检索结果-维普期刊中文期刊服务平台

驾驶性主客观综合评价方法在起步工况下的应用: 1; 作者吴飞孙现魁王鹏程《华南理工大学学报(自然科学版)》北大核心 2025年第6期66-76,共11页; 为提高驾驶性评价方法的准确性与可靠性,提出一种融合极限梯度提升算法、麻雀搜索算法与沙普利解释算法的主客观综合评价方法。该研究以车辆起步工况为目标,定义车辆起步工况下的9项客观评价指标,完善驾驶性起步工况的评价体系;提出以... 展开更多; 关键词驾驶性起步工况评价方法极限梯度提升算法沙普利解释算法; 在线阅读下载PDF 职称材料

光伏阵列故障诊断的可解释性智能集成方法被引量：1: 2; 作者陈泽刘文泽 +2 位作者王康德余涛黄展鸿《电力自动化设备》 EI CSCD 北大核心 2024年第6期18-25,共8页; 针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法。对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与... 展开更多; 关键词光伏阵列故障诊断 Stacking集成可解释性智能方法沙普利可加性特征解释方法; 在线阅读下载PDF 职称材料

XGBoost-SHAP机器学习可解释框架用于轻度认知障碍分类研究: 3; 作者易付良陈杜荣 +7 位作者杨慧秦瑶韩红娟崔靖白文琳马艺菲张荣余红梅《中国卫生统计》 CSCD 北大核心 2024年第3期423-429,共7页; 目的利用机器学习算法对轻度认知障碍(mild cognitive impairment,MCI)亚型分类有利于患者的个性化治疗,而复杂模型常因分类过程的内部机制不可洞察而饱受诟病,本研究借助可解释技术梳理模型的输出结果,以期为相关领域研究者的决策提供... 展开更多; 关键词机器学习可解释性极限梯度提升-沙普利可加性轻度认知障碍分类; 在线阅读下载PDF 职称材料

基于深度神经网络的布鲁氏菌病风险预测模型的构建和验证: 4; 作者刘思远宋彪 +5 位作者刘桂枝王君薛兰苏杰王宏利沈欣《中山大学学报(医学科学版)》北大核心 2025年第4期700-707,共8页; 【目的】采用深度神经网络算法构建布鲁氏菌病预测模型,提升布鲁氏菌病的早期发现效能。【方法】纳入2023年呼市职业病防治院收治的202例布鲁氏菌病患者与319例非布鲁氏菌病患者的临床资料,从中提取性别、年龄、血常规指标及临床诊断等... 展开更多; 关键词布鲁氏菌病深度神经网络血常规指标沙普利可加性解释方法风险预测模型; 在线阅读下载PDF 职称材料

题名驾驶性主客观综合评价方法在起步工况下的应用: 1; 作者吴飞孙现魁王鹏程; 机构武汉理工大学机电工程学院; 出处《华南理工大学学报(自然科学版)》北大核心 2025年第6期66-76,共11页; 基金国家自然科学基金项目(52275505)。; 文摘为提高驾驶性评价方法的准确性与可靠性,提出一种融合极限梯度提升算法、麻雀搜索算法与沙普利解释算法的主客观综合评价方法。该研究以车辆起步工况为目标,定义车辆起步工况下的9项客观评价指标,完善驾驶性起步工况的评价体系;提出以极限梯度提升算法双向映射客观评价指标值与主观评分,为避免驾驶性评价模型陷入局部最优解,采用麻雀搜索算法对极限梯度提升算法的核心超参数进行快速寻优,使得驾驶性评价模型在数据集扩充后具有自主迭代能力;最后利用沙普利解释算法对映射模型进行特征归因,量化客观评价指标对驾驶性评价的影响权重,构建兼具预测准确性、稳定性与可解释性的驾驶性综合评价模型。应用该方法,结合国内外主流驾驶性综合评价进行多次道路试验,对比分析结果表明:所提出的驾驶性评价模型的平均绝对误差、均方根误差和决定系数均优于BP神经网络、随机森林与极限学习机等主流驾驶性评价算法,映射准确性相较于其他方法明显提升,且该驾驶性综合评价方法具有一定的可解释性,对驾驶性评价中的主客观综合评价具有参考意义。; 关键词驾驶性起步工况评价方法极限梯度提升算法沙普利解释算法; Keywords drivability starting condition evaluation method limit gradient lifting algorithm Shapley additive explanations; 分类号 U461 [机械工程—车辆工程]; 在线阅读下载PDF 职称材料

题名光伏阵列故障诊断的可解释性智能集成方法被引量：1: 2; 作者陈泽刘文泽王康德余涛黄展鸿; 机构华南理工大学电力学院广东省电网智能量测与先进计量企业重点实验室; 出处《电力自动化设备》 EI CSCD 北大核心 2024年第6期18-25,共8页; 基金国家自然科学基金委员会⁃国家电网公司智能电网联合基金资助项目(U2066212)。; 文摘针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法。对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与元学习器,构建结合不同智能算法优势且更具泛化性的Stacking集成学习模型;以沙普利可加性特征解释方法为总框架,并结合局部近似可解释性方法,对模型训练过程与结果进行解释分析,通过获取各特征的贡献、分析该集成模型的决策机制,并了解其如何进行诊断,提高其可靠度和可信度。算例实验结果表明,所提可解释性智能集成方法在不同规模数据集的测试中均实现了高精度的故障诊断,模型的可解释性结果表明由该智能集成模型建立的故障特征和诊断结果的映射遵循物理见解,增强了智能方法的可信度和透明性。; 关键词光伏阵列故障诊断 Stacking集成可解释性智能方法沙普利可加性特征解释方法; Keywords photovoltaic array fault diagnosis Stacking ensemble interpretable intelligent method Shapley addi⁃tive explanation method; 分类号 TM615 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名XGBoost-SHAP机器学习可解释框架用于轻度认知障碍分类研究: 3; 作者易付良陈杜荣杨慧秦瑶韩红娟崔靖白文琳马艺菲张荣余红梅; 机构山西医科大学公共卫生学院卫生统计教研室重大疾病风险评估山西省重点实验室; 出处《中国卫生统计》 CSCD 北大核心 2024年第3期423-429,共7页; 基金国家自然科学基金资助项目(81973154,82273742) 山西省应用基础研究计划青年科学研究项目(202103021223242) 山西省研究生创新项目(2022Y367)。; 文摘目的利用机器学习算法对轻度认知障碍(mild cognitive impairment,MCI)亚型分类有利于患者的个性化治疗,而复杂模型常因分类过程的内部机制不可洞察而饱受诟病,本研究借助可解释技术梳理模型的输出结果,以期为相关领域研究者的决策提供统计支持。方法本研究联合极限梯度提升(eXtreme Gradient Boosting,XGBoost)与沙普利可加性(SHapley Additive exPlanations,SHAP)构建可解释性框架,用于遗忘型MCI(amnestic MCI,aMCI)和非遗忘型MCI(non-amnestic naMCI)的分类,并根据联合框架输出结果进行解读。结果联合框架输出aMCI和naMCI的最佳分界值为0.51,XGBoost分类准确率、灵敏度、特异度、F1值、AUC分别为92.81%、94.94%、90.54%、0.93、0.96。SHAP个性化预测结果,7号和31号示例个体被预测为aMCI的概率分别为0.27和0.91;全局性解释结果,不同个体随着CEREALL、ORIENT、CDRSUM、LCMF、RSUPMAR、RMEDORBF、LPOSCENM等指标的shapley值增大,患aMCI的风险越大,上述指标可以解释为aMCI发生的危险因素,而RENT、MMSEORDA、CRAFTVRS等则相反,可以解释为aMCI发生的保护因素。结论XGBoost-SHAP联合框架用于MCI亚型分类效果较为理想,实现了特定个体不同特征预测效果的比较、不同个体给定特征预测能力的判断,为相关研究者打开了洞察复杂模型内在机制的大门。; 关键词机器学习可解释性极限梯度提升-沙普利可加性轻度认知障碍分类; 分类号 R195 [医药卫生—卫生统计学]; 在线阅读下载PDF 职称材料

题名基于深度神经网络的布鲁氏菌病风险预测模型的构建和验证: 4; 作者刘思远宋彪刘桂枝王君薛兰苏杰王宏利沈欣; 机构呼和浩特市职业病防治院内蒙古卫数数据科技有限公司内蒙古医科大学; 出处《中山大学学报(医学科学版)》北大核心 2025年第4期700-707,共8页; 基金呼和浩特市卫生健康领域科研项目(呼卫健医疗—2023037)。; 文摘【目的】采用深度神经网络算法构建布鲁氏菌病预测模型,提升布鲁氏菌病的早期发现效能。【方法】纳入2023年呼市职业病防治院收治的202例布鲁氏菌病患者与319例非布鲁氏菌病患者的临床资料,从中提取性别、年龄、血常规指标及临床诊断等数据进行分析。通过深度神经网络算法构建布鲁氏菌病预测模型,并通过十折交叉验证进行模型优化。模型性能评估指标包括灵敏度、假阴性率、特异度、假阳性率、准确率、阳性预测值、阴性预测值、F1分数、受试者工作特征曲线下面积(AUC)。经评估筛选出的最优模型,借助沙普利可加性解释(SHAP)方法进行解释,明确模型的决策逻辑与各特征的影响机制。【结果】数据可视化分析显示,布病组与非布病组数据差异不明显。经十折交叉验证筛选出最优模型展现出良好性能,灵敏度为85.3%、特异度为92.1%、准确率为89.5%、AUC为96.6%,95%CI(0.937,0.977)。SHAP方法解释模型发现年龄、血小板计数、血小板平均体积、嗜碱性粒细胞比例、红细胞分布宽度和绝对嗜碱细胞数,对布病发生具有显著影响。【结论】本研究构建的深度神经网络预测模型性能良好,能为布病早期诊断与防控提供可靠支持。同时,明确布病相关显著影响特征有助于进一步认识疾病发病机制,该模型未来有望在临床广泛推广。; 关键词布鲁氏菌病深度神经网络血常规指标沙普利可加性解释方法风险预测模型; Keywords Brucellosis deep neural network blood routine indices Shapley Additive exPlanations(SHAP) risk prediction model; 分类号 TP391 [自动化与计算机技术—计算机应用技术] R18 [医药卫生—流行病学]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	驾驶性主客观综合评价方法在起步工况下的应用	吴飞孙现魁王鹏程	《华南理工大学学报(自然科学版)》北大核心	2025	0	在线阅读下载PDF 职称材料
2	光伏阵列故障诊断的可解释性智能集成方法	陈泽刘文泽王康德余涛黄展鸿	《电力自动化设备》 EI CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
3	XGBoost-SHAP机器学习可解释框架用于轻度认知障碍分类研究	易付良陈杜荣杨慧秦瑶韩红娟崔靖白文琳马艺菲张荣余红梅	《中国卫生统计》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
4	基于深度神经网络的布鲁氏菌病风险预测模型的构建和验证	刘思远宋彪刘桂枝王君薛兰苏杰王宏利沈欣	《中山大学学报(医学科学版)》北大核心	2025	0	在线阅读下载PDF 职称材料