简介:摘要:汽轮机是核电厂重要设备,其振动为安全可靠运行的重要参数,而振动本身的复杂性也使其状态监测与故障诊断技术越发重要。诊断技术也开始向着智能的方向发展,而支持向量机为解决小样本的故障分类问题提供了有效手段。本文结合汽轮机常见的振动故障,使用支持向量机方法对故障进行分类和预测,为实现更好的汽轮机故障诊断方法提供了依据,包括数据预处理、故障特征提取、故障分类、故障建模与预测及系统的构建等方面。将支持向量机应用到核电厂汽轮机故障诊断领域,能够有效地提高故障诊断的准确率,对提高经济效益和社会效益都具有十分重要的意义。
简介:摘要目的探讨磁共振灌注加权成像(perfusion weighted imaging,PWI)及支持向量机(support vector machine,SVM)在脑泡型包虫病(cerebral alveolar echinococcosis,CAE)和脑转移瘤(brain metastase,BMT)鉴别诊断的效能。材料与方法回顾性收集经病理或临床诊断为CAE与BMT的病例各15例,测量两组病灶实性区、灶周水肿和对侧相对正常实质灌注参数,包括相对脑血容量(relative cerebral blood volume,rCBV)、相对脑血流量(relative cerebral blood flow,rCBF)、平均通过时间(mean transit time,MTT)和达峰时间(time to peak,TTP),评估各参数诊断CAE与BMT的效能,并基于灌注参数,运用SVM等机器学习方法鉴别两种疾病。结果CAE病灶实性区rCBF,rCBV诊断曲线下面积(area under curve,AUC)为0.739,0.710,BMT病灶实性区rCBF,rCBV诊断AUC为0.960,0.913,CAE与BMT病灶实性区rCBF和rCBV的诊断效率高于MTT和TTP;CAE与BMT病灶实性区rCBF、rCBV、TTP值差异有统计学意义(P<0.01)。CAE水肿区与BMT水肿区rCBF、rCBV值差异有统计学意义(P<0.01);基于病灶实性区灌注参数,运用SVM分类器可提高鉴别准确率。结论PWI可为CAE与BMT的鉴别诊断提供客观依据。SVM分类方法可提高PWI鉴别两种病灶的准确率。
简介:摘要:以四川省攀枝花市为研究区,采用2000年、2010年、2020年的Landsat影像数据,在主成分分析的基础上,运用ALexNet和支持向量机相结合的分类方法,实现研究区域三期土地利用分类,并采用面积转移矩阵,对研究区域的三期的土地利用进行时空变化分析。研究结果表明:1)林地,草地,耕地为攀枝花市主要的土地利用类型,水域和城乡、居民用地所占比例较小,占攀枝花市总面积的6%以下。也说明攀枝花市的城市化进程较慢。3)在攀枝花市土地利用类型的动态变化当中,各地类均存在着这种相互转换的现象。
简介:【摘要】:“数学学科的核心素养表现为:用数学的眼光观察世界,发展数学抽象、直观想象、空间观念;用数学的思维分析世界,发展逻辑推理、数学运算、创新意识;用数学的语言表达世界,发展数学建模、应用意识、数据分析素养。其关键是抽象、思考并推理和表达。向量是高中数学中重要和基本的概念之一,具有物理背景和几何背景。向量是沟通几何与代数的桥梁,在数学和物理学科中具有广泛的应用。因此,高中教科书注重构建内容的结构体系,注重与实际的联系,注重数形结合,注重与数及其运算进行类比,注重运用向量解决问题,体现几何与代数的融合,提升学生的直观想象素养、数形结合,数学运算素养。
简介:摘要目的比较Logistic回归、BP神经网络及支持向量机3种模型对老年慢性阻塞性肺疾病(COPD)患者30 d内急性加重再入院风险的预测性能,以期为再入院高风险患者筛查及预防提供科学依据。方法制作COPD患者调查问卷表,包括一般资料调查表、改良英国医学研究委员会呼吸困难量表(mMRC)、日常生活能力评估量表(ADL)、老年抑郁量表、微型营养评定量表(MNA-SF)及COPD评估量表(CAT),采用便利抽样法,选择宁夏地区13所综合医院2019年4月至2020年8月呼吸内科治疗的老年COPD患者作为调查对象,并随访至出院后30 d。探讨患者再入院影响因素,基于影响因素构建Logistic回归模型、BP神经网络模型和支持向量机模型,按照训练集与测试集7∶3的比例分为训练集样本和测试集样本,分别通过查准率、召回率、正确率、F1指数及受试者工作特征曲线下面积(AUC)对模型预测效能进行比较。结果共调查1 120例患者,其中非再入院患者879例,再入院患者241例。单因素分析显示,非再入院患者与再入院患者的年龄、文化程度、吸烟情况、糖尿病和冠心病比例、过去1年因COPD急性加重住院次数、季节因素及长期家庭氧疗、规律用药、康复锻炼比例、病程、ADL、抑郁状况、mMRC、营养状况比较差异均有统计学意义。二元Logistic回归分析显示,文化程度、吸烟情况、冠心病史、过去1年因COPD急性加重住院次数、季节因素、是否长期家庭氧疗、是否规律用药、营养状况是老年COPD患者30 d急性加重再入院的影响因素。训练集显示,Logistic回归模型、BP神经网络模型及支持向量模型的查准率分别为70.95%、76.51%、84.78%,召回率分别为79.55%、86.36%、88.64%,正确率分别为87.81%、90.81%、93.82%,F1指数分别为0.75、0.81、0.87,AUC分别为0.850、0.893、0.921。测试集显示,Logistic回归模型、BP神经网络模型及支持向量模型的查准率分别为78.38%、80.65%、88.57%,召回率分别为70.73%、60.98%、75.61%,正确率分别为85.82%、84.40%、90.07%,F1指数分别为0.74、0.69、0.82,AUC分别为0.814、0.775、0.858。结论与Logistic回归模型和BP神经网络模型相比,支持向量机模型的预测效果更好,可以有效预测老年COPD患者30 d内急性加重再入院风险。