关键词： 高寒湿地   涡动协方差   时序异常检测   机器学习   净生态系统CO   交换量(NEE)  

摘要： 针对不同陆地生态系统中净生态系统CO2交换量（Net ecosystem exchange,NEE）数据的长期连续测量中存在的数据差异问题，以中国气象局青海高寒生态气象野外科学试验基地野牛沟试验站为研究对象，利用涡动协方差技术获取高寒湿地生态系统水平上的NEE数据。通过对比机器学习算法和通量数据后处理算法（Reddyproc）两种数据填充方法，提出了一种结合机器学习与时序异常检测（Time series anomaly detection,TAD）的新框架，用于NEE数据的空白填补。研究结果表明：1)Reddyproc算法在剔除异常值后，NEE插补决定系数（R2）达到0.67，数据离散度显著降低，数据质量提升；2)八种机器学习模型中，随机森林（Random Forest,RF）模型表现最优，其决定系数（Coefficient of determination,R2）为0.63，均方根误差（Root mean square error,RMSE）为2.17μmol s-1m-2，且经过时序异常检测后，估算精度提升了17%;3)Reddyproc和RF估算的CO2通量存在季节性差异，冷季（1—3月和10—12月）Reddyproc估算值低于RF，而暖季（4—9月）则高于RF，表明冬季Reddyproc低估了CO2释放，夏季则低估了CO2吸收。该新框架有效解决了数据采集不确定性和缺失导致的二氧化碳通量计算准确率问题，为研究高寒湿地生态系统的碳固持能力、对气候变化的响应以及极端事件的影响提供了关键数据支持。未来研究应进一步探索新方法的适用性、改进和优化方向，以实现更准确、可靠且适用于不同生态系统的填补模型，为生态系统建模和预测提供强大工具。

关键词： 数据挖掘   稀土磁性材料   机器学习   性能预测  

摘要： 稀土元素的原子结构特殊，具有内层未成对4f轨道电子多、原子磁矩高、自旋轨道耦合作用强的性质，故其电子能级极为丰富，易形成多种价态、多种配位的化合物，通常表现出特殊的磁学性质和丰富的磁畴结构，成为高新技术产业发展的关键材料。这类材料中复杂的磁结构形式、多样的磁耦合类型及多种直接或间接的磁交换作用，为开发新型功能器件提供便利的同时，也对基础研究提出了严峻挑战。随着数据挖掘技术的快速发展，大数据和人工智能的出现给研究人员提供了一个新的选择，可以高效地分析大量实验和计算数据，从而加速稀土磁性材料的研究与开发。本文围绕稀土永磁材料、稀土磁致冷材料、稀土磁致伸缩材料等，详细阐述了数据挖掘技术在其性能预测、成分与工艺优化、微观结构分析等方面的应用进展，深入探讨了当前面临的挑战，并对未来发展趋势进行展望，为推动数据挖掘技术与稀土磁性材料研究的深度融合提供理论基础。

关键词： 固体智能充填   XGBoost-Bayes-PSO   充实率   智能预测   特征工程   机器学习  

摘要： 固体充填采煤技术可有效控制顶板下沉和解决煤炭资源浪费问题，其充实率是描述充填效果的关键参数。针对当前充填采煤工作面智能化水平低，缺乏对采空区充实率的精准控制方法，固体充填采煤技术作为煤矿绿色开采的重要方向之一，亟需创新理论解决上述问题，提出集成图像识别和机器学习可视化预测矸石体积，进而精准控制充实率的方法。该方法以固体充填采煤工作面为背景，搭建矸石图像数据采集和矸石掉落模拟实验平台，将矸石静态图像训练特征迁移至矸石掉落瞬态图像的特征初始化过程，并对低照度、高粉尘图像进行图像增强；利用图像识别提取矸石轮廓和特征信息，并基于SHAP值对体积影响因素进行重要性分析，筛选出矸石周长、面积、外接矩形面积、外接圆面积、外接矩形宽度和圆形度等6个关键特征；选取极致梯度提升(XGBoost)算法构建矸石体积与其特征之间的映射关系，并联合使用贝叶斯算法(Bayes)和粒子群算法(PSO)寻找模型最优解，构建XGBoost-Bayes-PSO矸石体积可视化预测模型，其决定系数为0.87613，均方根误差和平均绝对误差分别为0.02985和0.02128，相较于其他模型具有更优的预测性能。为分析矸石粒径对充填效果的影响，本文比较不同粒径下矸石图像预测准确率，并建立FLAC-PFC耦合计算模型，探究不同矸石粒径对覆岩运移的规律。结果表明：矸石预测准确率随粒径的增加逐渐增大，最高提升幅度达12.7%；随着矸石粒径的增大，充填采场支承应力峰值逐渐增大，充实率逐渐降低，综合考虑固体充填开采现场经验，设备关键参数，及矸石粒径与模型预测精度的关系，最终确定在工程设计时选择粒径40mm～55mm的矸石进行充填。进一步，本文通过结合实际充填采煤工作面提出了一套工程设计方法，通过监测系统对采空区矸石充入体积进行实时监测，根据所需充实率来确定矸石的充入体积，以确保充实率达到设计要求。研究成果为提高固体充填采煤工作面智能化、无人化程度提供了理论支撑，推动了智能化绿色矿山的建设进程。

关键词： 僵尸网络   域名生成算法   域名检测   机器学习  

摘要： 僵尸网络通过域名生成算法（Domain Generation Algorithms,DGA）能够动态生成大量难以预测的域名，从而规避传统静态检测机制，提升恶意活动的隐蔽性与持久性。随着DGA技术的不断演进，传统检测方法面临的挑战愈加严峻。如何高效识别与防范此类域名成为网络安全领域的关键问题。本文系统分析当前主流的DGA检测技术，涵盖基于统计特征、机器学习及深度学习的方法，深入探讨其工作原理、适用场景与性能表现，揭示现有研究在误报率、计算复杂度、数据集规模及新型DGA适应性等方面的不足。最后，本文提出深度学习优化与跨域协同检测的创新方向，并结合流量行为分析与生成规律阻断机制，构建多层次、综合性的DGA防御体系，为提升检测技术的有效性、准确性与适应性提供新思路。

关键词： 电弧增材制造   机器学习   过程监测   工艺参数优化  

摘要： 电弧增材制造技术具有成形效率高、成本低等优势，已成为金属增材制造技术不可或缺的一部分。然而，电弧增材制造稳定性较差，成形过程需大量人工干预，存在智能化程度低等难题。基于机器学习的电弧增材制造分析方法，对于促进电弧增材制造技术智能化具有重要意义。本文主要围绕电弧增材制造设计、过程监测、工艺参数与成形零件性能关系三个方面，总结了机器学习在电弧增材制造工艺流程中的应用。通过对该领域文献调研，综述了在上述三个方面的机器学习方法研究及应用进展。在此基础上，指出了该领域面临的挑战与发展前景。

关键词： 人工智能   3D打印   胰腺外科   规培教学  

摘要： 目的 探究人工智能（artificial intelligence，AI）与3D打印技术在胰腺外科规培教学中的协同应用效果。方法 选取华中科技大学同济医学院附属同济医院胰腺外科规培的学员共60名为研究对象，随机分为试验组（n=30）与对照组（n=30）。对照组采用传统教学模式，试验组在传统教学基础上引入AI联合3D打印技术。教学结束后统一组织闭卷理论测试、临床实践技能考核和满意度调查。结果 试验组理论考核平均成绩为（90.17±3.49）分，高于对照组的（87.57±5.60）分，差异具有统计学意义（t=2.16，P＜0.05）；在临床实践技能考核方面，试验组平均成绩为（87.07±4.81）分，高于对照组的（83.27±8.17）分，差异具有统计学意义（t=2.19，P＜0.05）；学员满意度调查显示，试验组满意度为90%，对照组仅为63.3%，差异具有统计学意义(χ2=12.57，P＜0.05)。结论 人工智能联合3D打印技术在胰腺外科规培教学中，相较于传统教学模式，能明显提升学员理论成绩和临床实践能力，学员满意度高。

关键词： 机器学习   电力系统   泛化能力  

摘要： 为保证机器学习模型的泛化性能，统计学习理论通常假设数据独立同分布。然而，由于电力系统的开放性和实际数据的动态演化性，数据分布的偏移难以避免，导致训练良好的模型在应用时效果往往大打折扣。为此，本文重点研究当数据非独立同分布时的机器学习问题，即分布外泛化问题（Out-of-distribution generalization， OODG）。首先，结合电力机器学习特点，建立OODG的分析框架。在此基础上，通过理论分析和案例介绍相结合，探究数据分布偏移的量化方法，OODG能力的提升策略及其评估技术。深化OODG的认识和研究，有利于提升电力机器学习方法的生命力和实用价值。

关键词： 人工智能   人类分析师   投资建议   算法厌恶   投资者判断  

摘要： 随着人工智能技术的广泛应用，证券公司和股票信息平台可以通过多种方式向投资者提供投资建议，主要包括人类分析师提供投资建议、人工智能提供投资建议、人工智能与人类分析师结合形成投资建议三种方式。本文基于心理学中算法偏误、信息来源可信性理论，并结合实验研究方法，分析和检验了提供投资建议的上述三种方式对非职业投资者投资判断的影响。研究发现，与人类分析师提供投资建议相比，在人工智能提供投资建议的情况下，非职业投资者判断的投资吸引力更低；与人工智能提供的投资建议相比，在人工智能与人类分析师结合提供投资建议的情况下，非职业投资者判断的投资吸引力更高；非职业投资者判断的投资吸引力在人类分析师提供的投资建议、人工智能与人类分析师结合提供投资建议的情况下，不存在明显差异。同时，研究还揭示了投资建议的提供方式作用于非职业投资者判断的机制。本文拓展了人工智能对资本市场相关主体的影响的研究，并对了解非职业投资者的相关行为、改进投资建议的提供方式具有重要的意义。

关键词： 机器学习   生物毒素   食品安全   模型优化  

摘要： 随着全球食品安全问题的日益严峻，快速预测食品中的潜在毒素变得至关重要。传统预测方法如化学分析和生物测定法，虽能提供精确结果，但耗时长、成本高且操作复杂，难以满足大规模筛查需求。近年来，机器学习技术凭借其强大的数据处理能力和模式识别优势，在食品生物毒素预测领域展现出广阔应用前景。本文首先论述了生物毒素预测在食品安全领域的重要性。随后详细介绍了机器学习的基础理论与关键算法模型，并重点讨论了其在生物毒素预测中的应用，分析了不同算法和模型的实际效果。针对机器学习在生物毒素预测中存在的问题，探讨了模型优化与改进策略，包括特征选择、超参数调整和集成学习等技术，并指出实际应用中可能面临的挑战，如数据可用性、模型泛化能力以及跨学科合作的复杂性等，同时提出潜在研究方向。展望未来，随着机器学习技术的不断进步及食品生物毒素数据集的逐步扩增，预计其在食品生物毒素预测领域的应用将进一步发展，为环境保护和人类健康提供更有力支持。

关键词： 数字鸿沟   数字不平等   网络平台   人工智能  

摘要： 信息技术与数字媒体普及过程中所引发的社会分化与不平等现象，一直是学界和政府高度关注的重要问题。作为数字鸿沟与不平等研究领域的先驱性学者，简·梵·迪克教授自20世纪90年代以来，围绕数字鸿沟的历史特征与发展趋势、理论模型与实证测量、后果影响与干预措施等问题，开展了一系列卓有成效的学术研究工作。通过评析迪克教授的新书The Digital Divide（《数字鸿沟》），着重梳理其理论体系的建构逻辑与发展脉络，深入探讨网络平台与人工智能等新技术背景下的数字鸿沟与不平等演化特征，并结合中国数字化发展的具体情境，提出了本土化研究的潜在路径，强调要在技术革新与社会变迁之间构建动态平衡。