检索结果-南通市图书馆

基于tabnet的周仲瑛教授辨治甲状腺功能亢进病机预测模型及用药规律研究

在线全文

学校读者我要写书评

暂无评论

南京中医药大学学报 2024年第5期40卷 534-542页

作者：杨晓娜朱垚幸享玲周作建佘侃侃南京中医药大学人工智能与信息技术学院江苏南京210023 江苏省智慧中医药健康服务工程研究中心江苏南京210023

目的以周仲瑛教授治疗甲状腺功能亢进(甲亢)的临床病案为研究对象,探索运用基于神经网络的tabnet模型发现甲亢的诊疗规律,为传承名老中医学术思想、辅助临床诊疗提供方法参考。方法基于周仲瑛教授及其团队的临床甲亢诊疗医案,构建标准... 详细信息

目的以周仲瑛教授治疗甲状腺功能亢进(甲亢)的临床病案为研究对象,探索运用基于神经网络的tabnet模型发现甲亢的诊疗规律,为传承名老中医学术思想、辅助临床诊疗提供方法参考。方法基于周仲瑛教授及其团队的临床甲亢诊疗医案,构建标准化、结构化训练数据,研究基于注意力机制和稀疏特征选择机制的算法,通过输入标准化临床表现,标准化舌象、脉象构建病机预测模型,分析核心症状、病机和药物以及三者之间的联系。结果通过训练好的预测模型对肝郁、肝火、痰饮、肾虚、阴虚、瘀血6个病机进行预测,与决策树、随机森林等经典算法构建的多标签分类模型相比,本模型分类和预测指标均较好。通过决策树算法进行挖掘,总结6个核心病机对应中药社团:醋柴胡、夏枯草、牡蛎、炙鳖甲、玄参、天冬、麦冬等。结论在临床医案数据上运用tabnet算法,构建基于临床表现、舌象和脉象的病机预测模型,可有效地预测核心病机,进而发现“症-机-药”之间的联系,为名老中医学术思想的传承和临床辅助诊疗决策提供方法学参考。

关键词：甲状腺功能亢进 tabnet 神经网络症-机-药国医大师周仲瑛病机预测用药规律

在线全文

学校读者我要写书评

暂无评论

基于残差的分布式光伏发电功率组合预测方法

深圳大学学报（理工版） 2024年第3期41卷 293-302页

作者：吴明朗庞振江洪海敏占兆武靳飞唐远洋叶璇深圳市国电科技通信有限公司广东深圳518109 深圳智芯微电子科技有限公司广东深圳518048 人工智能与数字经济广东省实验室(深圳) 广东深圳518107

分布式光伏发电功率预测在保障电网运行安全和就近消纳方面发挥着重要作用,为提升分布式光伏发电功率预测精度,提出一种基于多元气象的特征提取方法和基于残差连接的多模型融合的光伏发电功率预测模型.在特征提取时,引入统计、交叉、周... 详细信息

分布式光伏发电功率预测在保障电网运行安全和就近消纳方面发挥着重要作用,为提升分布式光伏发电功率预测精度,提出一种基于多元气象的特征提取方法和基于残差连接的多模型融合的光伏发电功率预测模型.在特征提取时,引入统计、交叉、周期信息、近似熵和光伏板温度等特征提取方法,实现对时间、气象和发电功率的深层特征提取,丰富模型的输入.在模型构建时,建立基于残差连接的多层模型融合方法,首先提出基于k最近邻(k-nearest neighbor,kNN)的softmax回归预测模型,其次设计3层模型整体结构,并通过残差连接和多层堆叠的方式融合多个预测模型,持续提升光伏发电功率预测精度.基于电力公司真实数据,采用本研究方法与随机森林(random forest,RF)、tabnet和极端梯度提升(extreme gradient boosting,XGBoost)等模型,对光伏发电功率进行预测.结果表明,所提模型在均方根误差、平均绝对误差、均方误差和平均绝对百分比误差等方面可分别降低0.1097、0.0591、0.0507和0.0368,拟合优度可提升0.0804.基于多元气象的特征提取方法和基于残差连接的多模型融合的光伏发电功率预测模型能有效提升分布式光伏发电功率预测的精度和稳定性.

关键词：人工智能太阳能特征提取残差连接随机森林 tabnet 极端梯度提升功率预测

在线全文

学校读者我要写书评

暂无评论

基于工况数据的烟尘排放异常检测

环境工程 2024年第1期42卷 79-84页

作者：何炜琪陈蓉陆智翔马旭吴志杰清华苏州环境创新研究院江苏苏州215163

识别由于主观篡改或设备工况异常导致的污染物排放数据异常现象,对于重点排污单位环境污染监控、整治和管理有着重要意义。以河北省某钢铁企业为例,基于每小时工况数据和烟尘浓度建立预测模型,采用改进的损失函数MSECorrLoss进行tabnet... 详细信息

识别由于主观篡改或设备工况异常导致的污染物排放数据异常现象,对于重点排污单位环境污染监控、整治和管理有着重要意义。以河北省某钢铁企业为例,基于每小时工况数据和烟尘浓度建立预测模型,采用改进的损失函数MSECorrLoss进行tabnet模型训练,并与XGBoost、LightGBM和BiLSTM模型进行对比,提出了一种基于阈值划分的K-error算法进行烟尘排放异常数据的识别,结果表明:1)相较RMSELoss损失函数,采用改进的MSECorrLoss训练后,tabnet模型MAPE由15.33%下降为15.10%,且模型收敛更快。2)LightGBM和XGBoost训练速度快,但LightGBM预测精度低(RMSE=0.3201, MAPE=29.45%),XGBoost和BiLSTM模型鲁棒性与稳定性(RMSE:0.3403~0.3425, MAPE:13.58%~18.38%)不及tabnet(RMSE:0.2886~0.2934, MAPE:15.10%~15.33%)。虽然tabnet训练时间较长,但无需人工进行特征选取,应用限制低,在烟尘预测中具有良好的应用效果。3)基于工况数据构建的tabnet模型在污染物排放预测上具有较高的预测精度与稳定性,结合K-error检测算法可以克服阈值法带来的主观性。该方法可以快速检测污染物排放异常数据,为环境管理决策提供参考。

关键词： tabnet MSECorrLoss 烟尘浓度预测异常检测

基于PCHD-tabnet的十年冠心病预测

在线全文

学校读者我要写书评

暂无评论

数据分析与知识发现 2023年第5期7卷 133-144页

作者：蒋林甫袁贞明张邢炜姜华强孙晓燕杭州师范大学信息科学与技术学院杭州311121 移动健康管理系统教育部工程研究中心杭州311121 杭州师范大学附属医院杭州310015

【目的】准确预测人们患冠心病的风险,分析不同因素对冠心病影响的重要程度,以便医生及时干预,有效帮助患者预防以及治疗冠心病。【方法】提出一种基于注意力可解释表格学习神经网络的冠心病预测框架(PCHD-tabnet),并且使用自监督学习... 详细信息

【目的】准确预测人们患冠心病的风险,分析不同因素对冠心病影响的重要程度,以便医生及时干预,有效帮助患者预防以及治疗冠心病。【方法】提出一种基于注意力可解释表格学习神经网络的冠心病预测框架(PCHD-tabnet),并且使用自监督学习帮助模型加速收敛并保持稳定性。【结果】PCHD-tabnet整体效果优于其他模型,且数据集的AUC达到0.72。【局限】弗雷明汉数据集的特征都是常规体检数据,如果有更好的临床数据,预测效果也许会有进一步的提升。【结论】所提方法提高了模型的性能,并且也优于其他传统模型,为冠心病预测提供了一种高效的方法,并为类似的数据挖掘任务提供了参考。

关键词：冠心病预测 tabnet 机器学习

在线全文

学校读者我要写书评

暂无评论

遥感技术在卫片执法工作中的应用研究

资源导刊 2024年第6期 41-43,47页

作者：霍太莹张俊华山东省物化探勘查院山东济南250013 山东国科地理信息工程有限公司山东济南250101

综合利用两米级与亚米级的国产高分辨率卫星影像优势,开展变化图斑综合提取,以此探讨多源卫星影像在卫片执法工作中的适用性。通过研究得到以下结论:相较于传统分类算法,tabnet网络深度学习算法可以较完整地提取地物边界,并且地物混淆... 详细信息

综合利用两米级与亚米级的国产高分辨率卫星影像优势,开展变化图斑综合提取,以此探讨多源卫星影像在卫片执法工作中的适用性。通过研究得到以下结论:相较于传统分类算法,tabnet网络深度学习算法可以较完整地提取地物边界,并且地物混淆程度较低。采用GF2影像进行地物分割优化,居民地与硬化道路的分割效果与实际情况完全符合,且边界严格按照实际走向。结合GF1与GF2影像的变化图斑提取精度整体较高,新增道路与厂房完整识别出来,并且通过剔除农作物等影响因素,避免了裸露土地对变化图斑提取的影响。

关键词： GF1 GF2 tabnet 变化提取分割优化

基于tabnet-LSTNet的多特征短期负荷预测

在线全文

学校读者我要写书评

暂无评论

重庆大学学报 2023年

作者：吴文辉何家峰蔡高琰骆德汉广东工业大学信息工程学院广东浩迪创新科技有限公司

为了挖掘负荷预测中不同输入特征的重要性，有效处理负荷数据中的线性成分和非线性成分，提高负荷预测的精度，文中提出一种基于tabnet和LSTNet（long and short-term temporal networks，长期和短期时间序列网络）的组合负荷预测模型... 详细信息

为了挖掘负荷预测中不同输入特征的重要性，有效处理负荷数据中的线性成分和非线性成分，提高负荷预测的精度，文中提出一种基于tabnet和LSTNet（long and short-term temporal networks，长期和短期时间序列网络）的组合负荷预测模型。首先，通过引入自监督预训练来提高tabnet的预测精度，通过训练得到输入特征的全局重要性和预测结果，然后把重要性高的特征输入到LSTNet训练得出预测结果，最后通过方差-协方差组合方法得出tabnet-LSTNet模型的预测结果。通过仿真分析，与传统的长短期记忆网络（long short-term memory，LSTM）、极端梯度提升机（xgboost）、轻量级梯度提升机（lightgbm）和其它组合模型相比较，文中提出的tabnet-LSTNet模型具有更高的精度。

关键词：负荷预测特征重要性 tabnet 自监督预训练 LSTNet

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tabnet的多因子选股交易策略研究

基于TabNet的多因子选股交易策略研究

作者：孙吉祥重庆邮电大学

学位级别：硕士

随着国内的金融开放及科技发展,人们在投资分析时不仅仅局限于传统基本面和技术分析,基于数据和规则的量化投资的应用开始逐渐兴起。因子投资则是量化投资的一个热门研究方向,近两年,机器学习算法与多因子策略结合的方向进行了一些研究... 详细信息

随着国内的金融开放及科技发展,人们在投资分析时不仅仅局限于传统基本面和技术分析,基于数据和规则的量化投资的应用开始逐渐兴起。因子投资则是量化投资的一个热门研究方向,近两年,机器学习算法与多因子策略结合的方向进行了一些研究,但还远不完善,存在着策略未能充分利用因子信息、投资策略常陷入过拟合、可解释性较差等问题。本文针对现有因子筛选及策略模型中存在的问题,在现有相关因子投资研究的基础上,构建了基于独立双重排序的因子筛选方法,并使用基于改进后的模型S-tabnet对多因子投资与机器学习相结合的投资方式展开研究。主要工作如下:1.针对当前因子筛选方式较为简单、信息利用不够充分的问题,提出一种基于双重排序和显著性指标的因子筛选方法。因子的筛选问题是能否充分利用因子信息的关键,对主流论文发表的198个因子构建因子库,并依此构建了一个基于双重排序和显著性指标的筛选因子的方式,来鉴别因子的好坏。该方法相比以往研究方法不但更多的考虑因子收益率,而且有效的改善了独立双重排序筛选方法中选股不平衡的问题。2.针对目前传统机器学习方法容易过拟合和解释性较差的问题。本文使用通达信、Tushare等工具获取股票数据,并对其进行预处理;其次,使用优化过的模拟决策树过程的模型S-tabnet对筛选后的股票因子数据进行处理,进而用于股价预测分析。最后,融合RSRS风控系统,对预测结果的波动性进行有效控制,从而形成选股交易策略。实验表明,该方法相比传统因子投资及目前主流的因子投资方法更为有效,可解释性及过拟合问题也得到改善,同时S-tabnet也改善了tabnet时间复杂度较高的问题。3.本文构建了一个基于S-tabnet的多因子投资交易系统。原型系统以因子和A股数据作为基础,结合S-tabnet对股票进行筛选并获得建议买卖股票列表。该系统为本文提出的方法提供了可行性和有效性实验验证环境,也为后期实用系统的开发提供了参考。

关键词：量化投资因子筛选多因子模型 tabnet

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

基于tabnet的个人信用风险评估研究

基于TabNet的个人信用风险评估研究

作者：刘舒妮华东师范大学

学位级别：硕士

随着世界经济的蓬勃发展和我国改革开放的逐步深化,信用卡支付已成为现代社会最常用的支付方式之一。作为一种不断增长的服务,如何评估其申请人是否能偿还贷款对于正确的支持金融机构去定义其政策与策略起着关键性的作用。在过去的几十... 详细信息

随着世界经济的蓬勃发展和我国改革开放的逐步深化,信用卡支付已成为现代社会最常用的支付方式之一。作为一种不断增长的服务,如何评估其申请人是否能偿还贷款对于正确的支持金融机构去定义其政策与策略起着关键性的作用。在过去的几十年里,人们提出了许多方法来评估个人信用风险,但是要准确地评估信用风险还存在很多待解决的问题。其中一个问题是如何充分利用现有的无标签数据,从而减少标注成本,解决这一问题的关键技术是半监督学习。另一个问题是如何解决基于深度学习的评估模型准确率不高的问题,解决这一问题的关键是引入树模型的思想。信贷场景中主流的信用评估方法为评分卡,少量业务采用机器学习方法评估,信用评估的模型精度和技术的先进性拥有较大提升空间。在真实场景中,样本的标记需要消耗大量资源,所以大量没有类别标签的样本被浪费,这导致模型训练的过程中只能获取少量带有类别标签的样本。半监督学习可以充分利用未标记数据从而降低标注成本,丰富模型训练集,进而提高模型精度。tabnet在表格数据分析领域崭露头角,其结合了树模型和NN模型的特点可以指导信用风险的评估。通过研究,本文主要做了如下工作:首先,结合相关数据使用tabnet深度学习算法建立信用风险评估模型,结合实际场景进行优化。本文将tabnet模型构建的信用风险评估模型与树模型及CNN模型进行实验对比,实验结果显示初步优化后的tabnet模型在准确率上比对照模型表现更优秀;其次,对tabnet的特征和参数选择部分存在的问题分别进行研究与分析。使用遗传算法(GA)来优化tabnet的Attention Transformer自动特征选择模块,利用粒子群算法(PSO)优化tabnet的超参数选择,实现参数的自动搜索。分析遗传算法“早熟”问题出现的几大原因并进行验证,根据实验结果,对遗传算法进行进一步的优化;最后,引入半监督训练来改善样本数据。为解决信贷场景中常见的数据不平衡与数据标签缺失的问题,结合无监督预训练以及伪标签等技术,设计一种迭代加权半监督的训练方法,在训练过程中为无标签数据动态生成伪标签,扩充训练集数据,提升模型精度。综上,本文引入了tabnet模型评估个人信用风险,研究了模型特征和参数选择模块存在的问题,给出了模型的优化方向,结合了半监督训练方法,最终构建了一个基于tabnet的半监督信用风险评估模型。

关键词：信用风险评估 tabnet 遗传算法粒子群算法半监督学习

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

基于tabnet的学业预警模型研究与实现

基于TabNet的学业预警模型研究与实现

作者：陈彦超西北大学

学位级别：硕士

教育是立国之本,是我国从人力资源大国迈向人力资源强国的根本,而高等教育是教育的重中之重。高校响应国家政策对学生扩招,与此同时学习困难的学生数量也增多,因此对学习困难学生进行学业帮扶、帮助他们更好地完成学业极为重要。然而高... 详细信息

教育是立国之本,是我国从人力资源大国迈向人力资源强国的根本,而高等教育是教育的重中之重。高校响应国家政策对学生扩招,与此同时学习困难的学生数量也增多,因此对学习困难学生进行学业帮扶、帮助他们更好地完成学业极为重要。然而高校现有学业预警方法使用学生不及格课程总学分对学生学业预警,存在预警周期长、学生接收预警信号滞后性的问题,本文在现有预警系统的研究基础上,采用KNNTab Net模型改进学业预警系统展开研究,具体研究内容如下:(1)针对预警周期长、预警滞后性问题,本文结合学生行为数据与历史成绩数据,探究其与学业的关联性,将预警周期缩短至三个月,期末考试前一个月可以对学习困难的学生发出预警通知。使用频率统计法与Kendall等级相关系数分析方法对学生特征与学业的关联度分析,将相关性高的学生特征作为预警模型输入特征。(2)提出一种基于KNN-Tab Net学业预警模型。针对Tab Net原生缺失填补方法在数据规模较小的实际应用中表现欠佳问题,提出使用KNN插值填补法代替Tab Net缺失填补方法,提升模型分类性能,然后使用贝叶斯算法对Tab Net超参数空间参数调优,加快模型收敛速度,最后将本文所提KNN-Tab Net预警模型与Tab Net、XGBoost、Light GBM等算法模型对比,并验证所提算法模型的性能表现较优。(3)基于KNN-Tab Net的学业预警系统设计与实现。首先对学业预警系统的功能性需求和非功能性需求分析,然后设计学业预警系统的架构和数据库,接着使用Think PHP和Admin LTE框架搭建学业预警系统,并将本文提出的KNN-Tab Net模型嵌入到学业预警功能模块中,最后使用黑盒测试方法对系统的稳定性和易用性测试分析。

关键词：学业预警 tabnet 肯德尔系数相关性分析