基于机器学习的心脏病预测模型研究

心脏病作为当今社会对人类生活健康威胁最严重的血管疾病之一，不仅严重威胁人类的生命安全，而且高昂的治疗费用还会给家庭和社会带来严重的经济负担。针对目前心脏病预测研究中存在准确性不足及缺乏特征可解释性的问题，通过挖掘影响心脏病的重要特征，实现对心脏病准确预测和影响因素可解释性分析。首先，利用T检验来分析特征之间的显著差异性（P-value），通过P-value值降序排列选出特征进行组合。然后，利用十种机器学习模型和SHAP方法实现对心脏病的预测及其特征可解释性分析。在UCI心脏病数据集上进行验证实验，在七个医学领域广泛使用的评价指标上都到达了1，优于与对比论文实验结果。最后，利用SHAP方法对13个特征进行可解释性分析，通过特征重要性排序可视化结果，挖掘单个特征与心脏病之间的关联，能为医生对心脏病的精准医疗提供决策支持。     

基于深度学习的机械轴承故障智能诊断

智能故障诊断对于提高智能制造的可靠性具有重要意义。基于深度学习的故障诊断方法在工业领域已经取得了很大的成功,但是不同的模型提取的特征存在一定的差异。针对数据特征提取不全面等问题,提出一种基于深度学习的融合网络模型(CLOD)。首先通过傅里叶变换对故障信号进行时频分析,得到时频谱样本,然后将样本送入经过LSTM模型和改进的CNN模型融合后的卷积网络模型(CLOD)中训练学习,最后通过更新网络参数来提高模型性能,实现轴承故障精确智能诊断。与传统方法比较,CLOD在保证准确率的基础上,极大的增加了模型的拟合速度和稳定性。     

基于文本挖掘技术的教育类文献主题识别方法研究

针对传统文本统计学抽样风险问题，采用文本挖掘技术提取相关文献中具有分析价值的信息，引入自然语言处理技术对文献信息进行主题词抽取和清洗，利用文本聚类结合知识图谱和数据可视化，为分析相关文献研究方向的现状、热点和发展趋势等提供依据。以教育类文献为例，通过研究表明，自然语言处理技术与聚类方法结合数据可视化可以为分析当前教育领域的研究热点和发展趋势提供有力的数据支撑。     

基于文本挖掘与知识图谱的文献计量方法研究

传统文献计量方法容易忽略文献中的文本词频，导致分析结果不能更好地突显相关领域的核心主题和研究热点，提出一种基于文本挖掘与知识图谱相结合的文献计量方法。通过共词分析构建主题词矩阵，利用共现分析、文本聚类、数据可视化和文献计量等方法分析文献核心主题和研究热点，为后续学者的研究提供参考。以高等教育改革文献为例，通过研究表明，文本挖掘和知识图谱相结合的文献计量方法可以得到高等教育改革领域的核心主题和研究热点，为高等教育改革的后续研究提供数据支撑。