May, 2024

可解释的机器学习用于预测亚得里亚海贝类毒性，利用有害赤潮的长期监测数据

PDF
TL;DR应用可解释的机器学习技术预测了阿德里亚海的威尼斯湾（Trieste Gulf）贻贝的毒性，该研究识别出可预测毒性的关键因素，如有害藻类的出现、贻贝中的毒素浓度以及环境因素，从而对改进早期预警系统和可持续水产养殖实践具有重要意义。
explainable machine learning techniquestoxicity predictionharmful algal bloomsdiarrhetic shellfish poisoningearly warning systems
发现论文，激发创造
  • 有害藻类水华预测：流式学习与批量学习的比较

    通过对历史数据和新工具进行比较，开发了一种机器学习工作流程来预测毒性滨藻属浮游植物丰度的变化，发现 Stream Learning 模型 DoME 是最有效和可解释性最强的预测器，超过了其他算法。

    Feb, 2024

  • 有害藻类水华管理中的混合机器学习技术

    用神经网络添加自适应加权模型（BAGNET）和辨别式最近邻分类（SVM-KNN）进行比较，以估计生产区域的状态，结果表明 BAGNET 模型在结果和鲁棒性方面都优于其他模型，平均召回率为 93.41％。

    Feb, 2024

  • 机器学习在脂溶性生物毒素引起的预防性关闭管理中的应用

    传统经验不足以支持预防性关闭措施的制定，因此本研究提出了基于 kNN 算法的预测模型，能够在复杂情况下帮助决策，实现敏感性、准确度和 kappa 指数值分别为 97.34%、91.83% 和 0.75。

    Feb, 2024

  • 基于卫星的特征提取与贝类毒素污染的多元时间序列预测

    通过使用卫星数据构建预测模型，结合贝类毒素污染数据，能够提升贝类毒素污染水平的预测，并证明了远程感应等高维数据的集成对模型的预测能力没有负面影响。

    Nov, 2023

  • 基于机器学习的鱼类资源评估

    研究使用混合模型来提高鱼类资源参数估计和预测的准确性，通过结合经典统计模型和监督机器学习模型，特别是梯度提升树模型，实现针对全球变暖和其他人为压力导致变化的生态系统中相关参数的后续校正和提升准确性。在实验中，对五种不同鱼类资源进行研究发现，绝大多数情况下招募和生成股源生物量的预测准确性有了显著的提高。

    Aug, 2023

  • 基于物联网的鱼类养殖环境控制系统，结合传感器集成与机器学习决策支持

    该研究文章展示了数据驱动决策支持在水产养殖中的强大作用，承诺满足日益增长的对海鲜的需求，同时强调环境责任与经济可行性，从而彻底改变未来的养鱼方式。

    Nov, 2023

  • 应用机器学习检测食品中的霉菌毒素：综述

    从事机器学习方法在食品安全行业中，尤其是检测霉菌毒素和其他食品成分的存在方面的研究，探讨了近年来机器学习应用的优势、挑战和未来发展潜力，以及对数据和代码的公开获取有关的疑虑。研究结果显示，尽管多数研究主要利用神经网络进行霉菌毒素的检测，但在所采用的神经网络架构中存在着显著的多样性，其中卷积神经网络最为普遍。

    Apr, 2024

  • 深度迁移学习在贻贝养殖自动化中的浮标检测改进

    使用深度学习方法提高浮标检测和管理的准确性和鲁棒性，通过使用源自新西兰贻贝养殖场的多样化数据集和迁移学习技术，研究表明深度学习通过提高鲁棒性能和跨多样的天气条件进行浮标检测的实际有效性。

    Aug, 2023

  • 实现传感器化船舶的智能翻新与性能异常检测：一个海运业界经验

    该研究提出了一种深度学习驱动的异常检测系统，结合可解释的机器学习模型，用于识别工业传感器化船舶 TUCANA 中的性能异常，该系统不仅提高了安全性、效率和可持续性，还推动了成本有效和智能化的海上交通运输的新时代。

    Dec, 2023

  • 使用机器学习和 Shapley 加性解释（SHAP）方法对分布式拒绝服务（DDoS）攻击检测进行分类和解释

    该研究提出了一个框架，利用机器学习和可解释的人工智能技术，分类和识别 DDoS 攻击的合法流量和恶意流量，在使用 SHAP 进行解释后的分类器模型中，该模型的性能表现高于 99％的准确性。

    Jun, 2023