基于融合GMM与SVM的船载非侵入式负荷识别方法

为保障安全的船载用电环境,实现合理的用电配置与管理,在船载电力布局中引入非侵入式电力负荷监测。提出了一种融合高斯混合模型(GMM)与支持向量机(SVM)的电器类型识别算法。该方法利用暂态事件检测所提取的有效负荷特征,建立具有较好统计分布能力的GMM模型和具有较好泛化能力的SVM模型。对两种算法的概率分布进行融合生成最终识别结果。实验结果表明,相对单独应用SVM模型,本文所用方法在准确率和稳定性方面均有一定程度的提升,且实现复杂度低,具有良好的实用价值。     

基于网络药理学和分子对接研究人参-茯苓治疗COPD的作用机制

目的：基于网络药理学和分子对接探讨人参-茯苓药对治疗慢性阻塞性肺疾病（COPD）的作用机制。方法：通过TCMSP数据库获取人参-茯苓的活性成分及靶点,在GeneCards和OMIM数据库中收集COPD的相关靶点,运用Venny 2.1获取药物-疾病的共同靶点。通过Cytoscape 3.8.2构建药物-活性成分-共同靶点-疾病及核心靶点网络图。使用R软件绘制核心靶点条形图,对共同靶点进行基因本体（GO）功能及京都基因与基因组百科全书（KEGG）通路富集分析,并采用分子对接技术对关键靶点和主要活性成分的结合能力加以验算。结果：共获得37个有效药物成分,137个映射靶点,7389个疾病靶点,61个交集靶点。初步预测人参-茯苓药对治疗COPD主要与苯代南蛇碱（Celabenzine）、阿朴天仙子碱（Aposiopola mine)、灌木远志酮A(Frutinone A)、马卡因(Iner min)等活性成分密切相关;主要包括细胞色素P4503A4酶（CYP3A4）、内皮一氧化氮合成酶（NOS3）、V-rel网状内皮细胞过多症病毒癌基因同源物A（RELA）、信号传导与转录激活因子1（STAT1）等核心靶点;GO功能富集分析提示涉及93个生物过程,KEGG通路富集分析显示涉及29条通路;分子对接结果显示对接构象合理。结论：人参-茯苓药对治疗COPD是通过多成分、多靶点、多途径协同发挥治疗作用。     

基于古今医案云平台探讨治疗AECOPD痰热壅肺证的药物配伍规律研究

目的：基于古今医案云平台挖掘治疗慢性阻塞性肺疾病急性加重期（AECOPD）痰热壅肺证的药物配伍规律及核心处方。方法：计算机检索中国知网（CNKI）、万方数据（WANFANG DATA）、维普中文科技期刊数据库（VIP）中有关中药治疗AECOPD痰热壅肺证的文献,检索年限从建库至2021年10月31日。对检索到的符合纳入、排除标准的文献进行数据提取、处理与规范化后导入古今医案云平台,对导入的中药数据进行频次分析、中药属性归经分析、关联分析及复杂网络分析。结果：共纳入文献101篇,中药140味,总频次1102次,频次≥14次的中药共20味,使用频次最高的中药为黄芩;药性以寒、温、平为主,药味以苦为主,多归于肺经;关联分析得到的强关联药对为苦杏仁-黄芩、桑白皮-黄芩;筛选出的核心药物组合为黄芩、桔梗、茯苓、甘草、桑白皮、苦杏仁、瓜蒌、鱼腥草、浙贝母。结论：治疗AECOPD痰热壅肺证的中药具有寒温并用、升降相因的组方特点。     

阿坝县大骨节病健康寿命损失的时空集聚特征及影响机制

以四川省阿坝县为例,采用伤残所致健康寿命损失年（Years lived with disability, YLD）指标,分别测算不同年龄组、性别和病情程度的大骨节病健康寿命损失,并利用空间自相关分析、趋势拟合、地理探测器等方法,探讨其在县域乡镇级尺度的时空集聚特征和影响机制。结果表明：阿坝县总YLD为1783.58人年,YLD率为31.25人年/1000人,高年龄组和女性YLD率较高,II度大骨节病所致YLDs占比最高（40.8%）,患病率与健康寿命损失之间未呈一致趋势。空间上YLD率呈北低南高的集聚特征,土壤类型是影响其分布最主要的环境因子,解释了64.7%的健康寿命损失空间分异,社会因素中土地利用类型的解释力最大（62.0%）,气候与地形土壤、人口质量与人口结构交互产生的因子解释力增加更为明显。时间上YLDs集中分布于20世纪60~70年代,并呈稳步下降态势。大骨节病健康寿命损失的时空集聚特征受自然、社会、政策等因素的综合影响,空间上自然因素起主导作用,而时间上则主要受病区社会环境变化的影响。     

基于引力势力范围的郑州城市多中心空间形态识别

识别和分析城市多中心结构的空间形态,对优化城市空间结构具有重要意义。对引力模型的多中心综合实力参数和距离参数测定方法进行优化,首先将能够反映居民对空间结构感知体验的空间句法可达性,与人口经济和社会活动空间分布结合构建评价体系,定量计算多中心综合实力;然后将能够表达居民出行轨迹空间特征和偏好规律的词向量相关性,作为距离参数引入引力模型;最后计算引力强度并划分势力范围,对多中心发展目标的现实演化状态进行分析和评价。通过对比实验发现：优化引力模型与传统引力模型分析的势力范围存在一定差异,经空间统计和实地调查验证,优化模型对多源数据的运用更充分,考虑的因素更全面,其空间形态分析结果较为准确;从识别与规划多中心势力范围差异看,二者在郑州市核心城区的势力范围较为相似,均为早期规划或自然演化形成的已建成多中心,而部分外围多中心的识别与规划位置不同,空间形态差异明显,为未建成多中心,还远未形成其应有的分散疏解作用。     

基于小波核双重加权SVM模型的蓝藻水华识别与变化检测

以淀山湖为研究区域,利用Landsat系列遥感影像,提出了归化蓝藻指数的构建方法,结合波段组合和Gabor滤波器构建多特征空间,并基于变精度粗糙集和灰色关联决策相结合的方法进行特征空间的优化。在此基础上,采用小波核双重加权SVM分类模型,得到研究区蓝藻水华空间分布格局的识别与检测结果。以误差矩阵证明此分类模型能够较准确地识别出蓝藻水华覆盖区,满足环境调查的要求。研究成果为淀山湖蓝藻水华的防治和水生生态系统的保护提供了科学依据。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

基于支持向量机的2021年2月13日日本福岛近海Mj7.3级地震震级估算

2021年2月13日日本福岛县近海发生M_j7.3级地震,触发了日本气象厅地震预警系统,系统在首台触发后5.6s发出震级为M_j6.3级的预警第1报,首台触发后10s对公众发布警报、预警震级为M_j6.4级。基于多类型特征参数输入的机器学习支持向量机震级估算模型（SVM-M）,利用2021年2月13日日本福岛县近海M_j7.3级地震获取的日本K-net强震动观测数据,分析SVM-M模型在该次地震中首台触发初期（首台触发后1~10s）的震级估算效能。结果表明:SVM-M震级估算模型,在首台触发后1s即可给出M_j6.3级的震级估算结果,与日本气象厅在首台触发后5.6s发布的预警第1报震级相同;随着时间窗的增加,首台触发后5s和10s,SVM-M模型的震级估算结果分别是M_j6.7级和M_j6.6级,均大于日本气象厅首台触发后10s对公众发布警报的预警震级。该次地震的离线模拟结果表明:SVM-M模型可在地震发生初期有效提高地震预警震级确定的准确性和时效性。     

Point Pattern Synthesis

Abstract

title/>

Patterns consisting of point symbols are commonly applied to symbolize land cover. Tree symbols, for example, indicate forested areas; small irregular dots show quarries and pits; or regular line symbols represent a vineyard. This paper presents an automatic method for synthesizing patterns consisting of one or more point symbols. Symbols of varying sizes or graphical appearance can be combined according to user-defined ratios. The automatic method generates patterns of regularly or irregularly distributed symbols. It ensures that symbols do not overlap and do not graphically conflict with other map features. The method has been implemented in a free plug-in for the Adobe Illustrator vector graphics editor.     

Supervised change detection in VHR images using contextual information and support vector machines

In this paper we study an effective solution to deal with supervised change detection in very high geometrical resolution (VHR) images. High within-class variance as well as low between-class variance that characterize this kind of imagery make the detection and classification of ground cover transitions a difficult task. In order to achieve high detection accuracy, we propose the inclusion of spatial and contextual information issued from local textural statistics and mathematical morphology. To perform change detection, two architectures, initially developed for medium resolution images, are adapted for VHR: Direct Multi-date Classification and Difference Image Analysis. To cope with the high intra-class variability, we adopted a nonlinear classifier: the Support Vector Machines (SVM). The proposed approaches are successfully evaluated on two series of pansharpened QuickBird images.