XiaoMi-AI文件搜索系统
World File Search SystemGBDT
应用能量 - 欧洲 - 加迪夫大学
本手稿提出了一种新型的混合人工智能（AI）方法，用于针对电动汽车充电站（EVCSS）专门设计的统一功率质量护发素（UPQC）。的目的是整合多个车辆到网格（V2G）功能，从而减轻与电动汽车（EV）网格集成相关的挑战，并结合分布式能源（DERS）。本手稿中提出的混合技术结合了梯度提升决策树（GBDT）算法和果冻搜索（JS）算法，称为GBDT - JS技术。这种创新的方法涉及利用充电站提供电动汽车充电服务，并促进电动电动机的排放。将UPQC与DER的集成（例如光伏（PV））实施，以降低转换器的功率额定功率和实现功率需求需求。使用UPQC内的初始转换器用于管理直流电流（DC）电压，而第二个转换器则监督电动汽车的功率充电或放电过程。此外，它减轻了电池电压发射的影响。具有车辆到网格功能的UPQC最小化网格的负载压力，从而防止了过度流动的问题。提出的方法调节UPQC转换器以减轻电力质量问题，例如谐波电流和电压下垂。随后，使用MATLAB/SIMULINK操作平台证明了该技术的有效性。GBDT - JS性能的评估涉及与现有技术的比较分析。该评估表明，该提出的方法有效地减轻了功率质量问题，特别减少了总谐波失真（THD），并提供最佳结果。
癌症住院患者抗肿瘤药物诱发严重不良事件的风险因素模型：基于全球触发指标的回顾性研究
本研究旨在应用机器学习方法评估与严重不良事件 (SAE) 相关的危险因素并预测使用抗肿瘤药物的癌症住院患者 SAE 的发生。回顾性审查了 2017 年 1 月 1 日至 12 月 31 日期间入院的 499 名确诊为癌症的患者的病历。首先，使用全局触发工具 (GTT) 主动监测抗肿瘤药物引起的药物不良事件 (ADE) 和 SAE，并将阳性触发因素的数量作为中间变量。随后，通过单变量分析和最小绝对收缩和选择算子 (LASSO) 分析选出具有统计学意义的危险因素。最后，以LASSO分析后的危险因素作为协变量，采用基于逻辑模型、极端梯度提升（XGBoost）、分类提升（CatBoost）、自适应提升（AdaBoost）、轻梯度提升机（LightGBM）、随机森林（RF）、梯度提升决策树（GBDT）、决策树（DT）和基于七种算法的集成模型的列线图建立预测模型，并使用ROC曲线下面积（AUROC）、PR曲线下面积（AUPR）等一系列指标评估模型性能。在我们的样本中共识别出94名SAE患者，SAE的危险因素包括诱发因素数量、住院时间、年龄、联合用药数、既往化疗中发生的ADE以及性别。在测试队列中，基于逻辑模型的列线图的AUROC为0.799，AUPR为0.527。在八种机器学习模型中，GBDT 的预测能力最好（AUROC = 0.832 和 AUPR = 0.557），优于列线图，因此被选为建立预测网页。本研究提供了一种准确预测癌症住院患者 SAE 发生率的新方法。
使用梯度提升决策树的心脏病预测
摘要：心脏病是全球主要健康挑战之一，其预防和治疗对于确保人们的健康至关重要。这项研究基于2020年堆叠的集合调查数据集用于心脏病分类。通过分析各种因素与心脏病之间的关系，我们探讨了机器学习模型在心脏病预测中的应用。研究发现，诸如空腹血糖，胆固醇和运动引起的心绞痛等因素与心脏病密切相关，而静息心电图和静止血压的影响相对较小。在比较的各种机器学习模型中，梯度提升决策树（GBDT）表现最好，具有高度的预测准确性和精确度。然而，该研究还指出了数据集的局限性以及模型的问题未完全释放其潜力。值得注意的是，这项研究还探讨了在心脏病预测中使用其他机器学习模型的可能性，并进行了比较分析，并提供了更多的预防心脏病预防和治疗参考。
Deep-STP：一种基于深度学习的方法，用于通过使用单词嵌入
蛇毒含有许多有毒蛋白，可破坏循环系统或神经猎物的神经系统。研究发现，这些蛇毒蛋白具有治疗心血管和神经系统疾病的潜力。因此，蛇毒蛋白的研究有利于相关药物的开发。基于传统生物化学的研究技术可以准确地识别这些蛋白质，但是实验成本很高，时间很长。人工智能技术从计算的角度从大规模筛选蛇毒蛋白提供了一种新的手段和策略。在本文中，我们开发了一种基于序列的计算方法来识别蛇毒素蛋白。特别是，我们利用了三个不同的特征描述符，即G-GAP，天然矢量和Word 2载体，编码蛇毒素蛋白序列。方差分析（ANOVA），梯度提高决策树算法（GBDT）与增量特征选择（IFS）相结合（IFS）来优化特征，然后将优化的特征输入了用于模型训练的深度学习模型中。结果表明，我们的模型可以在10倍的交叉验证中以82.00％的精度实现预测性能。该模型在独立数据上得到了进一步验证，精度率达到81.14％，这表明我们的模型具有出色的预测性能和鲁棒性。
通过深度学习预测癫痫发作......
脑电图 (EEG) 是一种广泛使用的重要技术，可用于辅助诊断癫痫和研究人脑的电模式。由于 EEG 信号的非平稳性质，不同患者的不同记录会话中的癫痫发作模式会有所不同。在这项研究中，我们实施了一种新的深度学习长短期记忆 (LSTM) 模型来检测脑肿瘤和癫痫发作。该过程包括四个关键步骤：EEG 信号预处理、发作前特征提取、使用灰狼优化 (GWO) 进行超优化以及基于 LSTM 的分类。评估利用了来自 EEG 和 ABIDE fMRI 数据集的长期 EEG 记录。通过试验各种模块和记忆单元层，首先进行预分析以确定最佳 LSTM 网络架构。LSTM 模型利用了许多检索到的特征，包括在分类之前提取的 EEG 通道之间的时间和频域信息。实施方法的发现揭示了准确预测癫痫发作同时最大限度地减少误报的显著优势。所实施的 LSTM 方法实现了 99% 的准确率、98% 的精确度、99% 的召回率和 98% 的 f1 测量值，与基于跨子模式相关的主成分分析 (SUBXPCA) 和梯度提升决策树 (GBDT) 方法相比，效果更佳。
EFMSDTI：基于多源数据有效融合的药物-靶标相互作用预测
准确识别药物靶标相互作用（DTI）对于理解药物治疗机制、发现治疗疾病的新药物具有重要意义。目前，结合药物和靶标多源数据的DTI预测计算方法可以有效降低药物研发的成本和时间。但在多源数据处理中，往往不考虑不同源数据对DTI的贡献，因此如何充分利用不同源数据对DTI预测的贡献进行有效融合是提高DTI预测精度的关键。本文考虑不同源数据对DTI预测的贡献，提出一种基于药物和靶标多源数据有效融合的DTI预测方法，即EFMSDTI。EFMSDTI首先基于多源信息网络构建15个相似度网络，根据药物和靶标的生物学特征将其分类为药物和靶标的拓扑和语义图。然后根据多网络对DTIs预测的贡献，采用基于相似性网络融合（SNF）的选择性和熵加权方法对多网络进行融合。深度神经网络模型学习药物和靶标的低维向量的嵌入。最后，采用基于梯度提升决策树（GBDT）的LightGBM算法完成DTIs预测。实验结果表明，EFMSDTI比几种最先进的算法具有更好的性能（AUROC和AUPR为0.982）。此外，它在分析前1000个预测结果方面具有良好的效果，而前1000个DTI中有990个得到了确认。代码和数据可在https://github.com/meng-jie/EFMSDTI获得。
用于冲刷深度的高效数据驱动机器学习模型......
海堤是沿海地区重要的防御基础设施，保护内陆地区免受风暴潮、海浪越堤和土壤侵蚀的侵袭。海堤趾部冲刷是由海浪引起的床层物质的堆积和侵蚀造成的，对沿海基础设施的结构完整性构成了重大威胁。准确预测冲刷深度对于合理有效地设计和维护沿海结构至关重要，这有助于降低趾部冲刷导致结构失效的风险。然而，目前用于评估倾斜结构趾部冲刷的指导和预测工具有限。近年来，人工智能和机器学习 (ML) 算法引起了人们的兴趣，尽管它们为许多沿海工程应用提供了稳健的预测模型，但此类模型尚未应用于冲刷预测。本文，我们开发并提出了基于 ML 的模型，用于预测倾斜海堤趾部冲刷深度。使用四种 ML 算法，即随机森林 (RF)、梯度提升决策树 (GBDT)、人工神经网络 (ANN) 和支持向量机回归 (SVMR)。使用综合的物理建模测量数据来开发和验证预测模型。采用一种新颖的特征选择、特征重要性和超参数调整算法框架，用于基于 ML 的模型的预处理和后处理步骤。提出了深入的统计分析来评估所提模型的预测性能。结果表明，在本研究中测试的所有算法中，预测准确率至少为 80%，总体而言，SVMR 的预测最准确，判定系数 (r2) 为 0.74，平均绝对误差 (MAE) 值为 0.17。在所测试的算法中，SVMR 算法的计算效率也最高。本研究提出的方法框架可应用于冲刷数据集，以快速评估海岸防御结构的冲刷情况，从而促进基于模型的决策。