磁场中的几个仪器 一、质谱仪 1、如图是测量带电粒子质量的仪器工作原理示意图。设法使某有机化合物的气态分子导入图中所示的容器A中，使它受到电子束轰击，失去一个电子变成正一价的分子离子。分子离子从狭缝s1以很小的速度进入电压为U 的加速电场区（初速不计），加速后，再通过狭缝s2、s3射 入磁感应强度为B的匀强磁场，方向垂直于磁场区的界面 PQ。最后，分子离子打到感光片上，形成垂直于纸面而且 平行于狭缝s3的细线。若测得细线到狭缝s3的距离为d， 导出分子离子的质量m的表达式。 2、如图为质谱仪原理示意图，电荷量为q、质量为m的带正电的粒子从静止开始经过电势差为U的加速电场后进入粒子速度选择器。选择器中存在相互垂直的匀强电场和匀强磁场，匀强电场的场强为E、方向水平向右。已知带电粒子能够沿直线穿过速度选择器，从G点垂直MN进入偏转磁场，该偏转磁场是一个以直线MN为边界、方向垂直纸面向外的匀强磁场。带电粒子经偏转磁场后，最终到达照相底片的H点。可测量出G、H间的距离为L。带电粒子的重 力可忽略不计。求： （1）粒子从加速电场射出时速度v的大小。 （2）粒子速度选择器中匀强磁场的磁感应强度 B1的大小和方向。 （3）偏转磁场的磁感应强度B2的大小。 3、如图所示是某种质谱仪的原理示意图，它由加速电场、静电分析器和磁分析器等组成，若静电分析器通道的半径为R，均匀辐向电场的场强为E，磁分析器中有垂直纸面向外的匀强磁场，磁感应强度为B，忽略重力的影响，试问： （1）为了使位于A处电量为q、质量为m的离子，从静止开始经加速电场加速后沿图中虚线通过静电分析器，加速电场的电压U应为多大？ （2）离子由P点进入磁分析器后，最终打在感光胶片上的Q 点，该点距入射点P有多远？若有一群离子从静止开始通过 该质谱仪后落在同一点Q，则该群离子具有什么共同特征？
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910230755.3 (22)申请日 2019.03.26 (71)申请人 浙江大学 地址 310013 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 姜晓红 杜定益 吴健 孙浩 吴朝晖 (74)专利代理机构 杭州天勤知识产权代理有限 公司 33224 代理人 胡红娟 (51)Int.Cl. G06F 16/2458(2019.01) G06F 17/14(2006.01) (54)发明名称 一种基于频域的多模型融合预测方法和系 统 (57)摘要 本发明公开了一种基于频域的多模型融合 预测方法和系统，包括：建立数据库实时存储监 控器测量所得的数据；对原始时序数据预处理， 包括异常值检测及缺失值处理；对干净的时序数 据通过小波变换转为频域数据；建立循环神经网 络及可加性回归模型对频域系数进行预测；选取 最优权重和阈值得到最佳预测结果。本发明通过 对预处理之后的时序数据变换到频域上进行分 析处理，并融合不同模型得到最佳预测结果，克 服了传统时序预测模型预测周期短，预测精度低 等缺点。权利要求书1页 说明书6页 附图3页CN 109992608 A 2019.07.09 C N 109992608 A
权 利 要 求 书1/1页CN 109992608 A 1.一种基于频域的多模型融合预测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中存有以下模块： 数据库系统模块，用于存储监控器测量得到的原始时序数据，同时提供与其他模块之间的数据连接查询； 数据预处理模块，用于对数据库系统模块存储的原始时序数据进行预处理； 频域变换模块，用于将预处理后的原始时序数据进行频域变换，转为频域特征数据并进行存储； 趋势预测模块，内含循环神经网络模型和可加性回归模型，用于对频域特征数据中的高频与低频部分进行系数预测，并将结果重构为时序时间数据； 模型融合模块，用于将趋势预测模块中重构后得到的时序时间数据进行融合，输出最优预测数据。 2.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，所述数据库系统模块包括若干张用于存储实时数据的数据库表。 3.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，所述数据预处理模块包括异常值检测和缺失值处理两个部分。 4.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，所述频域变换模块进行频域变换时，采用DB3小波作为基小波，分解层数为三层。 5.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，趋势预测模块中，所述的循环神经网络采用LSTM模型，迭代次数设置为2000，单隐层中节点个数为6，并采用Adam算法对梯度下降过程进行优化；所述的可加性回归模型采用prophet模型，增长趋势采用logistics模型，季节性周期设置为7。 6.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，所述模型融合模块通过权重因子ρ和突变点阈值a将趋势预测模块中重构后得到的时序时间数据进行融合；所述权重因子ρ采用网格法逐一试验分析，选取最佳权重，所述突变点阈值a采用与平均值的偏差超过三倍标准差的值作为临界阈值。 7.一种利用权利要求1～6任一所述的基于频域的多模型融合预测系统进行预测的方法，其特征在于，包括以下步骤： (1)将监控器实时测量得到的原始时序数据存储到数据库系统模块中； (2)利用数据预处理模块对原始时序数据进行预处理，包括剔除错误值、空值以及填补缺失值； (3)使用频域变换模块将预处理后的原始时序数据进行频域变换，转为频域特征数据并进行存储； (4)分别采用循环神经网络模型及可加性回归模型对频域特征数据的高频与低频部分进行预测，得到相应的预测结果，之后通过小波重构算法将预测得到的频域系数重构为时序时间数据； (5)将重构后得到的时序时间数据进行融合，输出最优预测数据。 8.根据权利要求7所述的基于频域的多模型融合预测系统进行预测的方法，其特征在于，步骤(5)中，通过权重因子ρ和突变点阈值a对重构后得到的时序时间数据进行融合。 2
一种新型混合预测模型的研究与应-中国风速预测案例研究 摘要 鉴于目前能源危机日益严重，新能源的开发利用日益受到重视，风能在这些可再生能源中得到广泛的应用。然而，风电的随机性可能会在电力系统中引起一系列问题。此外，将大型风电场整合到整个电网中将给稳定和安全带来沉重的负担。准确的风速预测将降低风电的随机性，有效缓解风电对电力系统的不利影响。在本文中，提出了一种混合风速预测模型，希望实现更好的预测性能。采用小波包变换（WPT）将风速级数分解成不同频率的几个系列。建立了基于模拟退火（PSOSA）的粒子群优化调整参数的最小二乘支持向量机（LSSVM），对该系列进行建模。模型的最优输入形式由相空间重建（PSR）确定。为了验证拟议模型的有效性，以西北地区甘肃省四个风电场的日平均风速为例，模拟和灰色关系分析的结果表明，所提出的模型优于对照模型，并且接受了具有相同均值的真实系列的预测序列的零假设。
目录 1 介绍 (3) 2 方法论 (6) 2.1小波包变换（WPT） (6) 2.2 相空间重建C-C法 (6) 2.3 最小二乘支持向量机（LSSVM） (6) 2.4 优化算法 (7) 2.4.1 粒子群优化（PSO） (7) 2.4.2 模拟退火（SA） (7) 2.4.3 组合优化算法PSOSA (7) 2.5 灰色关系分析 (8) 3 混合WPT-LSSVM-PSOSA模型 (8) 4 实验设计及结果 (9) 4.1 研究区域和数据集 (9) 4.2 预测精度的绩效标准 (9) 4.3 WPT的结果 (10) 4.4 相空间重建（PSR） (10) 4.5 选择LSSVM模型 (10) 4.6 模型比较 (11) 4.7 灰色关系分析结果 (12) 4.8 统计假设检验 (13) 5 结论 (13)
地磁磁场的基本特征及应用 地球磁场：地球周围存在的磁场，包括磁层顶以下的固体地球内部和外部所有场源产生的磁场。地球磁场不是孤立的，它受到外界扰动的影响，宇宙飞船就已经探测到太阳风的存在。因为太阳风是一种等离子体，所以它也有磁场，太阳风磁场对地球磁场施加作用，好像要把地球磁场从地球上吹走似的。尽管这样，地球磁场仍有效地阻止了太阳风长驱直入。在地球磁场的反抗下，太阳风绕过地球磁场，继续向前运动，于是形成了一个被太阳风包围的、彗星状的地球磁场区域，这就是磁层。 地球磁层位于距大气层顶600～1000公里高处，磁层的外边界叫磁层顶，离地面5～7万公里。在太阳风的压缩下，地球磁力线向背着太阳一面的空间延伸得很远，形成一条长长的尾巴，称为磁尾。在磁赤道附近，有一个特殊的界面，在界面两边，磁力线突然改变方向，此界面称为中性片。中性片上的磁场强度微乎其微，厚度大约有1000公里。中性片将磁尾部分成两部分：北面的磁力线向着地球，南面的磁力线离开地球。 地磁学：是研究地磁场的时间变化、空间分布、起源及其规律的学科。固体地球物理学的一个分支。
时间范围：已可追溯到太古代（约35亿年前）——现代 空间范围：从地核至磁层边界（磁层顶），磁层离地心最近的距离： 8～ 13个地球半径组成和变化规律及应用： 磁偶极子：带等量异号磁量的两个磁荷，如果观测点距离远大于它们之间的距离，那么这两个磁荷组成的系统称为磁偶极子。 地磁场的构成 地球磁场近似于一个置于地心的同轴偶极子的磁场。这是地球磁场的基本特征。这个偶极子的磁轴和地轴斜交一个角度，。如图1.1所示，N、S 分别表示地磁北极和地磁南极。按磁性来说，地磁两极和磁针两极正好相反。同时，磁极的位置并不是固定的，每年会移动数英里，两个磁极的移动彼此之间是独立的，关于地磁极的概念有两种不同的思路和结果：理论的和实测的。理论的地磁极是从地球基本磁场中的偶极子磁场出发的。实测的地磁极是从全球地磁图（等偏角地磁图和等倾角地磁图）上找出的磁倾角为90°的两个小区域，这两个地点不在地球同一直径的两端，大约偏离2500千米。由
模型/题型：常见的磁场整理 条形磁体①在磁体的外部磁感线从磁体的N极出来进入磁场的S极，在内部也有相应条数的磁感线与外部的磁感线衔接组成闭合曲线； ②磁感线分布有两个对称轴，一是磁铁的中轴线，二是磁铁的中垂线(从空间上来说为两个对称面)； ③条形磁铁的磁感线在磁铁的外部的两端(磁极)最密，中间稀疏。 蹄形磁铁①与条形磁铁相同,在磁体的外部磁感线从磁体的N极出来进入磁场的S极，在内部也有相应条数的磁感线(未画出)与外部的磁感线衔接组成闭合曲线； ②磁感线分布有一个对称轴，即磁铁的对称轴； ③蹄形磁铁的磁感线在磁铁外部是两端(磁极)最密，中间稀疏。 异名磁极①当两异名磁极相距较近时，两极间的磁场除边缘区域外是匀强磁场，磁感线相互平行、疏密均匀； ②当两异名磁极相距较远时，两极间靠中心位置越近磁感应强度越弱，磁感线越稀疏。类似于两等量异种电荷(点电荷)的磁场。 同名磁极 ①两同名磁极间的磁感线分布类似于两等量同种电荷(点电荷)的磁感线分布 ②磁感线有两条对称轴，分别为(1)两磁极的中轴线(2)两磁极间的中轴线 安培定则立体图横截面图纵截面图 直 线 电 流 一组以导线上任意点为圆心的多组同心圆，距导线越远磁感线越稀疏，磁场越弱 环 形 电 流 环形电流的两侧可等效为小磁针的N极和S极,内部磁场比环外强,磁感线越向外越稀疏
通 电 螺 线 管 内部为匀强磁场且比外部强，方向由S极→N极，外部类似条形磁铁的磁场，管外为非匀强磁场 1.用右手握住导线,让伸直的大拇指所指的方向跟电流的方向一致,弯曲的四指所指的就是磁感线的环绕方向。 2.让右手弯曲的四指和环形电流的方向一致，伸直的大拇指所指的方向就是环形导线轴线上磁感线的方向。 3.让右手弯曲的四指和螺线管中的电流方向一致,伸直的大拇指所指的方向就是螺线管中轴线上磁感线的方向。 三、地磁场的特点 ①地理南北极和地磁南北极相反 ②存在磁偏角 ③地球的磁场外部由南极到北极，内部由北极到南极 ④南半球地磁场磁感线斜向上，北半球斜向下，赤道与地面平行 四、磁场基础知识梳理 (一).磁感线 1、磁感线：在磁场中画出一系列有方向的曲线，曲线上每一点的切线方向表示该点的磁场方向，曲线的疏密程度表示磁场的强弱。 2.磁感线的基本特点： （1）磁体外部磁感线从N极出发指向S极，在磁体内部由S极到N极，形成闭合曲线。 （2）磁感线上每一点的切线方向表示该处的磁场方向。 （3）磁感线的疏密程度表示该处的磁场的强弱。 （4）任意两条磁感线不相交（不相切）。 （5）磁感线是假想线。 (二).匀强磁场 1.定义：磁场强弱、方向处处相同的磁场 2.磁感线分布特点:匀强磁场的磁感线是一些间隔相同的平行直线 (三).磁通量 1．磁通量的定义 公式Φ＝BS中的B应是匀强磁场的磁感应强度，S是与磁场方向垂直的面积，因此，可以理解为Φ＝BS⊥.如果平面与磁场方向不垂直，应把面积S投影到与磁场垂直的方向上，求出投影面积S⊥，代入到Φ＝BS⊥中计算，应避免硬套公式Φ＝BSsin θ或Φ＝BScos θ. 2．磁通量的变化：一般有下列三种情况： (1)磁感应强度B不变，有效面积S变化，则ΔΦ＝Φt－Φ0＝B·ΔS. (2)磁感应强度B变化，磁感线穿过的有效面积S不变，则穿过回路中的磁通量的变化是：ΔΦ＝Φt－Φ0＝ΔB·S. (3)磁感应强度B和有效面积S同时发生变化的情况，则ΔΦ＝Φt－Φ0. ?特别提醒 ①平面S与磁场方向不垂直时，要把面积S投影到与磁场垂直的方向上，即求出有效面积． ②可以把磁通量理解为穿过面积S的磁感线净条数.相反方向穿过面积S的磁感线可以互相抵消．
集成模型的五个基础问题 机器学习数据分析BaggingBoosting集成模型 摘要：对于建立高度精确的预测模型，集成模型是最有说服力的方式之一。Bagging和Boosting算法进一步加强了这一方法的精确性。本文详细探讨5个集成模型最常见的问题。 引言 如果你曾经参加过数据科学竞赛，你一定意识到集成模型（Ensemble Modeling）举足轻重的作用。事实上，集成模型提供了最有说服力的方式之一，来建立高度精确的预测模型。Bagging和Boosting算法进一步加强了这一方法的精确性。 所以，你下次构建预测模型的时候，考虑使用这种算法吧。你肯定会赞同我的这个建议。如果你已经掌握了这种方法，那么太棒了。我很想听听你在集成模型上的经验，请把你的经验分享在下面的评论区。 对于其他人，我将会分享一些集成模型中常见的问题。如果你想评估一个人对集成模型方面的知识程度，你可以大胆地提出这些问题，来检查他/她的知识水平。另外，这些都是最简单的问题，因此你不希望他们回答错误！ 哪些是常见的问题（关于集成模型）？ 在分析各种数据科学论坛后，我已经确定了5个集成模型最常见的问题。这些问题与刚接触集成模型的数据科学家高度相关。以下就是这些问题：
1.什么是集成模型？ 2.什么是bagging，boosting和stacking？ 3.我们可以集成多个具有相同机器学习算法的模型吗？ 4.我们如何确定不同模型的权重？ 5.集成模型的好处是什么？ 1、什么是集成模型？ 我们先从解决一个分类问题来理解它。 场景问题：建立垃圾邮件过滤规则。 解决方案：我们可以制定各种垃圾邮件分类规则，我们来看看其中的几个： 1、垃圾邮件 ?邮件少于20个单词； ?只有图片（宣传图片）； ?具有某些关键词，比如―赚大钱‖和―减肥‖； ?许多拼写错误的单词。 2、非垃圾邮件 ?从经过验证域名发来的邮件； ?来自家庭成员或者邮件联系人的邮件 在上面，我已经列出了一些过滤垃圾邮件的常见规则。你认为这些规则能单独预测正确的分类吗？ 大部分人可能都会认为不能——事实也是这样！与使用单个规则进行预测相比，结合使用这些规则会产生鲁棒的预测效果。这就是集成模型的原则。集成模型集合使用多个―单独的‖（不同的）模型，并提供出色的预测能力。
第二章地球磁场 （Lisa Tauxe著，常燎译） 建议补充读物 Butler (1992)，3－7页，10－11页。 更多信息可参看：Merrill et al. (1996) 第一、二章。 2.1 地球磁场 古地磁学主要研究过去的地球磁场行为。人类的直接测量仅仅能够追溯到几个世纪前，因此，古地磁学仍然是研究过去地球磁场行为的唯一手段。由于古地磁学涉及地球磁场，因此有必要了解一些有关地球磁场的知识。这一讲我们主要回顾现今地球磁场的一些基本性质。 地磁场由地球液态外核的对流引起（外核由铁、镍和一些未知的较轻成分构成）。产生对流的能量的来源目前还不清楚，但是一般认为一部分来源于是地球的冷却过程，另外一部分则来源于由铁/镍构成的液态外核的浮力，这一浮力则由纯铁内核的冷却引起。这个导电流体的运动受控于液态外核的浮力、地球自传以及导电流体和磁场的相互作用（这是一个异常复杂的非线性过程）。确定导电流体的运动方式以及其产生的磁场状态是一个极具挑战性的课题，但是我们已经知道这种导电流体的运动是一种自激发电机过程，它可以产生并维持巨大的磁场。 2.1.1 地球参考场 在很多情况下，确定地球磁场在一特定时间的空间分布非常有用。对地球磁场及其变化率的数学近似可以比较准确地估计地球磁场在给定时间和地点的值（最少在几百年以内）。由第一章可知，地表的磁场大致是个标量的势场，并服从拉普拉斯方程： 这个方程可以改写为： 这个方程的一个解是： 对地球磁场，一般可以写作半径为r，纬度余弦θ，经度?的标量势：
其中，g 和h 是高斯系数，可以从特定的年代计算得出，单位为nT ，或磁通量（注意，公式中μ0由tesla [B ]转换到Am -1 [H ]）。角标e 和i 代表外场或者内场的起源，a 是地球半径（6.371 х 106 m ），μ0是自由空间的磁导率（参看第一讲中的表1.1），m l P 正比于勒让德多项式，其由传统的施密特多项式归一化而来（可参看建议的读物）。 图2.2展示了三种矢量场的全球倾角分布及对应的面谐函数的：即轴向的（m ＝0）偶极子场（l ＝1），四极子场（l ＝2），以及八极子场（l ＝3）。它们的贡献分别由0 1g ，0 2g 和0 3g 确定。相关的多项式（图2.1）为： 如果转动图2.2a 中的轴向偶极子场，使其北极指向格林威治子午线，那么它就由系数0 1 h 确定，如果指向90?E ，则将由系数1 1h 而定。所以，总的偶极子贡献将是轴向和两个沿赤道 的偶极子项的矢量相加，即。总的四极子贡献（l ＝2）由五个系数 而定，总的八极子（l ＝3）贡献则由七个系数而定。 一般来讲，如果下标（l ）和上标（m ）的差为奇数（比如，轴向偶极子0 1g 和八极子0 3g ），则相应的地球磁场对于赤道是非对称的。然而，如果l 和m 的差为偶数（如，轴向四极子0 2g ），则相应的地球磁场是对称的。图2.2a 表示，由与现今地磁场方向一致的单一偶极子场产生的倾角。在北半球，倾角都是正的（向下），而在南半球是负的（向上）。相反，由四极子场产生的倾角（图 2.2b ）是在极区是向下的，在赤道处则是向上的。由轴向八极子场（图2.2c ）产生的倾角关于赤道也是非对称的，在两个极区的方向相反，并在中纬度地区被具有相反方向的条带分开。 地球磁场是一个矢量场，所以在每个点都有方向和强度（图2.3）。无论选择怎样的坐
1 研发背景 互联网时代也是信息爆炸的时代，内容太多，而用户的时间太少，如何选择成了难题。电商平台里的商品、媒体网站里的新闻、小说网站里的作品、招聘网站里的职位……当数量超过用户可以遍历的上限时，用户就无所适从了。 对海量信息进行筛选、过滤，将用户最关注最感兴趣的信息展现在用户面前，能大大增加这些内容的转化率，对各类应用系统都有非常巨大的价值。 搜索引擎的出现在一定程度上解决了信息筛选问题，但还远远不够，其存在的两个主要弊端是：第一搜索引擎需要用户主动提供关键词来对海量信息进行筛选。当用户无法准确描述自己的需求时，搜索引擎的筛选效果将大打折扣，而用户将自己的需求和意图转化成关键词的过程有时非常困难（例如“找家附近步行不太远就可以到的餐厅，别太辣的”）。更何况用户是懒惰的，很多时候都不愿意打字。第二是搜索结果往往会照顾大多数用户的点击习惯，以热门结果为主，很难充分体现出个性化需求。 解决这个问题的最好工具就是——推荐系统（Recommendation System）。 推荐系统的效果好坏，体现在推荐结果的用户满意度上，按不同的应用场景，其量化的评价指标包括点击率、成交转化率、停留时间增幅等。为了实现优秀的推荐效果，众多的推荐算法被提出，并在业界使用。但是其中一类方法非常特殊，我们称为多模型融合算法。融合算法的意思是，将多个推荐算法通过特定的方式组合的方法。融合在推荐系统中扮演着极为重要的作用，本文结合达观数据的实践经验为大家进行系统性的介绍。 为什么需要融合推荐算法 推荐系统需要面对的应用场景往往存在非常大的差异，例如热门/冷门的内容、新/老用户，时效性强/弱的结果等，这些不同的上下文环境中，不同推荐算法往往都存在不同的适用场景。不存在一个推荐算法，在所有情况下都胜过其他的算法。而融合方法的思想就自然而然出现了，就是充分运用不同分类算法各种的优势，取长补短，组合形成一个强大的推荐框架。俗话说就叫“三个臭皮匠顶个诸葛亮”。 在介绍融合方法前，先简单介绍几类常见推荐算法的优缺点 基于物品的协同过滤（Item-based Collaborative Filtering）是推荐系统中知名度最高的方法，由亚马逊（Amazon）公司最早提出并在电商行业内被广泛使用。
地球磁场 地球磁场 地球磁场言是偶极型的，近似于把一个磁铁棒 放到地球中心，使它的北极大体上对着南极而 产生的磁场形状，但并不与地理上的南北极重 合，存在磁偏角。当然，地球中心并没有磁铁 棒，而是通过电流在导电液体核中流动的发电 机效应产生磁场的。 简介 自然地球磁场图片 地球磁场The Earth magnetic field不是孤立的，它 受到外界扰动的影响，宇宙飞船就已经探测到太 阳风的存在。太阳风是从太阳日冕层向行星际空 间抛射出的高温高速低密度的粒子流，主要成分 是电离氢和电离氦。 因为太阳风是一种等离子体，所以它也有磁场， 太阳风磁场对地球磁场施加作用，好像要把地球 磁场从地球上吹走似的。尽管这样，地球磁场仍 有效地阻止了太阳风长驱直入。在地球磁场的反 抗下，太阳风绕过地球磁场，继续向前运动，于 是形成了一个被太阳风包围的、彗星状的地球磁场区域，这就是磁层。[1] 地球磁层位于距大气层顶600～1000公里高处，磁层的外边界叫磁层顶，离地面5～7万公里。在太阳风的压缩下，地球磁力线向背着太阳一面的空间延伸得很 远，形成一条长长的尾巴，称为磁尾。在磁赤 道附近，有一个特殊的界面，在界面两边，磁 力线突然改变方向，此界面称为中性片。中性 片上的磁场强度微乎其微，厚度大约有1000公 里。中性片将磁尾部分成两部分：北面的磁力 线向着地球，南面的磁力线离开地球。 地球磁场 1967年发现，在中性片两侧约10个地球半径 的范围里，充满了密度较大的等离子体，这一 区域称作等离子体片。当太阳活动剧烈时，等 离子片中的高能粒子增多，并且快速地沿磁力 线向地球极区沉降，于是便出现了千姿百态、 绚丽多彩的极光。由于太阳风以高速接近地球 磁场的边缘，便形成了一个无碰撞的地球弓形 激波的波阵面。波阵面与磁层顶之间的过渡区叫做磁鞘，厚度为3～4个地球半径。
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2020, 9(1), 16-23 Published Online February 2020 in Hans. https://www.doczj.com/doc/1f12430575.html,/journal/airr https://https://www.doczj.com/doc/1f12430575.html,/10.12677/airr.2020.91003 Disease Prediction Models Based on Hybrid Deep Learning Strategy Min Liang1, Yuchang Mo1*, Dong Lin2, Qian Lu1, Ningning Li1 1Fujian Province University Key Laboratory of Computational Science, School of Mathematical Sciences, Huaqiao University, Quanzhou Fujian 2College of Acupuncture, Fujian University of Traditional Chinese Medicine, Fuzhou Fujian Received: Dec. 30th, 2019; accepted: Jan. 14th, 2020; published: Jan. 21st, 2020 Abstract Predictive models built using temporal data in electronic health records (EHRs) can potentially play a major role in improving management of diseases. Due to the sequence correlation and large feature space dimensions, traditional methods such as machine learning and non-deep neural networks are difficult to provide accurate predictions of disease. Recent works show that the long short term memory (LSTM) neural network outperforms most of those traditional methods for disease prediction problems. In this study, a hybrid deep learning neural network framework that combines convolutional neural network (CNN) with LSTM is proposed to further improve the pre-diction accuracy. Empirical studies using the real-world datasets in electronic health records have shown that using the proposed hybrid deep learning neural network for disease prediction signif-icantly improves predictive performance compared to the use of support vector machine (SVM) model, CNN and LSTM alone. Keywords Electronic Health Record, Long Short Term Memory Neural Network, Convolutional Neural Network, Hybrid Deep Learning 基于混合深度学习算法的疾病预测模型 梁敏1，莫毓昌1*，林栋2，陆迁1，李宁宁1 1华侨大学数学科学学院，计算科学福建省高校重点实验室，福建泉州 2福建中医药大学针灸学院，福建福州 收稿日期：2019年12月30日；录用日期：2020年1月14日；发布日期：2020年1月21日 *通讯作者。
磁场及其描述 目标认知 学习目标 1．了解磁现象，理解电流的磁效应及其伟大意义。 2．通过磁的相互作用现象，知道磁场的存在和磁场的基本性质。 3．了解地磁场的分布以及地磁场对地球生命及人类活动的意义。 4．理解磁感线的意义，能够熟练地运用安培定则确定电流的磁场方向。 5．理解磁场的方向；理解磁感应强度的定义、磁通量的定义和计算方法；理解匀强磁场的特点以及在匀强磁场中磁通量的计算。 学习重点难点 1．对磁现象及其电本质的理解，对地磁的理解。 2．电流的磁场及方向的判断——安培定则。 3．磁感强度的定义及磁通量的计算。 知识要点梳理 知识点一：磁现象 要点诠释： 1．磁性、磁体 物质具有吸引铁、钴、镍等物质的性质叫磁性。 具有磁性的物体叫磁体。 2．磁极 磁体的各部分磁性强弱不同，磁性最强的区域叫磁极。任何磁体都有两个磁极，一个叫南极（又称S极），另一个叫北极（又称N极）。 3．磁极间的相互作用 同名磁极相互排斥，异名磁极相互吸引。 4．磁化、磁性材料 变无磁性物体为有磁性物体叫磁化，变有磁性物体为无磁性物体叫退磁。 磁性材料可分为软磁性材料和硬磁性材料。磁化后容易去掉磁性的物质叫软磁性材料，不容易去磁的物质叫硬磁性材料。一般来讲软磁性材料剩磁较小，硬磁性材料剩磁较大。 软磁性材料可应用于需被反复磁化的场合，例如振片磁头、计算机记忆元件、电磁铁等；硬磁性材料可应用于制作永久磁铁。 知识点二：电流的磁效应 要点诠释： 1．电流对小磁针的作用 1820年，丹麦物理学家奥斯特发现，导线通电后，其下方与导线平行的小磁针发生偏转，如图所示。
说明：在做奥斯特实验时，为排除地球磁场的影响，小磁针应南北放置，通电导线也应南北放置。2．磁铁对通电导线的作用 如图所示，磁铁会对通电导线产生力的作用，使导体棒偏转。 3．电流和电流间的相互作用 如图所示，有互相平行而且距离较近的两条导线，当导线中分别通以方向相同和方向相反的电流时，观察到发生的现象是：同向电流相吸，异向电流相斥。 知识点三：磁场 要点诠释： 1．定义 磁体或电流周围存在一种特殊物质，能够传递磁体与磁体、磁体与电流之间、电流与电流之间的相互作用，这种特殊的物质叫磁场。 （说明：所有的磁作用都是通过磁场发生的，磁场和电场一样，是物质存在的另一种形式，是客观存在的。 2．磁场的基本性质 对放入其中的磁极、电流或运动电荷产生力的作用。 3．磁场的产生 （1）永磁体周围存在磁场； （2）电流周围存在磁场——电流的磁效应； （3）运动的电荷周围存在磁场——磁现象的电本质。 电流是大量运动电荷形成的，所以运动电荷周围空间也有磁场。静止电荷周围空间没有磁场。4．磁场的方向
第45卷第1期V o l.45 N o.1计算机工程 C o m p u te r E n g in e e rin g 2019年1月 January 2019 ?人工智能及识别技术?文章编号：1000-3428(2019)01-0178-08 文献标志码：A中图分类号：TP181 基于多源融合特征提取的在线广告预测模型 刘冶1’2’3,刘荻1!2,王砚文3’4,傅自豪2’3,印鉴1’2 (1.中山大学数据科学与计算机学院，广州510006;2.广东省大数据分析与处理重点实验室，广州510006; 3.火烈鸟网络（广州）股份有限公司数据中心，广州510630; 4.香港理工大学电子计算学系，中国香港999077) 摘要：针对智能移动终端应用平台上的广告点击率（C T R)预测问题，在传统P C端W e b平台在线广告C T R预测 方法的基础上，提出一个新的智能移动终端在线广告投放业务架构。基于此架构，构建基于机器学习的在线广告 预测模型，对用户基本信息、广告内容、用户使用环境等多源特征进行融合提取，实现在线广告C T R的精确预测。 结合移动A P P应用环境的特点，将用户历史行为数据加人预测模型进一步提高C T R预测性能。实验结果表明，该 模型具有较高的C T R预测准确率。 关键词：计算广告；广告点击率；特征选择；机器学习；预测模型 中文引用格式：刘冶，刘荻，王砚文，等.基于多源融合特征提取的在线广告预测模型[J].计算机工程，2019,45(1): 178-185,191 . 英文引用格式：L IU Y e，L IU D i，W A N G Y a n w e n，et a l.O nline advertising prediction m odel based on m u ltip le source fusion feature extraction[J].Com puter E n g in e e rin g，2019，45 (1) ：178-185，191. Online Advertising Prediction Model Based on Multiple Source Fusion Feature Extraction L I U Y e1，2,3，L I U D i1，2，W A N G Y a n w e n3,4，F U Z ilia o23，Y I N Jia n1 2 (1. S c h o o l o f D a t a a n d C o m p u t e r S c i e n c e，S u n Y a t-s e n Universit;^，G u a n g z h o u 510006，C h i n a； 2. G u a n g d o n g Provincial K e y L a b o r a t o r y of B i g D a t a Anal;^sis a n d P r o c e s s i n g，G u a n g z h o u 510006，C h i n a； 3. D a t a C e n t e r，F l a m i n g o N e t w o r k C o.，L t d.，G u a n g z h o u 510630，C h i n a； 4. D e p a r t m e n t of C o m p u t i n g，T h e H o n g K o n g P o lytechnic U n i v e r s i t y，H o n g K o n g 999077，C h i n a) [A b s tr a c t] A im in g at the problem o f advertising C lic k Through Rate( C T R) prediction on application p la tfo rm，this paper proposes a novel online advertising business architecture fo r in te llig e n t m ob ile devices based on the tra d itio n a l C TR prediction m ethod on PC W eb p la tfo rm.W ith this architecture，an online advertising prediction m odel based on machine learning i s designed to integrate and extract the m u ltip le source features such as user in fo rm a tio n，advertising content and user usage e n viro n m e n t，so as to achieve accurate prediction o f online advertising C T https://www.doczj.com/doc/1f12430575.html, bined withi the characteristics o f the m obile APP application e n viro n m e n t，the C T R prediction p im proved by adding the u s e r’s h isto rica l behavior data in to the prediction m o d e l.E xperim ental results show that this m odel has a h igh accuracy rate o f C T R p re d ictio n. [K e y w o rd s] com putational a d ve rtisin g;advertising C lic k T hrough Rate( C T R); feature selection;machine pr+diction m o d+l D O I:10. 19678/j.issn.1000-3428.0049207 0概述 近年来，互联网已成为人们生活中的重要部分，在线广告也日益成为互联网经济的一个主要组成部分。随着技术的进步，在线广告的投放逐渐向精准化的方向演进[17]。在线广告的精准投放就是对投放的环境和给定的用户进行分析，通过不同算法来选择与给定用户最匹配的广告，并进行定向投放[37]。 计算广告的核心任务是在特定环境下为特定用户选择最合适的广告展示。点击率（C lic k T h ro u g h 基金项目：广东省科技计划项目（2012A010701013);广州市科技计划项目（2013J4500059);广州市天河区科技计划项目（201601Y G152, 201701Y G127);广东省大数据分析与处理重点实验室开放基金（2017017，201805)。 作者简介：刘冶（1989—），男，博士研究生，主研方向为机器学习、神经网络、网络挖掘；刘荻，硕士；王砚文，博士研究生；傅自豪，硕士；印鉴，教授、博士、博士生导师。 收稿日期"2017-11-07 修回日期"2018-01-08 E-m ail：jourkliu@ 163. c o m
第三章 部分习题 1. 在3.1节存储模型的总费用中增加购买货物本身的费用，重新确定最优定货周期和定货批量。证明在不允许缺货模型中结果与原来的一样，而在允许缺货模型中最优定货周期和定货批量都比原来结果减小 3. 在3.3节森林救火模型中，如果考虑消防队员的灭火速度λ与开始救火时的火势b 有关，试假设一个合理的函数关系，重新求解模型。 4. 在3.4节`最优价格模型中，如果考虑到成本q 随着产量x 的增加而降低，试做出合理的假设，重新求解模型。 7. 要在雨中从一处沿直线跑到另一处，若雨速为常数且方向不变，试建立数学，模型讨论是否跑都越快，淋雨量越少。 将人体简化成一个长方体，高m a 5.1=（颈部以下），宽m b 5.0=厚m c 2.0=，设跑步距离 ,1000m d =跑步最大速度s m v m /5=，雨速s m u /4= ，降雨量h cm w /2=，记跑步速度为v ，按以下步骤进行讨论； （1）不考虑雨的方向，设降雨淋遍全身，以最大速度跑步，估计跑完全程的总淋雨量 （2）雨从迎面吹来，雨线与跑步方向在同一铅直平面内，且与人体的夹角为θ，如图1建立总淋雨量与速度v 及参数θ,,,,,,w u d c b a 之间的关系，问速度v 多大，总淋雨量最少，计算0 30,0==θθ时的总淋雨量。 （3））雨从背面吹来，雨线方向与跑步方向在同一铅直平面内，且与人体的夹角为?，如图2建立总淋雨量与速度v 及参数?,,,,,,w u d c b a 之间的关系，问速度v 多大，总淋雨量最少，计算030=θ时的总淋雨量。 （4）以总淋雨量为纵轴，速度v 为横轴，对（3）作图（考虑α的影响），并解释结果的实际意义。 （5）若雨线方向与跑步方向不在同一平面内，模型会有什么变化。
金融时间序列预测的信息融合与计算智能模型金融市场是一个庞大的、具有复杂运动模式的系统,受到来自各方面的多重因素的影响。时间序列作为金融市场中最为主要的,数量最多的数据形式,是金融市场复杂内在的综合外在表现形式。通过对金融时间序列的分析及预测,可以发现市场潜在的规律及信息特征, 为金融活动及决策提供重要依据,具有非常重要的现实意义。伴随着数据库、平行技术、人工智能等技术的融合发展,出现了一项由交叉学科产生的新兴技术-数据挖掘技术。它能够从大量的历史数据中通过数据集成、规约、清理、变换、挖掘、模式评估和知识表示来提取其中隐含的且有用的知识及规律,为我们分析海量的大规模的金融时间序列提供有效的理论与技术支持。因此,本文以金融时间序列预测的信息融合与计算智能模型为研究课题,采用数据挖掘技术,重点研 究了金融时间序列预测的特征提取过程、基础预测模型以及信息融合预测等,创新地构建了一类金融信息融合与计算智能模型,面向金融 市场价格时间序列的每日走势预测。论文主要研究内容及成果可分为以下几个部分:首先,本文将特征提取过程的构建作为金融时间序列 预测计算智能模型建模的关键步骤,从金融时间序列的高噪声、混沌、非线性和非平稳性特征出发,充分考虑金融时间序列分析与预测的实时性需求,将基于滑动窗口技术的金融时间序列专门的经验模态分解(FtsEMD)和主成分分析(PCA)相结合,构建了一个适用于金融时间序 列的复杂的非线性特征提取过程。EMD是一种适用于处理非线性、非平稳时间序列的方法,而PCA是一种能够最大限度保留原始数据信息
含量的线性降维方法,二者的结合从整体上就相当于一个非线性的PCA,因此,由FtsEMD和PCA构成的非线性金融时间序列特征提取过程更具有特征提取的适应性、全面性和正交性。其次,本文将基础预测模型的优化改进作为金融时间序列预测计算智能模型建模的基本任务,构建了一种基于自适应仿射传播(adaptive affinity propagation,AAP)聚类的嵌套式k-最邻近元(nested k-nearest neighbor,NKNN)回归预测方法。该方法首先采用AAP对特征集进行聚类,再将输出的最优聚类结果输入NKNN进行回归预测。其中NKNN是本文针对KNN算法本身的两大缺陷:计算量过大和受不均衡样本影响而提出的嵌套式改进算法。NKNN算法由NKNN0、NKNN1和NKNN2三个函数组成,包含两层计算:第一层是在类中心集(聚类产生的最优方案中,各个类中心的集合)中进行计算,并找到与预测点前一时刻的点 X(t)最相似的类中心及所在类;第二层是在第一层找到的类中进行计算,并找到与X(t)最相似的k个最邻近元进行回归预测。这样的分层计算不仅可以提高聚类质量,还能够减少计算量,提高运算速度,从而能够更有效地对金融时间序列进行回归分析和预测。再次,本文在整个金融时间序列预测计算智能模型的建模过程中,分步骤地对特征提取过程和基础预测模型部分进行了优化改进,并构建了一系列包括PK(PCA-KNN)模型、FEPK(FtsEMD-PCA-KNN)模型、PANK(PCA-AAP-NKNN)模型和EPAK(FtsEMD-PCA-AAP-NKNN)模型的金融时间序列预测计算智能模型。其中最终构建的EPAK模型是计算智能的、而且具有创新性的整体结构,同时也具有特征提取的适应性、全面性和正交性,以AAP