针对大规模电动汽车(EV)随机接入电网时,电动汽车无序充电将会导致电网用电量增加,负荷峰谷差值变大,如何有效降低电动汽车带来的用电负荷风险是未来关注的重点。文中提出了基于车网互动(vehicle to grid,V2G)的电动汽车充放电双层优化...针对大规模电动汽车(EV)随机接入电网时,电动汽车无序充电将会导致电网用电量增加,负荷峰谷差值变大,如何有效降低电动汽车带来的用电负荷风险是未来关注的重点。文中提出了基于车网互动(vehicle to grid,V2G)的电动汽车充放电双层优化调度策略。其中,上层模型以电网总负荷方差最小和代理商调度计划偏差最小为目标函数;下层模型以用户参与调度意愿和调度能力为基础,在代理商配合调度中心计划的前提下,注重提高用户参与度和用户收益最大化。采用多种群遗传算法对模型进行分析,结果表明,所建模型不仅能够很好的平抑电网负荷波动,有效降低负荷峰谷差,并使参与V2G服务的用户经济收益最大化。展开更多
基于门诊病历临床表现的疾病预测模型是临床决策支持系统(Clinical Decision Support System,CDSS)的一个重要研究内容.主流疾病预测模型将门诊病历转化为医学特征集合,将诊断结果作为输出标签,在此基础上利用机器学习算法训练疾病预测...基于门诊病历临床表现的疾病预测模型是临床决策支持系统(Clinical Decision Support System,CDSS)的一个重要研究内容.主流疾病预测模型将门诊病历转化为医学特征集合,将诊断结果作为输出标签,在此基础上利用机器学习算法训练疾病预测模型.不同疾病发病率的差异性导致医学样本具有不均衡、小样本特点,难以训练高效、准确的疾病预测模型.采样技术是目前解决样本不均衡问题的常用手段,其主要采用一定的策略生成均衡训练集,在均衡训练集上训练疾病预测模型,但是采样技术独立训练不同疾病的预测模型,没有考虑不同疾病模型之间的知识迁移性,限制了模型效果.迁移学习可以实现相似任务之间的知识迁移,如果将迁移学习运用到疾病预测模型训练过程中,在已有疾病诊断模型的基础上,训练新型疾病预测模型.受此启发,本文提出了基于动态采样和迁移学习的疾病预测模型,首先在多数类疾病上训练疾病预测模型,然后在此基础上训练少数类疾病预测模型,以实现不同疾病预测模型间的知识迁移.特别地,针对主流模型将疾病门诊病历转化为特征集合丢失文本信息的问题,本文提出了一种基于卷积神经网络的疾病预测模型,利用卷积神经网络提取语义信息;针对疾病模型知识迁移问题和小样本疾病训练问题,本文引入动态采样技术以构造均衡数据集,利用模型在不同样本上的预测结果来动态更新样本采样概率,目的是确保模型可以更多地关注错误分类样本和分类置信度不高的样本,从而提高预测模型的效果.本文在收集的门诊病历上进行了实验评估,实验结果表明,相对于目前主流疾病预测模型,本文提出的基于动态采样和迁移学习的疾病预测模型在准确率、召回率和F 1值上取得了重要的提升,尤其是召回率的提升具有十分重要的意义.展开更多
以黄土丘陵沟壑区的梯田化模范县——庄浪县堡子沟流域的3种种植类型(玉米、苹果、苹果与土豆间作)梯田的土壤真菌为对象,运用Illumina Hi Seq高通量测序技术对表层土壤(0~20cm)中真菌r RNA基因的ITS1可变区进行研究,分析了土壤真菌的...以黄土丘陵沟壑区的梯田化模范县——庄浪县堡子沟流域的3种种植类型(玉米、苹果、苹果与土豆间作)梯田的土壤真菌为对象,运用Illumina Hi Seq高通量测序技术对表层土壤(0~20cm)中真菌r RNA基因的ITS1可变区进行研究,分析了土壤真菌的多样性、群落组成和相对丰度,同时结合土壤基本理化性质探讨了不同种植类型下影响真菌群落组成的因素.结果表明:(1)3种种植类型土壤真菌OTU数在688~862间变化,分属于13个门,87个纲,164个目,Chao1、ACE、Shannon、Simpson指数表现为间作地和苹果地大于玉米地;(2)土壤优势真菌为子囊菌门(Ascomycota)、担子菌门(Basidiomycota)、接合菌门(Zygomycota),子囊菌门的相对丰度在间作地最高,主要受土壤全氮和速效钾的影响,而接合菌门的相对丰度在苹果地最高,受土壤容重的影响较大,有机碳含量对担子菌门的影响较大;(3)不同种植类型梯田之间土壤真菌群落物种多样性相似,但真菌门、纲、种的相对丰度不同,种植类型间因有机肥的施用不同而通过土壤理化性质的变化影响土壤真菌的群落组成,有机肥的施用可提高当地梯田的土壤肥力.展开更多
文摘针对大规模电动汽车(EV)随机接入电网时,电动汽车无序充电将会导致电网用电量增加,负荷峰谷差值变大,如何有效降低电动汽车带来的用电负荷风险是未来关注的重点。文中提出了基于车网互动(vehicle to grid,V2G)的电动汽车充放电双层优化调度策略。其中,上层模型以电网总负荷方差最小和代理商调度计划偏差最小为目标函数;下层模型以用户参与调度意愿和调度能力为基础,在代理商配合调度中心计划的前提下,注重提高用户参与度和用户收益最大化。采用多种群遗传算法对模型进行分析,结果表明,所建模型不仅能够很好的平抑电网负荷波动,有效降低负荷峰谷差,并使参与V2G服务的用户经济收益最大化。
文摘基于门诊病历临床表现的疾病预测模型是临床决策支持系统(Clinical Decision Support System,CDSS)的一个重要研究内容.主流疾病预测模型将门诊病历转化为医学特征集合,将诊断结果作为输出标签,在此基础上利用机器学习算法训练疾病预测模型.不同疾病发病率的差异性导致医学样本具有不均衡、小样本特点,难以训练高效、准确的疾病预测模型.采样技术是目前解决样本不均衡问题的常用手段,其主要采用一定的策略生成均衡训练集,在均衡训练集上训练疾病预测模型,但是采样技术独立训练不同疾病的预测模型,没有考虑不同疾病模型之间的知识迁移性,限制了模型效果.迁移学习可以实现相似任务之间的知识迁移,如果将迁移学习运用到疾病预测模型训练过程中,在已有疾病诊断模型的基础上,训练新型疾病预测模型.受此启发,本文提出了基于动态采样和迁移学习的疾病预测模型,首先在多数类疾病上训练疾病预测模型,然后在此基础上训练少数类疾病预测模型,以实现不同疾病预测模型间的知识迁移.特别地,针对主流模型将疾病门诊病历转化为特征集合丢失文本信息的问题,本文提出了一种基于卷积神经网络的疾病预测模型,利用卷积神经网络提取语义信息;针对疾病模型知识迁移问题和小样本疾病训练问题,本文引入动态采样技术以构造均衡数据集,利用模型在不同样本上的预测结果来动态更新样本采样概率,目的是确保模型可以更多地关注错误分类样本和分类置信度不高的样本,从而提高预测模型的效果.本文在收集的门诊病历上进行了实验评估,实验结果表明,相对于目前主流疾病预测模型,本文提出的基于动态采样和迁移学习的疾病预测模型在准确率、召回率和F 1值上取得了重要的提升,尤其是召回率的提升具有十分重要的意义.
文摘以黄土丘陵沟壑区的梯田化模范县——庄浪县堡子沟流域的3种种植类型(玉米、苹果、苹果与土豆间作)梯田的土壤真菌为对象,运用Illumina Hi Seq高通量测序技术对表层土壤(0~20cm)中真菌r RNA基因的ITS1可变区进行研究,分析了土壤真菌的多样性、群落组成和相对丰度,同时结合土壤基本理化性质探讨了不同种植类型下影响真菌群落组成的因素.结果表明:(1)3种种植类型土壤真菌OTU数在688~862间变化,分属于13个门,87个纲,164个目,Chao1、ACE、Shannon、Simpson指数表现为间作地和苹果地大于玉米地;(2)土壤优势真菌为子囊菌门(Ascomycota)、担子菌门(Basidiomycota)、接合菌门(Zygomycota),子囊菌门的相对丰度在间作地最高,主要受土壤全氮和速效钾的影响,而接合菌门的相对丰度在苹果地最高,受土壤容重的影响较大,有机碳含量对担子菌门的影响较大;(3)不同种植类型梯田之间土壤真菌群落物种多样性相似,但真菌门、纲、种的相对丰度不同,种植类型间因有机肥的施用不同而通过土壤理化性质的变化影响土壤真菌的群落组成,有机肥的施用可提高当地梯田的土壤肥力.
