关键词： 卷积神经网络   负荷模式识别   热力图   表征可视化   反卷积神经网络  

摘要： 随着科技的快速发展,越来越多特征各异的用电负荷接入电网,使得现代电网愈发复杂。为解决这一问题,电力系统负荷模式识别应运而生。负荷模式识别就是对不同负荷数据进行分析,并依据负荷特点划分出不同类型的负荷模式,然后根据各类别负荷模式指定相应的策略,对电力系统进行负荷分析规划、需求侧控制及响应、负荷预测等工作有着重要的参考价值及意义。考虑到传统负荷模式识别多采用传统机器学习中的聚类算法,但是传统机器学习中的聚类算法存在易受主观参数设置的影响及识别准确率低的问题,为解决此问题,本文引入深度学习算法进行负荷模式识别,深度学习具有强大的学习及特征提取能力,在分类识别领域表现优异,但深度学习算法复杂度高、透明性低,犹如“黑盒子”一般,对所获结果的原因缺乏解释性。为此本文基于热力图、表征可视化、反卷积神经网络三个方法对深度学习可解释性展开研究。本文提出一种基于卷积神经网络的用电负荷模式识别的双向可解释性方法。该方法使用负荷照影技术将负荷数据转化为负荷照影,负荷照影以热力图的形式呈现,再将其输入到卷积神经网络中进行负荷模式识别以得到较高的识别准确率;利用表征可视化技术将卷积神经网络中各个隐含层提取的负荷特征以热力图的形式呈现,解释决策结果产生的原因,以达到正向可解释性的目的;利用反卷积神经网络反向重建卷积神经网络,并将各个隐含层重构的负荷图像以热力图形式呈现,通过输入空间-输出空间的映射,找到致使决策结果产生的负荷照影的最大激活值,以达到反向可解释性的目的,利用可解释性方法进行双向解释,增加模型的准确率和可信度。本文采用的原始数据集来源于美国能源部商业参考建筑模型的16种商业建筑类型的每小时负荷数据,利用上述方法与不同卷积神经网络进行准确率和图像可视化个数对比。通过具体算例,验证了本文在可解释性上具有明显优势。

关键词： 模式识别   宽度学习   无人艇   集成学习   机器学习  

摘要： 水面无人艇(Unmanned Surface Vessel,USV)是一种无人化的水面智能系统,由于其具有体积小,速度快等优势,在环境勘探、水面搜救等众多领域得到了广泛应用。无人艇自主避障技术作为无人艇的核心技术之一,受到国内外诸多学者的关注。而无人艇的环境感知能力是其实现自主避障的前提和基础。目前,以可见光视觉传感器为主,融合多传感器数据的感知方式正成为无人艇环境感知的发展趋势。对于视觉传感器获取到的视频、图像数据,主流方法是通过训练各类深度学习模型实现对目标的检测识别,但深度网络往往结构复杂,超参众多,存在着训练耗时、局部最优、调参困难等问题,阻碍了其在水面无人艇领域的应用。因此,寻找一种结构简洁、性能优良且实时性好的算法模型应用于无人艇的水面障碍目标检测显得尤为重要。 为解决这一问题,本文以无人艇的局部自主避障为应用场景,以水面障碍物检测识别技术为内容展开研究,通过船载可见光视频传感器获取无人艇前方图像数据,致力于在算法层面完善水面无人艇的视觉感知能力,检测出障碍目标的相关信息,为无人艇避障决策系统提供决策支持,使其避障更加智能、高效,提高无人艇的自主避障能力。 首先,本文引入了结构简洁、实时性好的浅层网络宽度学习系统(Broad Learning System,BLS),并借鉴残差网络的结构对其前置特征提取层的连接方式进行了改进,在避免网络退化的同时,有效增强了其特征提取能力。之后利用Bagging集成学习思想针对开阔水域构建了水面障碍目标多分类检测模型,并使用迁移学习的方式将模型在大规模数据集Image Net进行预训练,之后冻结底层权值并将其迁移回本文的应用场景中继续训练,从而增强网络对于底层公共特征的提取能力。 其次,在完成对多分类模型构建的基础上,不再使用所有类别标签对其训练,而是将多分类模型训练为只针对单一语义标签敏感的单分类器,通过问题迁移的思想,让数据适应算法,之后针对多个单分类器进行集成,从而实现复杂水域下的水面障碍目标多标签检测模型的构建。 最后,本文使用多种数据增强及数据预处理技术完成数据集的构建及处理,选取卷积神经网络(Convolutional Neural Networks,CNN)和支持向量机(Support Vector Machine,SVM)作为对比算法,并进行参数寻优,以寻优后的最优参数进行实验对比。结果表明本文使用的BLS算法无论是在多分类模型中还是在多标签模型中,均有着较为优异的表现,在实时性及检测精度等方面,均可满足无人艇的水面障碍目标检测要求。

关键词： Sagnac干涉仪   时延估计   振动定位   模式识别   卷积神经网络  

摘要： 使用人工巡逻、摄像头监视等传统方法对油气管道进行监测,会导致监测成本高、监测效率低,并且不能保证监测的实时性。近些年来,分布式光纤传感在上述领域的应用引起了广泛关注。目前分布式光纤传感的主流技术是采用相位敏感型光时域反射仪,基于Sagnac效应的分布式光纤传感研究相对较少,但是Sagnac分布式光纤传感具有系统简单、成本低、响应频率高、性能稳定等优势。因此,本文对基于时延估计的直线型Sagnac光纤振动定位系统进行研究。在实际监测中,为了对外界入侵事件的危害性进行判断,不仅要对外界振动信号进行定位,还需要判断振动事件的类型。因此本文在对外界振动进行定位的基础上,还研究了振动事件模式识别的方法。本文主要研究内容如下:1、分析了光纤传感技术特别是Sagnac光纤传感技术的国内外研究现状。介绍了陷波频率与互相关定位方法,考虑到基于陷波频率定位方法需要待测信号具有比较宽的频带宽度,选择基于时延估计的定位方法。2、分析了光纤传感中的相位调制原理,在对环形Sagnac光纤传感系统和直线型Sagnac光纤传感系统的振动传感原理进行分析后,选择直线型Sagnac光纤传感系统。对基于3×3耦合器的直线型Sagnac光纤传感系统的相位解调原理进行了分析,并对相位解调进行了仿真验证。3、构建了基于时延估计的直线型Sagnac光纤振动定位系统。首先介绍了该系统的光路结构,然后对基于时延估计的定位方法进行了理论分析和仿真,结果表明该方法可以实现振动定位。4、设计了基于现场可编程门阵列(Field Programmable Gate Array,FPGA)的数据采集、相位解调与传输系统。用FPGA控制数模转换器实现了干涉光信号的采集。在FPGA中设计了3×3耦合器相位解调模块,实现了相位硬件解调。基于Lab VIEW上位机系统对FPGA传输的相位差数据进行接收,使用MATLAB脚本对两路相位差信号进行预处理和互相关定位。5、搭建了基于时延估计的直线型Sagnac光纤振动定位系统。通过使用木棒敲击传感光纤的方法在50km的传感距离上进行一点振动和两点振动定位实验,当距离传感光纤末端10km处有一点振动时,定位结果为10073.56m,误差为73.56m;当距离传感光纤末端10km和40km各有一点振动时,定位结果为10339.19m和39742.54m。对系统进行单点振动定位稳定性测试,定位误差不超过130m,平均定位误差为77.20m。6、研究了振动事件模式识别方法。采用二维卷积神经网络对拍打光纤、摇晃光纤、切割光纤和无振动四种事件进行模式识别,识别准确率达到98.34%。本文构建的基于时延估计的直线型Sagnac光纤振动定位系统结构简单、成本低、稳定性强,可以实现对外界振动事件的定位,在油气管道的监测中有很强的实用价值。将该系统采集到的相位差信号进行预处理后,利用模式识别方法实现对振动事件的分类,进而对外界入侵事件的危害性进行初步判断,这对油气管道的监测有很重要的意义。

关键词： 超声检测   深度学习   小波包去噪   模式识别  

摘要： 随着国家工业化进程的加快,石油天然气作为工业的血液,其作用和地位越来越突出。在可预见的未来石油和天然气都将是一种难以被替代的能源,同时石油和天然气的战略运输和存储关乎着国家的前途和命运。然而,受限于存储的自然环境以及石油和天然气本身的介质属性,大型的储罐和天然气管道容易产生腐蚀缺陷,因此需要对钢制储罐和天然气管道进行无损检测以实现对储罐和管道的服役评估。由于腐蚀缺陷难以被具体表征,因此很难做到对腐蚀缺陷的模拟和实验。为此本文提出用超声波作为检测手段,首先对腐蚀缺陷的形成机理进行分析,接着根据学者当前的研究成果对腐蚀缺陷的类型进行总结,归纳出缺陷类型,并人工制造钢板缺陷。接着用超声检测设备对缺陷进行检测并储存回波信号,便于后续的数据处理。最后,针对当前超声检测结果表征困难、需要专家进行评估等问题,提出了用模式识别的方式对缺陷进行评估。 模式识别可以归纳为特征提取和特征分类问题,要想获得高精度的模式识别模型就需要提取准确的信号特征,从观察可知缺陷回波信号不仅含有噪声而且包含了激发信号和高阶幅值为0的部分,因此为了便于后续的模式识别,需要对其进行相应处理。接着对完成处理后的缺陷回波信号用本文提出的三种方法进行特征提取,最后分别将提取的多维特征向量输入到分类器进行训练和分类,以得到以天然气管道和储罐为基础的钢材腐蚀缺陷的评估模型。为此主要完成了以下工作: 1.针对回波信号存在噪声和多余部分的问题,完成了对信号的去冗余、小波包去噪和人工做标记。其中在小波包去噪环节,对常用的多种小波基函数进行了实验,用信噪比、峰值信噪比和均方根作为指标,选择最优的小波基函数进行后续的去噪实验; 2.针对信号的特征提取问题,提出了首先对信号进行EMD,并对分解得到的残差信号人为提取特征,最后用BAS-LSSVM进行分类; 3.针对2中特征提取方式为人工提取时域特征,具有一定的主观性因此提出用1D-CNN网络结构进行特征提取,实现特征的自动提取,在特征提取之前对信号进行VMD分解和重构以实现信号的平滑处理,接着用随机森林作为分类器进行实验,并将结果和用softmax分类器的结果进行比较; 4.针对2和3中提取的特征均为时域特征,提出了对信号进行连续小波变换以获得2维时频域图,接着用2D-CNN框架对图片进行特征提取,最后用随机森林进行分类实验,实验结果表明该模型分类精度最高; 5.最后将本文提出的3种模型在现场进行实验,分别获得了 65.78%(EMD-BAS-LSSVM)、71.05%(VMD-1D-CNN-RF)、78.94%(VMD-CWT-2D-CNN-RF)的缺陷评估精度。

关键词： 人工智能+教育   认知负荷   神经生理反应   模式识别  

摘要： 人工智能与教育的结合对于推动国家发展、建设创新型国家以及构建包含有交互式学习与智能学习的新型教育体系等方面起着至关重要的作用。而人工智能在教育领域的应用主要集中在提供个性化学习方案与改进教育评价模式这两个方面。提供个性化学习方案与改进教育评价模式都需要对学习过程中学生的状态进行监测。众多的学习状态中,认知负荷是否匹配是被广泛研究且极为重要的一组学习状态。监测学习者学习过程的认知负荷是否匹配,便于教与学的双方及时了解学习过程,进而高效管理学习过程。论文从个体和群体两个角度研究了教学场景中认知负荷状态下的神经生理反应,使用统计方法分别分析了学习者个体在信息处理/加工阶段认知负荷匹配状态(CLM＿IT)与不匹配状态(CLMM＿IT)、信息加工/提取阶段认知负荷匹配状态(CLM＿IS)与不匹配状态(CLMM＿IS)以及群体认知负荷匹配状态(CLM＿G)与不匹配状态(CLMM＿G)的自主神经生理模式差异,基于心电信号(Electrocardiography,ECG)分别建立三个机器学习模型来解决CLM＿IT ***＿IT、CLM＿IS ***＿IS、CLM＿G ***＿G二分类问题。通过这三个二分类机器学习模型,实时监测并反馈学生个体与群体在学习过程中认知负荷是否匹配,有利于教育工作者及时调整教学策略、学习者及时调整自身学习状态,达到高效教学的效果。论文具体研究内容与结果分为如下四个方面。(1)设计和实施教学场景中认知负荷的生理数据采集方案。通过真实教学任务诱发学生学习过程中的认知负荷状态,同时记录心电信号、学习绩效以及心理体验问卷数据。(2)分别构建CLM＿IT ***＿IT、CLM＿IS ***＿IS、CLM＿G ***＿G三个二分类数据集。以学习绩效和心理体验问卷结果为三个数据集的样本入组规则,标记各种认知负荷状态下的心电数据,放入相应数据集中。(3)分析CLM＿IT ***＿IT、CLM＿IS ***＿IS、CLM＿G ***＿G自主神经生理模式的组间差异。结果显示,上述三个样本集的自主神经生理模式具有显著组间差异。(4)分别构建CLM＿IT ***＿IT、CLM＿IS ***＿IS、CLM＿G ***＿G生理识别模型。用序列后向选择算法与留一被试交叉验证法找出与当前学习状态最相关的生理特征子集,比较多种分类器的准确率,找出泛化性能最好的模型参数。结果显示,三个认知负荷二分类模型在独立于模型构建过程的数据集上验证准确率依次为61.11%、66.67%和58.41%。将三个二分类机器学习模型离线应用于认知负荷状态检测,分别达到62.50%、68.75%和60.00%的准确率。论文的研究工作有以下三方面发现。(1)学习过程中,CLMM＿IT与CLMM＿IS均会导致交感神经活动相对较弱以及副交感神经活动增强;与CLMM＿G相比,CLM＿G会导致相对较大的心率变异性以及更慢的心率。(2)CLM＿IT ***＿IT、CLM＿IS ***＿IS、CLM＿G ***＿G均具有可区分的神经生理模式;虽然这三组学习状态的分类准确率优于随机猜测,但离实际应用还有较大改进空间。(3)实际学习场景下,学生的学习状态和对应的神经生理反应有较大个体差异,当以群体50%学生所处状态代表群体学习状态,则机器识别模型对群体学习状态的判断结果与经验校标的符合程度很高。

关键词： PHC管桩   收锤标准   模式识别   数据采样合成   代价敏感  

摘要： 锤击法成桩的收锤标准是沉桩质量评估的重要指标,随外部因素的变化而变化。工程地质条件和桩土相互作用关系的复杂性导致了收锤标准的不确定性,仅仅以贯入度控制为锤击法成桩的收锤标准难以满足工程实际需求,如何结合液压锤的性能,在贯入度的基础上丰富收锤标准指标组合,多维度体现锤击成桩的质量状态,是液压锤锤击成桩质量监测技术中亟待解决的问题。因此,本文从沉桩施工收锤标准的影响因素出发,结合机器学习方法对锤击成桩过程参数建立基于沉桩状态预测的机器学习模型,实现对不同沉桩状态和桩端土层信息的智能识别,为桩工建筑行业的发展提供新的研究方向。本文首先从液压打桩锤锤击法成桩过程机理出发,通过多维组合指标表征收锤标准并对沉桩状态进行划分标定。通过核密度估计的统计分析方法对所采集的训练、测试数据进行独立同分布验证。通过皮尔逊相关系数和预测能量分数的融合分析方法对多维组合特征进行约简和分析得出影响沉桩质量的关键因素。算法实验结果表明,通过地勘信息的先验知识来改进BP神经网络的输出层结构能够较好识别沉桩过程桩端的土层信息,测试集识别率为94%;基于贝叶斯优化和Ada Boost的融合算法相较于传统机器学习方法对沉桩状态的识别具有更高的准确率。其次,本文通过LabVIEW软件搭建由计算机、声卡、声音传感器组成的声音信号采集系统对沉桩过程的声音信号进行实时采集。通过改进的高斯降噪算法对液压锤锤击桩头所产生振动的声音信号进行重构分解,经过信号预处理和线性预测倒谱系数算法进行了特征提取。通过算法实验的对比,验证了基于声学信号处理的沉桩质量监测方法的可行性,其中,基于高斯核函数的支持向量机算法对不同阶段沉桩声音信号具有较好的识别效果,其测试集准确率达到91%以上。针对沉桩各状态采样不均衡导致的数据偏态问题,本文对沉桩状态的预测模型进行了相应的优化和改进,提出了数据采样合成与传统机器学习的融合训练方法、深度学习与数据采样合成以及改进多分类Focal Loss损失函数的融合方法、基于类别权重分配的训练方法。针对收锤阶段和刚入设计持力层阶段样本的不均衡情况,采用召回率、精确度、F-measure、G-mean作为相应地算法评估指标。经算法实验对比,验证了上述方法对样本不均衡问题的改进作用。

关键词： XLPE电缆   局部放电   模式识别   栈式稀疏降噪自编码器   软件设计  

摘要： 交联聚乙烯(Cross linked polyethylene,XLPE)电缆因其性能良好而被广泛应用。XLPE电缆在运行过程中会受到多种因素影响,绝缘性能逐步下降,甚至导致绝缘故障。作为电缆早期绝缘故障的主要表现形式,局部放电不仅是导致绝缘老化的主要原因,也是表征绝缘状态的主要特征量,局部放电的模式有很多种,准确的模式识别对于评估电缆运行状态至关重要。在传统的局部放电模式识别研究中,使用方法多为浅层机器学习算法,虽能在一定程度上实现有效判别,但识别能力有限。在此背景下,本文根据项目实际需求提出基于Tensor Flow深度学习框架的栈式稀疏降噪自编码器(Stack Sparse Denoising Auto-Encoder,SSDAE)算法模型,来提高XLPE电缆局部放电模式识别准确率,并开发相应的局放辅助分析软件,为XLPE电缆局部放电模式识别提供准确便捷手段。本文针对XLPE电缆局部放电模式识别,主要进行了以下研究工作:(1)搭建了XLPE电缆局部放电模拟实验平台,模拟了4种XLPE电缆局部放电缺陷,利用HD-iPD局部放电特高频检测系统对局部放电信号进行测量,获取了XLPE电缆局部放电原始采集数据,利用随机森林方法进行数据预处理,构造出局部放电二维、三维图谱,并采用Matlab获取二维图谱统计特征参数。(2)将上述获取的统计特征参数样本集划分为训练集和测试集,利用训练集对SSDAE算法模型进行训练。为提高所建模型的泛化能力,在输入量中加入高斯白噪声,明确了高斯白噪声比重对模型识别准确率的影响;为确保模型的识别性能最优,确定了隐藏层层数为3层,每层包含37个神经元;选取交叉熵损失函数,去掉模型原有的解码层并加入Softmax分类层,利用反向传播算法完成模型内部参数最优选择。(3)为验证本文方法的有效性,将测试集分别代入决策树、支持向量机、随机森林、BP神经网络、栈式稀疏自编码器以及SSDAE 6种算法模型。结果表明,本文方法的平均查准率、平均查全率、总体识别准确率均高于其他方法,平均查全率可达到93.6%、平均查准率可达到93.48%、总体识别准确率可达到95.4%。在上述工作基础上,基于Visual Studio 2013开发环境及.NET Framework 4.0框架,对XLPE电缆局放辅助分析软件进行开发设计,包括二维/三维局部放电图谱的展示、统计特征参数计算的模块化封装以及算法脚本文件的调用,实现了局放数据的诊断与报告生成,为SSDAE算法在局部放电中的分析应用提供了基础平台。

关键词： 柔性压力传感器   触觉感知   视触觉融合   物体分类  

摘要： 提高机器人感知能力,尤其是触觉感知能力,是提升机器人与环境交互能力,提高机器人智能化程度和工作效率的关键。近年来相关传感技术不断提高,触觉传感阵列式,灵敏度,分辨率不断提高,触觉感知信息变得更加丰富。然而如何处理获取的触觉信号,更好地从中解析出周围环境信息是一个棘手的问题,在传统机械手抓握物体并识别分类的研究中,往往通过视觉图像获取物体轮廓信息,通过抓握物体过程的触觉信号获取物体质地,软硬度等信息,分别进行处理分析,实现对抓握物体的分类识别。由于触觉信号与视觉信号的巨大差异,导致触觉与视觉信号的耦合解析处理难度巨大,其本质是因为机器触觉的电信号与视觉的数字图像信号不同质,存在采集速率,维数,处理方法上的巨大差异,同时由于各触觉感知研究依赖各种触觉传感器,夹具等硬件平台,差异较大,相关研究方法无法通用。本课题围绕这一问题,探讨一种触觉可视化方法并应用于机械手,尝试探索一种可行的视触融合技术。具体包括: 首先,本课题通过牺牲模板法制备一种导电多孔结构的柔性压力传感器,实验表明制备的传感器兼顾了高灵敏度(3k(6-1)和宽检测范围(191Pa到200k Pa),在实际测试中展现了优异的电学响应和机械性能,证明了其在可穿戴设备及电子皮肤等领域的应用潜力。 基于上述压力传感器,本课题开发了一种可视化的柔性压力传感阵列,基于数字逻辑的显示方式,可实现对接触压力的分布及大小的高清晰度展示。 为突破利用机械手抓握动作等视觉属性信息与机械手抓握物体时的接触特征等触觉属性信息的不同质,不同步,难以融合处理的技术“痛点”。课题进一步将该可视化触觉传感阵列集成到机械手上,利用多摄像头同步采集机械手抓握物体时的动作特征及接触特征,并利用卷积神经网络进行处理,实现了对抓握物体的高精度识别,对16种目标物的识别准确率达到了92.73%。

关键词： 恶性肿瘤   非编码RNA   竞争性内源RNA   协同互作   协同竞争  

摘要： 恶性肿瘤严重威胁人类生命和健康,根据恶性肿瘤的细胞类型,它主要分为癌症和肉瘤两种类型。与正常细胞相比,恶性肿瘤细胞内基因结构和功能都发生了改变,并且其发生和发展通常不符合孟德尔遗传定律。此外,恶性肿瘤还具有多基因协同性、疾病异质性和个体特异性等特点。大部分恶性肿瘤本质上属于多基因遗传易感性疾病,其发病机制是多基因协同调控的结果。因此,从基因分子水平角度研究恶性肿瘤基因调控模式、生物过程、信号通路和病理过程成为揭示恶性肿瘤发病机理的重要突破口。在人类基因组内,大约98%转录本属于非编码RNA(non-coding RNA,nc RNA)。它们通常不编码蛋白质,而是作为调控因子调节基因表达水平。调控因子nc RNA为探究恶性肿瘤的发生发展提供新视野以及为包括恶性肿瘤在内的人类复杂疾病诊断和防治提供理论依据和新技术。然而,nc RNA参与恶性肿瘤调控机制,及其作为恶性肿瘤生物标志物的研究仍处于初级阶段。在恶性肿瘤关联的异构数据源驱动下,本文重点以乳腺癌、白血病以及泛癌(Pan-Cancer)为研究对象,开展了nc RNA协同调控模式(包括协同互作和协同竞争两种模式)识别的生物信息学新方法和新技术研究。同时,开发了一套基于多重基因表达谱和mi RNA靶标信息的nc RNA协同竞争模式识别与分析R软件包,并应用于恶性肿瘤数据分析,为探究恶性肿瘤nc RNA协同竞争模式提供实用工具。本文主要研究内容和贡献如下:(1)在群细胞水平,提出了mi RNA协同互作(mi RNA synergism,mi Rsyn)方法用于识别乳腺癌关联的mi RNA协同互作模式。mi Rsyn整合群细胞转录组数据和先验mi RNA靶标信息,并且基于因果推理模型估计mi RNAs对靶基因m RNAs产生的因果效应,进而推断mi RNA协同互作模式。在协同互作网络层面,mi Rsyn识别的mi RNA协同互作网络不是无标度而是小世界网络,并且与19个乳腺癌关联的生物过程、信号通路和疾病过程密切相关。另外,71.08%的mi RNA-mi RNA协同互作对呈现相似表达模式,并且46.53%序列水平下的mi RNA-mi RNA协同互作对在表达水平并不协同互作。在协同互作模块层面,总共识别了361个mi RNA协同互作模块,其中72个mi RNA协同互作模块与乳腺癌疾病显著关联。比较研究发现,mi Rsyn(模拟多基因敲除实验)比其他方法(如mir SRN,模拟单基因敲除实验)更适合研究mi RNA协同互作模式。(2)在单细胞水平,提出了细胞特异性mi RNA调控(Cell-Specific mi RNA regulation,CSmi R)方法用于识别白血病单细胞mi RNA协同互作模式。CSmi R整合单细胞转录组数据和先验mi RNA靶标信息来识别单细胞mi RNA协同互作模式。应用于小规模白血病单细胞转录组数据时,CSmi R总共研究了19个K562细胞的mi RNA协同互作模式。在mi RNA-mi RNA协同互作对、枢纽mi RNAs和mi RNA协同互作模块三个方面,任何K562细胞之间的相似度都小于90%。另外,特异性mi RNA-mi RNA协同互作对百分比(38.91%)、枢纽mi RNAs百分比(21.88%)、mi RNA协同互作模块百分比(64.35%)都高于保守性mi RNA-mi RNA协同互作对百分比(14.41%)、枢纽mi RNAs百分比(14.58%)、mi RNA协同互作模块百分比(0%)。通过构建细胞相似度矩阵,CSmi R为单细胞聚类分析提供了新策略,为理解细胞串扰提供了新思路。网络拓扑和功能分析发现,19个单细胞mi RNA协同互作网络都不是无标度网络而是小世界网络,并且单细胞mi RNA协同互作网络和模块可能参与白血病发生和发展。(3)提出了协同竞争(Synergistic competition,Scomp)方法,用于识别泛癌关联的nc RNA协同竞争网络。Scomp基于nc RNA协同竞争假说,整合多重基因表达数据和先验竞争性内源RNA网络数据来识别nc RNA协同竞争网络。网络拓扑和功能分析表明,Scomp识别的nc RNA协同竞争网络是无标度和小世界网络,并且显著富集于许多恶性肿瘤疾病、癌症特征和癌症表型。此外,nc RNA协同竞争网络内的13个枢纽nc RNAs与恶性肿瘤疾病密切关联,并且对32种恶性肿瘤类型的分类效果优于基准水平。功能分析发现,nc RNA协同竞争网络内蕴含的3个网络模块都是功能模块,并且其中2个网络模块为潜在泛癌生物标志物。多标签分类分析显示,所有网络模块对32种恶性肿瘤类型的分类效果都优于基准水平。最后,一致性结果表明,Scomp识别的nc RNA协同竞争网络具有鲁棒性。(4)提出了lnc

关键词： 混凝土结构   损伤识别   压电导波   奇异值分解   支持向量机   神经网络  

摘要： 混凝土材料因其可塑性强、原材料来源广、性能可调整性强且强度和耐久性高等特性,已广泛应用于桥梁、建筑、等土木工程。然而,由于长期受环境侵蚀、外部荷载、施工缺陷等因素的影响,混凝土结构在服役期间会出现损伤。损伤的累积会加剧结构性能劣化,严重时甚至导致结构倒塌为此,本文以预应力混凝土梁为研究对象,重点研究了预应力混凝土构件的损伤发展规律,主要包括以下内容:(1)开展了基于压电导波的预应力混凝土构件损伤试验研究。设计制作了 3片先张预应力混凝土梁,通过收集各级损伤下的智能骨料采集信号,研究健康状态和各级损伤状态下的时域、频域信号的差异,并为后文对混凝土结构的损伤水平的定性分析奠定基础。结果表明:压电智能骨料对混凝土结构损伤的检测有较好的敏感性;通过SA传感器接收到的信号变化可以判断混凝土结构整体和局部损伤状况。(2)对导波信号分别进行了时频分析、小波包变换和奇异值分解,目的是对混凝土结构的损伤状态进行定性分析和特征提取。利用结构表面外贴压电传感器的实测导波信号,基于WPT分析信号多分辨率特征,构建不同损伤状态下的时频矩阵,并对其进行奇异值分解,以深度挖掘结构开裂损伤后导波信号时频域上的本质变化特征。结果显示:混凝土结构的损伤会导致SA传感器接收到的时域信号幅值减小;以WPT和SVD结合构建的奇异值向量是混凝土结构损伤的有效特征参量。随着荷载逐步增加,时频矩阵的奇异值逐渐减小。归一化奇异值向量距与损伤情况呈现三阶段对应关系。(3)提出了一种基于模式识别的混凝土结构损伤识别方法,构建了信号特征与损伤间的非线性关系。以时频矩阵的奇异值向量为特征,分别用BP神经网络、GABP神经网络和支持向量机(SVM)进行了模式识别。结果显示:WPT和SVD的耦合可提取压电导波信号在多分辨率下反映时频矩阵的损伤本质特征,以奇异值向量作为导波损伤特征建立机器学习模型,实现在役混凝土结构的损伤识别;GABP模式识别方法能够稳定识别混凝土结构损伤位置和程度。对比BP神经网络,GABP神经网络更好地拟合了损伤信号特征与损伤情况间的关联性,遗传算法能够修复网络结构参数的随机性造成的局部最优等问题;SVM分类模型能够准确识别混凝土结构损伤位置何损伤程度。对比神经网络模型,其在处理非线性数据的分类问题上敏感性更优。