地震灾害风险：物理的预测与预测的物理

<正>地震预测是一个世界性科学难题~([1])。但这并不等于说防震减灾(也应该)是一个实践难题。一定程度上,在防震减灾的实际应用中,不同时空尺度的不同地震现象的预测及其对减轻地震灾害风险的作用,是一个更重要的科学问题。1地震预测的作用的"现代"理解减灾的"第一原理"~([2])是灾害风险(Risk,简记为R)取决于三项的     

谈谈几个粒子的预言过程

 阿·热在他的《可怕的对称》一书中说道：“预测到存在一个具有某些特性的基本粒子，是理性头脑的一种最高行动，狄拉克和泡利做到了这一点，几年后，汤川秀树也做到了这一点。”他在这里指的是狄拉克预言了正电子、泡利预言了中微子以及汤川秀树预言了π介子。下面就简短叙述这几个粒子的预言及其发现过程。我们将发现，作出预言需要高超的智慧、非凡的勇气以及正确的判断，而实现预言的过程也不会一帆风顺。     

气膜冷却温度场预测的标通量模型评估研究

气膜冷却是燃机高温透平叶片的关键冷却技术，准确高效地预测气膜冷却的温度场对于冷却设计具有重要意义。本文针对圆孔射流密度比(DR)为1、速度比(V R)为0.46的工况，基于大涡模拟(LES)的流场数据，单独求解采用不同标通量模型的时均标量输运方程，对比分析了各个模型的预测效果及其参数影响。评估的标通量模型包括梯度扩散模型(GDH)、广义梯度扩散模型(GGDH)和高阶广义梯度扩散模型(HOGGDH)。结果显示，GDH对射流核心的流向扩散预测较弱，对于温度场的分离再附特征也不能准确捕捉。GGDH和HOGGDH模型能够较好地预测下游扩散，对分离再附现象也有较好的反映。本文进一步指出，GGDH和HOGGDH模型引入雷诺应力从而隐含了垂直于标量梯度的输运模式，使其对温度场的预测更为准确。     

科学家同时发现两种新亚原子粒子

<正>据国外媒体北京时间2014年11月21日报道,位于日内瓦欧洲核子研究中心(CERN)的研究人员对外宣布,科学家们利用大型强子对撞机(Large Hadron Collider,LHC)进行质子撞击时,发现了两种新的亚原子颗粒。这两种新粒子分别名为"Ξb'-"和"Ξb*-",在此前的研究中已经被预测存在,却一直没有被观测到。这两种粒子的发现在物理学上十分     

FFT-BP神经网络模型对车载γ能谱辐射剂量率的预测分析

为了实现车载γ谱仪巡测系统对辐射剂量率的准确测定，提出基于快速傅里叶变换(FFT)本底扣除法的改进型BP神经网络模型(FFT-BP神经网络模型)。实验采用γ射线能谱分析法，对不同间距处的137Cs放射源进行车载γ能谱测试，将得到的谱数据通过快速傅里叶变换(FFT)扣除本底，获得新的谱线数据。应用FFT-BP神经网络模型对未知剂量的车载γ谱线作辐射剂量率的定量预测，将预测结果同3个函数模型的拟合结果比较，验证FFT-BP神经网络模型的预测效果。结果表明，FFT扣除法能较好的削弱散射本底对γ谱线的影响，能有效的降低谱线本底。通过新谱线获得的特征峰面积和净谱线面积与辐射剂量率的相关系数均为0.99(p<0.05)，相关性显著。模型拟合分析过程中，FFT-BP神经网络模型表现出较强的学习泛化能力，预测较理想，相对误差和累计误差分别低于0.6%和9%，效果明显优于数学模型和γ能谱全能峰法，可显著降低γ能谱分析辐射剂量率的误差，且能有效提升工作效率。因此，FFT-BP神经网络模型适用于γ能谱辐射剂量的预测分析，为车载γ谱仪巡测系统测量辐射剂量提供了一种新型有效的分析方法。     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

在遗忘之前，记忆变得模糊和混乱

<正>大脑信息存储模型揭示了记忆如何随着年龄增长而衰退。理论上构建的“吸引子网络”(attractor networks)可用于模拟大脑的记忆。基于该网络的一项研究再现了记忆存储并被最终遗忘的过程。计算模拟表明，随着年龄的增长，保留记忆的神经活动图案变得混乱，无法预测，最终成为随机噪声。虽然大脑中是否会真的如此尚不清楚，     

基于EMD方法的非线性/非平稳时间序列的气候预测研究

目前，大多数统计预测模型均假设时间序列或观测数据是线性和平稳的。然而，自然界的观测资料是非线性和非平稳的，通常很难用这些数学模型预测它们。本文针对这一问题提出了一个新的预测方案，即首先利用经验模态分解方法将非线性/非平稳时间序列平稳化，得到一系列本征模函数(IMF)；其次用均生函数模型预测各IMF分量；最后以所有IMF的预测值为新样本对源序列作最优子集回归模型的拟合及预测。结果表明每个IMF，尤其是特征IMF(即特征层次)比源序列有更高的可预测性。该方案为气候预测开辟了一条新的有效途径。     

基于状态维修的电子设备故障预测技术研究

为解决电子设备结构复杂,故障信息不足,故障预测困难,并且现有方法不能直接对电子设备进行状态预测等问题,文中提出了基于状态维修(CBM)的最小二乘支持向量机(LSSVM)和隐马尔科夫模型(HMM)组合故障预测方法;首先采取灵敏度分析法确定电路中要可能发生变化的元件,通过改变元件参数来设置电路的不同退化状态;其次建立组合故障预测模型;最后对该电路进行状态预测;结果表明,文中提出的方法能够直接预测电路的不同状态,进而实现直接预测电子设备的故障状态,预测精度可以达到93.3%。      

壮丽的火星沙丘

<正>这张照片并非什么艺术作品,也不是美国科幻大片《星球大战》中的塔图音(Tatooin)行星,而是火星沙丘的照片,是由美国宇航局的火星勘测轨道飞行器     

基于数据挖掘算法的地铁站内温度时序预测方法

提出了基于数据挖掘算法的地铁站内环境温度时序预测的方法.分别建立了支持向量数据(SVR)、BP神经网络(BPNN)、决策树CART三种预测模型,对比了一般的输入-输出建模方法与基于时间时间延迟方法的预测结果,以及不同时间延迟下三种数据挖掘模型的预测结果.结果表明:基于时间序列的预测模型效果比一般的输入-输出模型效果更好;当时间延迟为1时,三种模型的预测精度相对较高,且在此条件下,模型的预测效率也最高;基于SVR的时间序列预测模型精度比BPNN和CART更高.     

高维红外光谱数据预处理在中药材产地鉴别中的应用

为提高利用红外光谱数据鉴别中药材产地的预测模型效果，应该选用合适的数据预处理方法和合适的算法。针对具有3 448个特征(波长551～3 998 nm)的658条红外光谱中药材数据，借助于支持向量机(SVM)算法，研究了10种基于样本预处理方法(不做预处理、最大最小归一化、标准化、中心化、移动平均平滑、 SG平滑滤波、多元散射校正、正则化、一阶导数和二阶导数法)与5种基于特征波长预处理方法(不做预处理、中心化、最大最小归一化、标准化和正则化)的组合(共50种)对产地模型预测精度和稳定性的影响。结果表明：合适的数据预处理对提高模型精度是必要的；标准化和最大最小正则化方法光谱的预处理建模效果较好，其预测系数值约85%;基于特征的预处理对模型预测效果改进小。只做光谱预处理或基于特征预处理的预测稳定性值近似相等(两类方式的决定系数平均值都近64%);基于样本+特征的组合预处理方法中，二阶导数+标准化处理和二阶导数+正则化组合处理方法的模型预测效果好，其决定系数R²达到近94%;而中心化+正则化组合处理达不到直接采用原始数据(不做数据预处理)的建模效果，该方法预测效果最差。该...     

GA-PLS结合PC-ANN算法提高奶粉蛋白质模型精度

提出一种偏最小二乘法(PLS)和人工神经网络(ANN)结合用于近红外光谱(NIRS)的分析方法,以提高奶粉蛋白质模型的预测精度。首先采用基于遗传算法的波长选择法(RS-GA)优化光谱数据,建立GA-PLS模型预测奶粉蛋白线性部分;然后在RS-GA法选择的波段上进行主成分分析(PCA),以主成分的得分矩阵作为ANN模型输入层,以GA-PLS预测值与真实值之差作为输出层,建立PC-ANN模型预测其非线性部分。最终预测结果为两个模型预测值之和,以模型的预测标准偏差(RMSEP)作为评价指标,以便考察新方法的有效性。同时建立线性的全谱模型(Fr-PLS),其Fr-PLS、GA-PLS和GA-PLS+PC-ANN模型的RMSEP分别为0.511,0.440和0.235。结果表明：考虑奶粉蛋白含量近红外模型的非线性部分,可以显著提高模型的预测精度,该方法也可为其它复杂体系模型精度的提高提供借鉴。     

诺奖得主麦克唐纳谈中微子、大型对撞机与创新

<正>2015年,加拿大女王大学的阿瑟·麦克唐纳教授(Arthur B.McDonald)与日本东京大学的梶田隆章教授(Takaaki Kajita)共同分享年度诺贝尔物理学奖,因为他们分别领导加拿大萨德伯里中微子观测站实验(SNO)和日本超级神冈实验(Super-Kamiokande)发现太阳和大气中微子振荡现象,证明中微子有质量。这也是存在超出粒子物理标准模型的新物理的确凿实验证据。     

采用可见/近红外光谱检测大麦叶片过氧化氢酶与过氧化物酶含量的研究

采用可见/近红外光谱对丙酯草醚胁迫下大麦叶片过氧化氢酶(catalase, CAT)与过氧化物酶(peroxidase, POD)含量预测进行研究。对500～900 nm光谱采用移动平均法(moving average, MA)11点平滑方法进行预处理。采用蒙特卡罗-偏最小二乘法(monte carlo-partial least squares, MCPLS)方法分别对于CAT与POD的含量预测剔除7个与8个异常样本。基于全部光谱建立了CAT与POD含量预测的PLS,最小二乘支持向量机(least-squares support vector machine, LS-SVM)与极限学习机(extreme learning machine, ELM)模型,ELM模型对CAT含量预测效果最好,建模集相关系数(correlation coefficient of calibration, R_c)为0.916,预测集相关系数R_p为0.786;PLS模型对POD含量预测效果最佳,R_c为0.984,R_p为0.876。采用连续投影算法(successive projections algorithm, SPA)算法分别为CAT与POD预测选择了8个与19个特征波长,基于特征波长建立的PLS,LS-SVM与ELM模型中,ELM模型对CAT与POD含量预测效果均最佳,CAT含量预测的相关系数为R_c=0.928,R_p=0.790;POD含量预测的相关系数R_c=0.965,R_p=0.941。基于全谱与基于特征波长的回归分析模型预测效果相当,且对POD含量的预测效果优于对CAT含量的预测效果,而这需要进一步研究以得到精度和稳定性更高的预测模型。研究结果表明,采用可见/近红外光谱结合化学计量学方法可以实现对除草剂胁迫下大麦叶片CAT与POD含量的预测。     

基于高光谱的脱绒棉种电导率快速检测研究

为了寻求一种快速、无损检测脱绒棉种活力的方法,提出基于高光谱技术预测脱绒棉种电导率。采集了新陆早50、新陆早57、新陆早62三个品种且不同老化程度下共810粒脱绒棉种高光谱图像(400~1 000 nm),通过组合不同预处理方法,采用chauvenet检测方法剔除异常值后建立了偏最小二乘法(PLS)、逐步多元线性回归(SMLR)、主成分回归(PCR)模型。结果表明,采用变量标准化(SNV)、卷积平滑(Savitzky-Golay)、一阶微分(First derivative)和norris微分平滑组合的预处理方法,波段范围为480~530,650~980 nm下建立的PLS模型效果最佳;其中PLS模型得到新陆早50、新陆早57、新陆早62的预测集相关系数和校正集相关系数分别为0.88,0.90,0.92,0.91,0.89,0.90;预测集均方根误差(RMSEP)和校正集均方根误差(RMSEC)分别为44.3,38.4,37.8,46.5,43.5和40.8 μS·cm-1。研究结果表明,采用高光谱技术预测脱绒棉种电导率具有一定的可行性,也为其他种子的活力检测奠定了良好的基础。     

Liley模型的模拟EEG信号的非线性预测和分析

分析Liley模型的模拟脑电(Electroencephalogram,EEG)信号的非线性预测和径向基函数(Radial Basis Functions,RBF)神经网络预测,利用相图分析和非线性正交预测(Nonlinear Cross-Prediction,NLCP)方法研究模拟EEG信号.结果发现:①RBF神经网络预测的效果要好于非线性预测;②NLCP方法对含有强周期分量的高维系统具有较好的适用性;③支持了EEG中存在混沌运动的观点.     

转动中定中心装置的光学机械结构

<正> 一、前言光学系统中各光学表面的曲率中心(简称球心)应位于同一轴线上。但是,这只不过是理想情况,实际光学系统中不可避免的存在中心偏。这样,光学系统就不再保持同轴性,也就不能用同轴系统的初级象差理论了。这就产     

光谱数据预处理对潮间带沉积物氮LSSVM模型的影响研究

光谱数据变换和光谱特征波长提取是二种重要的光谱预处理方法,对消除环境等干扰具有重要的作用。以往文献主要对比研究不同的光谱数据变换方法,光谱特征波长提取方法的对比研究以及二者的组合研究较少。为了获取适宜的光谱预处理方法,提高潮间带沉积物氮的最小二乘支持向量机(LSSVM)模型精度,研究了4种光谱变换方法与3种特征波长提取方法组合对沉积物氮LSSVM模型精度的影响,以期实现潮间带沉积物氮的精确预测。研究结果表明,多元散射校正(MSC)或标准正态变换(SVN)光谱变换方法提高了光谱与氮含量的相关性,最高相关系数分别达到0.69和0.71;并且提高了LSSVM模型的预测精度,模型的预测R~2和RPD分别为0.88, 0.87和2.78, 2.69。无信息变量消除(UVE)特征波长提取方法也提高了LSSVM模型的预测精度,模型预测R~2和RPD分别0.89和2.70。但是, UVE提取的特征波长并不都与氮含量具有高相关性。此外,组合运用UVE特征波长提取方法和MSC或SVN光谱变换方法,也提高了模型预测精度,但并不优于单独运用UVE特征波长提取方法或单独运用MSC及SVN光谱变换方法。研究结果可为潮间带沉积物氮估算和光谱数据预处理提供技术参考。     

近红外光谱法快速测定淫羊藿中淫羊藿苷和朝藿定C

基于近红外光谱法对淫羊藿中有效成分淫羊藿苷和朝藿定C的含量进行快速同时定量分析,采用偏最小二乘法(PLS)建立近红外光谱信息与预测组分含量间的数学校正模型。结果表明通过标准正态变量转换(SNV)与一阶导数对光谱进行预处理,所建立的淫羊藿苷和朝藿定C的校正模型效果最佳。淫羊藿苷与朝藿定C校正集均方差(RM SEC)分别为0.217、0.718;相关系数分别为0.9825、0.9863;预测均方差(RM SEP)分别为0.155,0.297。该方法简单、准确,更适合于淫羊藿药材中主要成分的快速分析。