关键词： 人工智能   劳动投资效率   人力资本水平   管理者非理性决策   外部监督  

摘要： 人工智能是推动经济高质量发展的核心驱动力，人工智能的迅速发展对劳动力市场产生重要影响。以2007—2022年中国沪深A股上市公司为研究样本，从劳动投资效率的视角分析人工智能的经济后果。研究发现，人工智能在企业的应用可以显著提高劳动投资效率，主要表现在抑制冗余雇佣，经过一系列稳健性检验，结果保持不变。从劳动力需求方的视角分析其作用机制，结果表明，通过提升人力资本水平，抑制管理者非理性决策，以及增强外部监督这三条路径，人工智能促进企业劳动投资效率显著提高。从劳动力供给方的视角进行异质性检验，发现企业所在地区劳动力市场供应充足、劳动力错配程度低以及制度环境良好，人工智能对企业劳动投资效率的促进作用更显著。进一步研究表明，人工智能通过优化企业劳动资源配置效率，提高企业核心竞争力，使企业可持续发展能力提升。因此，应大力推动人工智能在企业的应用，引导其与优化企业劳动资源配置协同发展，促进人工智能与实体经济的深度融合，助力企业提高新质生产力。

关键词： 人工智能   异地投资   资本流动   统一大市场  

摘要： 助力全国统一大市场的建设是实现共同富裕和推进新发展格局的内在要求。本文从任务模型和实证检验两方面考察智能化应用对资本流动的影响。研究发现:随着企业人工智能应用水平的提升,企业异地设立子公司的数量显著增加。降低异地投资管理成本、增加高技能雇佣规模、优化企业劳动力技能结构、提高技术与科技人才的配置效率和促进技术知识扩散是人工智能发挥资本流动效应的重要机制。人工智能的异地投资效应在非国有企业、制造业企业和位于劳动力要素市场分割更强和数字基础设施水平更高地区的企业才显著存在。此外,人工智能应用能够突破空间束缚,推动企业前往更远的城市进行投资。同时,人工智能对资本流动的方向存在不对称效应,会导致资本从小城市流向大城市。本文从企业资本流动视角为新时代如何通过智能化转型推动要素流动畅通提供了经验证据与政策启示。

关键词： 激光诱导击穿光谱   机器学习   中值绝对偏差法   土壤重金属污染  

摘要： 鉴于重金属于土壤中长期累积会致使土壤污染加剧、质量衰退，进而衍生出诸多棘手的环境问题，对土壤重金属含量进行持续且精准监测至关重要。通过整合激光诱导击穿光谱(LIBS)技术与智能算法，致力于实现土壤中重金属污染等级的快速精准辨识。首先，运用中值绝对偏差(MAD)法剔除异常光谱，并对光谱数据执行归一化操作，以有效抑制激光能量波动以及环境噪声所引入的干扰，保障数据的可靠性与稳定性。继而引入支持向量机(SVM)、K近邻算法(KNN)、随机森林(RF)与决策树(DT)的智能算法，针对预处理后的光谱数据实施分类识别，为化解因参数择取失当引发的过拟合或欠拟合风险，采用随机搜索策略对各模型予以优化。经综合比对，SVM模型呈现出最优的分类精度，Cr和Cu污染土壤等级识别的准确率分别为99.417%、99.250%。实验表明，SVM和LIBS相结合可以快速判断土壤中重金属污染等级，同时也为环境检测与治理提供了一个新的技术方向。

关键词： 卫星互联网   频谱共享   非正交多址接入   认知无线电   人工智能  

摘要： 卫星互联网的发展对频谱资源的高效利用提出了更高要求，频谱资源的传统固定分配方式难以满足动态环境的需求。因此，文章研究了非正交多址接入（NOMA）、认知无线电(CR)、区块链和人工智能(AI)在频谱共享中的应用，分析了其适用性、优势及局限性。阐述了其在频谱共享中应用的原理，并综述当前研究进展，从适用场景、计算复杂度、频谱利用率、抗干扰能力以及误码率等维度进行对比分析。研究表明，NOMA适用于高用户密度场景但受连续干扰消除算法限制，CR依赖高精度感知技术，区块链提升频谱交易公平性但实时性较差，AI具备动态频谱资源预测但受限于数据质量。最后，文章结合多种技术的优势提出了若干建议，旨在为工程应用提供参考。

关键词： 机器学习   热导率   稀土钽/铌酸盐   材料设计   梯度提升决策树   生成对抗网络  

摘要： 稀土（rare earth， RE）钽/铌酸盐(RETa/NbO4)作为新一代的热障涂层备选材料，因其优异的性能而备受关注。本文基于机器学习法分析RE（Ta/Nb）O4（RE=Sc、Y、Yb、Dy、Gd、Sm、Ho、La、Lu、Tm、Er、Ce、Eu）材料的热导率，并结合贪心算法寻找具有更低热导率的热障涂层材料。利用元素组成、原子特性与参数、晶体结构信息和热力学数据作为特征值，采用梯度提升决策树作为预测模型，对材料进行筛选，并通过实验进行验证。结果表明：(Y2/7Yb5/7)(Ta1/2Nb1/2)O4的实验值与预测模型符合较好，梯度提升决策树作为后续热导率预测的机器学习模型，筛选出了多种低热导率的RE(Ta1/2Nb1/2)O4热障涂层材料。多稀土共掺杂和高熵化RETa/NbO4的热学性能比某些单组分RETa/NbO4更突出，是具有潜力的新型热障涂层材料。

关键词： 岩石分类   中红外光谱   机器学习   支持向量机   BP神经网络  

摘要： 该文对白砂岩、大理岩、泥岩和盐岩进行光谱采集，利用支持向量机法、BP神经网络法、分类回归决策树3种方法进行岩石分类，并通过准确率、召回率和Kappa系数量化比较模型的优劣性，以期获得最佳岩石分类光谱模型。结果表明，决策树模型分类精度最低仅为93.1%；而利用稀疏滤波结合BP神经网络的岩石分类模型效果最佳，分类准确率高达97.1%，Kappa系数为0.958。该研究可通过光谱测量方法快速识别岩石种类，从而为实际工程中不同岩石的灾害预防提供了重要的理论依据和实践应用价值。

关键词： 非小细胞肺癌   机器学习   计算机断层扫描   Ⅰ期   5年复发率  

摘要： 目的 基于术前胸部CT影像组学特征联合临床信息构建机器学习模型，用于预测手术切除的Ⅰ期非小细胞肺癌患者术后5年复发风险。方法回顾性纳入2014年1月至2019年12月陆军特色医学中心经手术病理确诊的Ⅰ期非小细胞肺癌患者217例（入组标准筛选自778例初筛病例），其中术后5年内复发53例，未复发164例。将病例按8:2比例随机分为训练集（173例）和验证集（44例）。以肺癌原发灶主体作为感兴趣区域（ROI）提取影像组学特征，建立影像模型；同时基于患者人口学资料及术前检验等指标建立临床模型。进一步融合两类特征构建融合模型，并通过模型性能比较筛选最优预测模型。结果本研究通过平扫CT影像特征筛选，最终纳入7个影像组学特征用于影像模型构建。在6种机器学习模型中，自适应增强算法（adaptiveboosting， Adaboost）的训练集曲线下面积（AUC）为0.866（95%CI 0.808～0.923），准确度和特异度分别为0.832、0.884；验证集AUC为0.806（95%CI 0.630～0.983），准确度和特异度分别为0.795、0.971，综合比较预测性能最好。基于单因素及多因素Logistic回归分析筛选了4个临床特征参与构建临床模型，在训练集中AUC为0.874（95%CI 0.821～0.928），准确度和特异度分别为0.827、0.891；验证集中AUC为0.813（95%CI 0.677～0.948），准确度和特异度分别为0.636、0.600。进一步通过特征级融合策略整合影像组学与临床特征后，融合模型在训练集AUC达到0.953（95%CI 0.924～0.983），准确度和特异度分别为0.884、0.860；在验证集AUC达到0.852（95%CI 0.729～0.976），准确度和特异度分别为0.682、0.629，预测效能得到进一步提升。结论融合术前CT影像组学特征与临床风险因素构建的联合模型，可为评估Ⅰ期非小细胞肺癌患者术后5年内的复发风险提供依据。

关键词： 种子活力   大豆   近红外   浅色种皮   深色种皮   机器学习  

摘要： 开发大豆种子活力的无损预测技术对于保障大豆种子播种质量和提升大豆产能具有重要现实意义。本研究采集了43个品种大豆种子的近红外光谱，利用多种光谱预处理方法以及多元线性回归、偏最小二乘回归、支持向量机回归、XGBoost和BP神经网络建模方法，分别构建了浅色和深色种皮大豆的发芽率、发芽指数、正常苗率、发芽势和芽长的预测模型。结果表明，深色和浅色种皮大豆分开建模效果较好，对光谱进行预处理并对光谱变量进行选择能提高模型预测能力，基于XGBoost和BP神经网络构建的预测模型表现最佳。浅色种皮大豆发芽率、发芽指数、芽长和正常苗率最优预测模型训练集R2为0.93～0.96，测试集R2均在0.80以上；发芽势最优预测模型训练集和测试集R2达0.91以上。深色种皮大豆正常苗率和发芽率的最优预测模型训练集R2分别为0.96和0.94，测试集R2分别为0.79和0.82，发芽势、发芽指数和芽长的预测模型训练集和测试集R2均在0.90以上。所构建的种子活力模型具有较高的泛化能力和准确性，可用于大豆种子活力的无损预测，从而为提高大豆播种质量和产量提供科学依据。

关键词： 光纤通信   机器学习   光性能监测   弹性光网络  

摘要： 光性能监测是提高光纤通信网络性能的关键技术，随着用户对带宽和服务质量的需求日益增加，将机器学习在识别分类的优点应用于光性能监测，能有效提高光纤通信传输速率和资源利用率。首先，介绍了传统的光性能监测方法；然后，分析了相干检测和直接检测系统的原理和差异；其次，全面回顾并归纳总结了现有基于机器学习的光性能监测的性能、优点及其局限性；最后，展望了机器学习监测技术在目前光网络和未来弹性光网络的发展趋势。

关键词： 学习情感   单模态情感识别   多模态情感识别   学习情感数据库   人工智能  

摘要： 学习情感对学习效果具有重要影响， 积极的学习情感能加速学习进程. 当前， 学习情感识别领域已经涌现出许多优秀的研究成果， 对这些成果进行系统性的总结与剖析， 对于推动该领域研究的深入发展尤为重要. 首先针对学习情感的定义， 从情感分类、产生方式、测量方法和标注方法4个方面进行全面汇总; 然后分析和总结该领域内常用的学习情感数据库和其对应的评估指标; 再深入分析单模态和多模态情感识别方法及优缺点; 进一步， 对学习情感在实际教育场景中的应用现状与成效进行总结; 最后指出当前学习情感识别面临的挑战及未来的发展趋势. 综合分析发现， 学习情感领域应着重建立通用的情感分类标准和共享的学习情感数据库， 且学习情感识别方法在该领域的探索和应用能力仍有待提高.