提方法的有效性。

关键词：暂态功角稳定评估逐步特征增广梯度提升沙普利值加性解释可解释性分析模型更新

基于若干机器学习模型的股价预测问题可解释性分析

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于若干机器学习模型的股价预测问题可解释性分析

作者：陈永图华东师范大学

学位级别：硕士

股价预测模型旨在使用当下信息对股票未来价格走势进行预测,投资者可以基于预测结果做出良好投资决策。由于股票价格受到多种因素的影响,结构简单的模型难以完成股价预测的任务,复杂度较高的模型虽然能取得不错的预测表现,但较差的可解... 详细信息

股价预测模型旨在使用当下信息对股票未来价格走势进行预测,投资者可以基于预测结果做出良好投资决策。由于股票价格受到多种因素的影响,结构简单的模型难以完成股价预测的任务,复杂度较高的模型虽然能取得不错的预测表现,但较差的可解释性压缩了其上限,限制了其进一步应用与发展。针对此问题,本文选择多种机器学习模型作为备选模型,使用股票相关数据分别构造股价预测模型。本文对现有的机器学习解释方法(LIME算法)进行改进,针对股票数据的特殊性对该算法的采样逻辑与权重函数进行了改良,并使用改进后的解释方法对取得最佳预测效果股价预测模型进行局部解释。结果表明,Light GBM模型在本文设定的股价预测问题中取得最佳表现。针对此模型,本文改进的解释方法在多个评估指标所上均取得了较好的效果,且明显优于未经改进的LIME模型。本文改进的解释方法在股票数据相关模型的问题上具有通用性,希望该解释方法不仅可以作用于本文设定的问题,也能作用于其他股票相关问题上,从模型解释的角度推动股票相关模型的发展与应用。

关键词：股票预测机器学习可解释性分析

基于机器学习算法的企业财务舞弊预测及可解释性分析

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国市场 2023年第11期 139-142页

作者：童洁蒋红艳东北林业大学经济管理学院黑龙江哈尔滨150040

财务舞弊不仅打击了投资者信心,也对资本市场产生了极大影响。为预测企业的财务舞弊行为,文章选取2016—2020年未发生舞弊行为与首次发生舞弊行为的企业作为研究对象,依据Python机器学习算法建立决策树、支持向量机、神经网络及逻辑回... 详细信息

财务舞弊不仅打击了投资者信心,也对资本市场产生了极大影响。为预测企业的财务舞弊行为,文章选取2016—2020年未发生舞弊行为与首次发生舞弊行为的企业作为研究对象,依据Python机器学习算法建立决策树、支持向量机、神经网络及逻辑回归模型,基于舞弊三因素理论选取44个指标预测企业财务舞弊行为,并通过SHAP可解释性工具重点关注单个指标变化对财务舞弊预测的重要性程度,同时分析财务指标以及非财务指标对预测财务舞弊的相互作用、预测错误的样本查看的影响。研究结果表明,支持向量机对于预测舞弊效果最优,逻辑回归在模型的精确度表现最佳。

关键词：财务舞弊机器学习预测可解释性分析

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于机器学习的心电特征可解释性分析

基于机器学习的心电特征可解释性分析

作者：沈阳中国医科大学

学位级别：硕士

目的:本研究旨在将ECG原始数据高保真、高通量的转化为便于进行挖掘的特征数据,并进行筛选,以提升ECG的量化分析能力。本文选取我国北方典型城市沈阳为研究地区,研究心电信号多维度特征,验证特征有效性并进行可解释性分析。方法:通过SQL... 详细信息

目的:本研究旨在将ECG原始数据高保真、高通量的转化为便于进行挖掘的特征数据,并进行筛选,以提升ECG的量化分析能力。本文选取我国北方典型城市沈阳为研究地区,研究心电信号多维度特征,验证特征有效性并进行可解释性分析。方法:通过SQL Server搭建数据库;构造包括基本统计特征、时域特征、信号因子特征、高阶过零分析、频域特征、空间域特征、非线性特征、相邻电位共生矩阵特征、宏观特征在内的9种特征共455个,通过相关性分析和Lasso回归进行特征选择;采用支持向量机、随机森林、K最近邻分类器、Adaboost、逻辑回归作为分类器,设计了实验（1）ST-T改变、（2）右束支阻滞、（3）房性早搏、（4）室性早搏、（5）房室传导阻滞、（6）左心室肥大、（7）心肌梗死7种心血管疾病分类识别。结果:数据来源为中国医科大学附属第一医院心电图科室,共计625392例心电图数据。构建的数据库包括22个数据表,将心血管疾病分为12大类,491小类,用于后续的心电信号特征提取;分类结果显示:实验一,患者年龄,a VL电位最大值等特征性能高,使用随机森林分类效果最好,正确率可达93.9%;实验二,V1导联脉冲因子,V1导联峰度等特征性能高,使用随机森林分类效果最好,正确率可达98.6%;实验三,I导联伸长率,患者年龄等特征性能高,使用随机森林分类效果最好,正确率可达99.2%;实验四,I导联伸长率,a VL导联线长等特征性能高,使用逻辑回归分类效果最好,正确率可达98.9%;实验五,V1导联波形因子,III导联能量等特征性能高,使用逻辑回归分类效果最好,正确率可达96.2%;实验六,V4导联熵值,V4导联峰度因子等特征性能高,使用随机森林分类效果最好,正确率可达99.4%;实验七,III导联能量,V3导联均衡性等特征性能高,使用随机森林分类效果最好,正确率可达93.9%。结论:本研究提取了多维心电特征,引入宏观特征,经过筛选验证,分类效果好,验证了特征有效性,且对特征进行了医学意义和统计学意义的解释性分析。本文的心电自动诊断成果为后续研究提供借鉴和参考。

关键词：心电信号特征提取特征选择机器学习可解释性分析

基于可解释性机器学习的建筑物物化阶段碳排放量预测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

安全与环境学报 2024年第6期24卷 2454-2466页

作者：王志强任金哥韩硕李文超青岛理工大学管理工程学院山东青岛266520 智慧城市建设管理研究中心(新型智库) 山东青岛266520 青岛理工大学建筑设计研究院山东青岛266520

现有碳排放计算方法存在数据量大、计算繁琐和仅适用于事中、事后控制等问题,不利于设计人员在设计阶段进行碳减排工作。为此,研究将机器学习引入建筑物碳排放量计算领域,帮助设计人员在早期设计阶段获得建筑物物化阶段的碳排放信息,提... 详细信息

现有碳排放计算方法存在数据量大、计算繁琐和仅适用于事中、事后控制等问题,不利于设计人员在设计阶段进行碳减排工作。为此,研究将机器学习引入建筑物碳排放量计算领域,帮助设计人员在早期设计阶段获得建筑物物化阶段的碳排放信息,提供碳减排参考。首先,收集并建立建筑物物化阶段碳排放数据库;其次,基于5个建筑物特征,建立4种不同类型的机器学习模型,并根据评价指标对模型性能进行评价;最后,利用沙普利加和解释(Shapley Additive exPlanations, SHAP)和部分依赖图(Partial Dependence Plot, PDP)验证最优模型应用的合理性,并深入挖掘各特征与碳排放之间的复杂关系,为建筑物碳减排提供新的信息。结果显示:各机器学习模型可以很好地预测建筑物物化阶段碳排放过程,其中建立的极度随机树(Extremely Randomized Trees, ET)模型对碳排放的预测表现最优;机器学习模型各特征对预测结果的影响与现有研究相似,表明了机器学习模型预测结果的可靠性与合理性;机器学习模型可以深入挖掘各特征与碳排放之间的复杂关系,为建筑物碳减排提供新的指导。

关键词：环境工程学建筑物物化阶段碳排放机器学习可解释性分析

同方期刊数据库

基于深度强化学习的航天器功率-信号复合网络优化算法

在线全文

学校读者我要写书评

暂无评论

系统工程与电子技术 2024年

作者：张庭瑜曾颖李楠黄洪钟中国电子科技集团公司第三研究所电子科技大学系统可靠性与安全性研究中心电子科技大学机械与电气工程学院

为了实现航天器电源系统的灵活高效并网，最大化有限能量的利用，本文提出了一种基于深度强化学习（deep reinforcement learning， DRL）的功率传输与信号传输复合网络拓扑优化模型，并使用知识蒸馏原理的多种可解释组件模型对优化过... 详细信息

为了实现航天器电源系统的灵活高效并网，最大化有限能量的利用，本文提出了一种基于深度强化学习（deep reinforcement learning， DRL）的功率传输与信号传输复合网络拓扑优化模型，并使用知识蒸馏原理的多种可解释组件模型对优化过程进行剖析。本研究首先分析了在轨运行阶段航天器母线电压调节控制域变换规律，并结合节点传播性参数，建立了功率传输与信号通信的复合网络拓扑模型。尔后，利用A3C (asynchronous advantage actor-critic)算法，对信号传输网络路由分布及拓扑结构等方面潜在的运行可靠性风险进行自适应性优化。最终，结合多种可解释组件对已训练的深度强化学习模型进行知识蒸馏，形成一种可解释的量化分析方法。本方法可以指导空间电源在随机阴影影响下选择最佳并网方案，并为更高任务要求和复杂环境下空间电源控制器设计提供理论支持。

关键词：空间电源系统复杂网络深度强化学习可靠性优化可解释性分析

基于Stacking集成模型融合的钢筋混凝土锈胀开裂预测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

中国腐蚀与防护学报 2024年

作者：梁梓豪应宗权刘梅梅杨帅中交集团建筑材料重点实验室水工构造物耐久性技术交通运输行业重点实验室中交四航工程研究院有限公司

为了解决传统经验公式模型对钢筋混凝土锈胀开裂预测方法存在的公式不统一、精度有限等问题的局限性，本文提出一种基于Stacking集成模型融合的钢筋混凝土锈胀开裂预测方法。首先，通过文献收集的223组钢筋混凝土锈胀开裂试验数据进行... 详细信息

为了解决传统经验公式模型对钢筋混凝土锈胀开裂预测方法存在的公式不统一、精度有限等问题的局限性，本文提出一种基于Stacking集成模型融合的钢筋混凝土锈胀开裂预测方法。首先，通过文献收集的223组钢筋混凝土锈胀开裂试验数据进行数据预处理；其次，基于支持向量回归（SVR）、随机森林（RF）和极端梯度提升树（XGBoost）算法分别进行贝叶斯优化超参数、模型训练及评估，采用决定系数2、平均绝对误差（MAE）和均方根误差（RMSE）对比分析3种机器学习模型的预测性能，并在此基础上搭建基于Stacking融合多种算法的预测模型；最后，对所提出的机器学习模型和传统经验公式模型进行泛化性能验证，并探讨基于XGBoost模型的可解释性分析。结果表明：与其他机器学习模型相比，基于Stacking集成模型的预测精度和泛化性能较好，且可解释性分析结果说明模型预测逻辑与实际工程经验较为吻合。研究结果有助于提高钢筋混凝土锈胀开裂预测精度，可为决策者在实际工程提供科学的理论指导。

关键词：钢筋混凝土锈胀开裂机器学习 stacking算法 XGBoost算法可解释性分析