为了量化站域建成环境与地铁客流量的复杂关联效应,运用公共交通刷卡、手机信令、POI(point of interest)等多源大数据,采用可解释机器学习方法(融合随机森林和SHAP(Shapley additive explanations)模型),对站域建成环境变量与成都地铁...为了量化站域建成环境与地铁客流量的复杂关联效应,运用公共交通刷卡、手机信令、POI(point of interest)等多源大数据,采用可解释机器学习方法(融合随机森林和SHAP(Shapley additive explanations)模型),对站域建成环境变量与成都地铁客流量之间的非线性关系以及变量之间的协同效应进行实证研究。研究结果表明:对地铁客流量影响最大的3个建成环境变量是容积率、就业密度和道路密度。SHAP模型分析进一步揭示了站域建成环境对地铁客流量的阈值效应以及建成环境变量之间的协同效应。上述发现为以公共交通为导向的城市发展(transitoriented development,TOD)规划和实践提供了理论支持和政策启示。展开更多
实际化工工业过程数据往往存在多重共线性、高度非线性等多重特性,这会严重影响传统软测量模型对关键质量变量的预测精度。针对这一局限性,提出了一种分布式非线性映射和并行输入的双向长短记忆(distributed nonlinear mapping and para...实际化工工业过程数据往往存在多重共线性、高度非线性等多重特性,这会严重影响传统软测量模型对关键质量变量的预测精度。针对这一局限性,提出了一种分布式非线性映射和并行输入的双向长短记忆(distributed nonlinear mapping and parallel input bidirectional long short-term memory,DNMPI-BiLSTM)软测量模型。在所提策略中,首先为了阐述过程变量与质量变量之间的关联性,采用互信息以及最大相关最小冗余方法对输入数据集进行分类。随后,为了充分挖掘工业过程内部所包含的高度复杂的非线性关系,利用深度极限学习机的隐藏层对子过程变量空间进行非线性映射到高维空间。最后,将三类数据的非线性映射结果并行,建立了基于分布式非线性映射和并行输入的DNMPI-BiLSTM软测量模型,以提升模型对复杂工业过程质量变量的预测能力。通过三个工业案例验证所提方法的有效性,仿真结果表明,所提出的基于分布式非线性映射和并行输入的BiLSTM软测量建模方法的预测精度优于其他先进模型。展开更多
球差校正扫描透射电子显微镜(scanning transmission electron microscope,STEM)是一种重要的微观结构表征手段。然而,由于电子束和样品漂移等问题,极大影响了STEM图像的质量和后续分析。针对上述问题,本文引入机器学习,改进了原子识别...球差校正扫描透射电子显微镜(scanning transmission electron microscope,STEM)是一种重要的微观结构表征手段。然而,由于电子束和样品漂移等问题,极大影响了STEM图像的质量和后续分析。针对上述问题,本文引入机器学习,改进了原子识别的方法,并在此基础上进行了元素分类;另外,针对单张STEM图像,在原子识别的基础上,提出了快速非线性漂移校正的方法,解决了以往漂移校正方法依赖较多数据的问题,此方法适用于辐照敏感材料的漂移校正,显著提高了STEM图像的解析效率。展开更多
文摘实际化工工业过程数据往往存在多重共线性、高度非线性等多重特性,这会严重影响传统软测量模型对关键质量变量的预测精度。针对这一局限性,提出了一种分布式非线性映射和并行输入的双向长短记忆(distributed nonlinear mapping and parallel input bidirectional long short-term memory,DNMPI-BiLSTM)软测量模型。在所提策略中,首先为了阐述过程变量与质量变量之间的关联性,采用互信息以及最大相关最小冗余方法对输入数据集进行分类。随后,为了充分挖掘工业过程内部所包含的高度复杂的非线性关系,利用深度极限学习机的隐藏层对子过程变量空间进行非线性映射到高维空间。最后,将三类数据的非线性映射结果并行,建立了基于分布式非线性映射和并行输入的DNMPI-BiLSTM软测量模型,以提升模型对复杂工业过程质量变量的预测能力。通过三个工业案例验证所提方法的有效性,仿真结果表明,所提出的基于分布式非线性映射和并行输入的BiLSTM软测量建模方法的预测精度优于其他先进模型。
文摘球差校正扫描透射电子显微镜(scanning transmission electron microscope,STEM)是一种重要的微观结构表征手段。然而,由于电子束和样品漂移等问题,极大影响了STEM图像的质量和后续分析。针对上述问题,本文引入机器学习,改进了原子识别的方法,并在此基础上进行了元素分类;另外,针对单张STEM图像,在原子识别的基础上,提出了快速非线性漂移校正的方法,解决了以往漂移校正方法依赖较多数据的问题,此方法适用于辐照敏感材料的漂移校正,显著提高了STEM图像的解析效率。
