关键词： 旋转机械   故障诊断   机器学习   数字特征   图像特征  

摘要： 机器学习理论的不断应用，推动了故障诊断深入发展。基于机器学习的旋转机械故障诊断算法种类繁多，输入特征形式多样，为深入理解各种特征形式的作用效果，结合该领域的研究现状，对机器学习算法的输入特征形式现有研究进行综述。将其分为数字特征形式和图像特征形式两大类别，分别论述了统计特征、信息熵、时频图特征参数和灰度图、格拉姆角场图像、谱峭度图、小波系数矩阵、时频图特征形式的基本生成原理、应用现状以及优缺点，最后对基于机器学习的旋转机械故障诊断所面临的挑战和发展前景进行了总结与展望。

关键词： 人工智能   自然语言处理   司法领域关系抽取   深度学习   信息增强  

摘要： 中文司法领域的实体关系抽取技术在提高办案效率方面具有重要作用，但现有模型缺乏领域知识且难以处理重叠实体，造成难以准确区分和提取实体关系等困难．通过引入领域知识，提出一种法律信息增强模块，增强了文中提出法律潜在关系与全局对应（legalpotentialrelationshipandglobal correspondence, LPRGC）模型理解法律文本中的术语、规则和上下文信息的能力，从而提高了实体和关系的识别准确性，进而提升了实体关系抽取算法的性能．为解决重叠实体问题，设计了一种基于潜在关系和实体对齐的关系抽取方法．通过精确标注实体位置，筛选潜在关系，并利用全局矩阵对齐实体，解决重叠实体的关系抽取问题，能够更准确地捕捉到重叠实体之间的关系，并有效地将其映射到正确的实体对上，从而提高抽取结果的准确性．在中国法律智能技术评测数据集上进行实体关系抽取实验，结果表明，LPRGC模型的准确率、召回率和F1值分别为85.21%、81.19%和83.15%，均优于对比模型，特别是在处理实体重叠问题时，LPRGC模型在单实体重叠类型的抽取中，F1值达到了81.45%，比CasRel模型提升了1.71%；在多实体重叠类型的抽取中，F1值达80.67%，比CasRel模型提升了2.16%.LPRGC模型在实体和关系抽取的准确性上较现有方法有明显改进，证明其有效提升了模型性能，并在处理复杂法律文本中的实体重叠问题上取得了显著效果．

关键词： 人工智能   传播格局   降本增效   公信力   人机协作  

摘要： 人工智能逐渐普及为新闻业的发展提供了诸多便利,为新闻传播的提质升级带来了更多的机遇,但也在应用中出现了一些问题.文章列举人工智能的优势与不足,辅以实例分析,旨在说明在高信息化时代,新闻人如何转变观念、提升能力,力求人机协作的精深高效.

关键词： RDX-CMDB推进剂   摩擦感度   撞击感度   机器学习   数据增强  

摘要： 为了满足对于固体推进剂安全性能预测的迫切需求，本研究提出了一种基于机器学习的推进剂安全性能预测方法 .针对现有推进剂的安全性能数据量不足的问题，本研究引入主动学习混合插值（AL-Mixup）方法对数据进行了增强.综合考虑推进剂原料的组分种类、含量和颗粒粒度对安全性能的影响，本研究构建了含RDX改性双基（RDX-CMDB）推进剂的摩擦感度与撞击感度预测模型.以28组实验测定获得的RDX-CMDB样本为初始数据集，本研究获得了不同数量的增强样本.经Z-score特征标准化处理后，本研究用10种不同的机器学习算法构建了多种预测模型.以R2、RMSE和MAE作为评价指标，本研究利用十折交叉验证法对比分析了不同数量增强样本及不同机器学习算法的组合的预测能力，最终得到两个性能优异的预测模型，一个是基于支持向量回归算法的摩擦感度预测模型（R2=0.7950），另一个是基于人工神经网络算法的撞击感度预测模型（R2=0.8932）.对外部样本的测试结果显示，两个模型的预测精度均超过88%，同样令人满意.本研究首次实现了RDX-CMDB推进剂安全性能的快速预测，可望为此类推进剂的安全使用和配方优化提供理论依据.

关键词： 隧道变形   预测   机器学习   支持向量机   优化算法  

摘要： 本文深入探讨了围岩大变形等级预测问题，特别是利用支持向量机（SVM，support vector machine）及其优化算法在大变形等级预测中的应用。通过收集以往大变形案例，选取合理的预测指标，采用不同的SVM优化算法及大变形分级方案，研究了不同优化算法在隧道（洞）大变形等级预测中的性能。研究发现，SVM以其强大的泛化能力和非线性建模能力，在解决隧道（洞）大变形等级预测问题上具有显著优势。通过14种优化算法可以进一步提升SVM的预测精度，大部分测试准确度能达到90%以上，不同分级方案下的预测性能也表现出一定的差异性，结果表明PIO＿SVM、SCSO＿SVM、SOA＿SVM及SSA＿SVM对五种大变形分级方案下的变形等级预测性能表现最好。此外，预测模型的事后解释分析采用SHAP法以提高模型的可解释性和可信度。

关键词： 甲状腺乳头状癌   甲状腺被膜外侵犯   超声检查   人工智能  

摘要： 近年来甲状腺癌的患病人数逐年增多,其中84%为甲状腺乳头状癌(papillary thyroid carcinoma,PTC),通常PTC预后良好,甲状腺癌被膜外侵犯(extrathyroidal extension,ETE)是PTC具有侵袭性的特征表现,常提示预后不良。目前,术前评估PTC是否存在被膜外侵犯主要依靠影像学检查,超声检查应用最广泛,但在评估ETE方面缺乏统一的诊断标准和预测指标,诊断效能较低;CT、MRI存在微小被膜外侵犯方面显示欠佳等不足。随着人工智能(artificial intelligence,AI)在医学影像领域的快速发展,影像学检查结合AI逐步应用于疾病的定位、诊断及预后监测等方面,对甲状腺乳头状癌ETE的诊断提供了有效辅助,该文旨在对影像检查及AI在甲状腺乳头状癌ETE诊断中的研究进展进行综述。

关键词： 胰腺肿瘤   人工智能   机器学习   深度学习   医学图像   早期诊断   手术   预后  

摘要： 胰腺癌恶性程度高、生存率低，早期诊断、早期治疗及早期复发干预是改善其总体预后的关键。随着人工智能的飞速发展，将其运用于胰腺癌的全程化管理、实现胰腺癌的精准医疗是大势所趋。人工智能通过与临床数据、医学图像以及分子生物学结合，在胰腺癌的全程化管理中展现出广阔的应用前景。笔者就人工智能在胰腺癌诊断与治疗中的应用现状和问题进行简要综述，并讨论其未来的发展方向。

关键词： 卫星导航接收机   非线性失真   行为模型   机器学习  

摘要： 卫星导航接收机射频(radio frequency, RF)前端的非线性效应威胁导航设备的正常工作，是卫星导航接收机抗干扰性能进一步提升的瓶颈。建立设备非线性效应的行为模型是解决非线性问题的重要方法。随着卫星导航接收机种类多样化、干扰环境复杂化，已有的非线性模型显现出了对卫星导航接收机针对性研究不足、干扰环境下可靠性不足、建模方法不适配的问题。因此，综述了主流的非线性效应行为级建模方法，评述了各建模方法的优点与不足，介绍了机器学习技术在非线性行为级建模的应用。最后，根据对已有建模技术特点的总结与面临的问题，对未来卫星导航接收机非线性建模技术的发展做出了展望。

关键词： 激光雷达   集成学习   机器学习   平均树高   算数平均胸径   公顷蓄积量   公顷胸高断面积  

摘要： 思茅松是我国亚热带西南部山地的重要代表树种,其林分结构参数的精准定量评估对于深入理解我国西南山区的森林演替、物质循环和生物多样性具有重要意义。利用15块样方调查数据验证背包激光雷达（BLS）数据提取单木参数的准确性,并将基于270块BLS数据单木分割后计算得到的林分结构参数与无人机激光雷达（ULS）数据特征参数结合,通过集成随机森林（RF）、极限梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）等3个基础模型的预测结果构建集成学习估测模型。旨在提高遥感数据估测森林结构参数的精度和稳定性,为林场精准监测和精细化经营管理提供基础数据。结果表明:1)BLS数据提取单木参数时,实测胸径与提取胸径的决定系数（R2）为0.975 9,均方根误差（RMSE）为0.810 7 cm,实测树高与提取树高的R2为0.860 2,RMSE为1.337 2 m;2)基于加权平均、投票和堆叠集成学习算法构建的模型相比基础模型,估测精度均有所提升,其中加权平均法的拟合效果最佳,平均树高最优估测模型R2为0.950 1,RMSE为0.675 5 m,平均绝对误差（MAE）为0.433 8 m;算数平均胸径最优估测模型R2为0.835 2,RMSE为0.982 8 cm,MAE为0.665 3 cm;公顷蓄积量最优估测模型R2为0.932 4,RMSE为13.777 4 m3/hm2,MAE为8.853 3 m3/hm2;公顷胸高断面积最优估测模型R2为0.870 0,RMSE为2.456 m2/hm2,MAE为1.358 2 m2/hm2;3)通过加权平均集成学习算法对研究区的林分结构参数进行反演与预测,平均树高在11.0～18.3 m;算数平均胸径在13.0～18.2 cm;公顷蓄积量在116.7～208.7 m3/hm2;公顷胸高断面积在28.0～45.4 m2/hm2。

关键词： 人工智能   医学数据   伦理安全  

摘要： 随着人工智能技术的飞速发展，其在医学领域的应用带来了显著的伦理挑战。因而，建立规范、透明、安全的医学数据处理环境，确立医学人工智能的伦理学底线，保障患者权益和数据安全就显得尤为重要。本共识规范了利用人工智能技术进行医学数据处理的各个环节，包括数据的采集、加工、存储、传输、使用和共享，确保医学数据处理符合伦理原则和法律法规，保障患者隐私和数据安全。同时，还强调了合法合规原则、尊重患者隐私原则、保护患者利益原则以及安全可靠原则，并详细讨论了知情同意、数据的使用、知识产权保护、利益冲突和共享等关键性问题。本专家共识的制定，旨在推动人工智能与医学领域的深度融合与持续发展，同时确保在处理医学数据的过程中，人工智能严格遵循相应的伦理规范和法律法规。