应用高效液相色谱法和化学计量学研究藿香正气水指纹图谱

采用高效液相色谱获得藿香正气水的色谱指纹图谱,利用基于主成分分析的投影判别法和聚类分析法分析实验结果.结果表明,不同厂家生产的藿香正气水存在显著差异,且主成分分析投影判别法和聚类分析法均能对样品进行正确分类,从而建立了识别不同厂家藿香正气水的方法,能有效地控制中药藿香正气水的质量.     

用高分辩率卫星影像辨识城市建筑物

在对试验区IKONOS卫星高分辨率影像预处理的基础上,采用HIS变换法对1m分辨率全色影像和4m分辨率多光谱影像进行了融合处理;通过建筑物阴影提取了建筑物高程,采用正交小波变换方法提取了图像的纹理信息;采用了四种不同的特征图像组合方式,对试验区高、中、低层建筑物进行了分类.     

基于变权重正交变换的腈纶/棉运动纤维面料近红外光谱识别和信息增强机制

为全面阐释近红外光谱技术在纺织服装行业质量控制中的应用难题,本论文以腈纶/棉混纺纤维运动面料为对象,针对纤维面料的重叠信息精准选择和预处理技术直观化筛选应用进行研究。同时,以混纺纤维中的棉含量为指标,对纺织面料近红外定量模型建立中的分子信息识别和应用机制、建模样品及常规光谱处理对构建模型的影响进行了系统解释。最后,通过变权重正交变换算法计算从分子层面解析了纤维面料谱峰信息差异化贡献及纤维面料散射对定量模型构建和预测稳定性的影响。以期为我国纺织行业及纤维制品的精准化控制和质量表征特异化设备开发提供技术指导和参考。     

紫色球杆菌视紫红质光谱特性的机器学习研究

近年来，机器学习等人工智能技术被应用于蛋白质工程，其在蛋白质结构、功能预测、催化活性等研究中具有独特优势。在未知蛋白质结构的情况下，将蛋白质序列和功能特性与机器学习相结合，基于序列-活性关系（innovative sequence-activity relationship，ISAR）算法，将蛋白质氨基酸序列数字化，用快速傅里叶变换（fast four transform，FFT）进行预处理，再进行偏最小二乘回归建模，可在数据集较少情况下拟合得到最佳模型。通过机器学习对紫色球杆菌视紫红质（gloeobacter violaceus rhodopsin，GR）的突变体蛋白质氨基酸序列与光谱最大吸收波长进行建模，获得了最佳模型。用最佳索引LEVM760106建模得到的确定系数R² 为0.944，均方误差E为11.64。用小波变换进行的预处理，其R² 虽也约为0.944，但E大于11.64，不及FFT进行的预处理。方法较好地解决了蛋白质序列与功能特性之间的数学建模问题，在蛋白质工程中可为预测更优的突变体提供支持。     

基于NIR结合化学计量法牛肉糜掺假检测

采用近红外(Near Infrared, NIR)技术(12500～5400cm-1)快速无损检测牛肉糜的掺假。判别分析(Discriminant Analysis, DA)、主成分回归(Principle Component Regression, PCR)等功能强大的化学计量学技术被用于掺假检测和掺假水平预测模型。通过选择适当的光谱波长和使用不同的光谱预处理方法,优化了DA和PCR模型。选择特定波长和使用(无预处理方法)的DA模型分类率达到了100%。基于全波长和使用(无预处理方法的)PCR的最佳预测模型的相关系数Rp为92.21%,样本的预测均方根误差(Root Mean Square Error Of Prediction, RMSEP)为9.80。研究结果说明NIR技术对牛肉糜的掺假体系适用。     

基于小波变换的适合Quick Bird遥感影像的融合方法

在分析了IHS变换、PCA变换、Brovey变换、加权融合、PMⅠ(Proposed methodⅠ)等一般融合方法的基础上,针对Quick Bird全色与多光谱影像的融合,提出了基于átrous小波变换的小波比值方法;然后通过目视判别、定量统计参数两种方法对各融合结果进行了比较.结果表明,小波分解层数为3的小波比值方法既很大程度地提高了空间纹理细节信息,又高度保持了原始多光谱影像的光谱特征,适合于Quick Bird遥感影像融合.     

基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和周期性冲击特征, 提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)能量矩和改进量子粒子群神经网络的特征提取方法. 基于小波去噪对滚动轴承原始信号进行预处理, 对重构的故障信号进行EEMD并得到多个本征模态函数分量. 利用能量矩方法计算出所需分量的能量矩并归一化, 将归一化后的能量特征参数作为量子粒子群BP神经网络的参数输入, 根据加速度传感器信号实现滚动轴承故障诊断. 分别在不同转速(载荷)下采集驱动端轴承的振动信号, 获取200个训练样本和80个测试样本, 并建立故障诊断模型. 基于文中模型对实际滚动轴承数据进行诊断, 实验结果表明, 不同转速(载荷)下测试的80个样本故障诊断准确率达到100%.     

基于小波包分解与近似熵的脑电特征提取方法研究及在脑机接口中的应用

为提高运动想象脑机接口的分类正确率,结合小波包分解与近似熵对脑电信号进行特征提取。该方法利用小波包对脑电信号全频段进行分解,用近似熵函数对小波包结点提取分类特征,然后用稀疏表示对特征向量进行降维,最后使用功率差方法进行分类。实验结果表明,在使用1秒数据进行分类的条件下,该方法在使用2种不同通道集合时都取得了很好的分类效果。使用32个和10个通道时分类正确率分别达到了95.65%和86.41%,比小波包分解与空域滤波方法分别提高了5.9%和8.32%,比传统的共空域模式方法分别提高了7.18%和7.27%。另外,使用的数据长度越短,分类识别率越高,表明该方法更适用于较短的数据,有利于提高脑机接口的信息传输速度。     

基于多分辨率分解的音频水印算法

根据小波变换的时频分析特性和多分辨率的分析特性,提出了一种基于小波变换的数字水印嵌入与检测算法.用这种算法嵌入水印有很强的隐蔽性,对原始音频信号的影响基本上察觉不出来.仿真实验证明使用这种算法能够正确地检测出水印的存在,可以抵抗噪声干扰、去噪处理、滤波处理和信号的重采样等.     

一种基于FCM的噪声图像分割算法研究

针对噪声污染的图像进行有效分割困难问题,提出了一种基于模糊C均值的噪声图像分割方法.该方法首先应用离散小波变换(DWT)将图像进行分解获取不同尺度的小波系数;然后利用粒子群(PSO)算法自适应搜索最优的阈值对小波系数进行处理,将处理好的系数利用小波重构得到重构图像;最后利用模糊C均值聚类完成图像分割.该算法在Berkeley数据集上进行实验,结果表明与其他算法相比,该算法具有更好的性能.     

大黄鱼4个家系的形态差异分析

采用聚类分析、主成分分析和判别分析3种多元分析方法,结合传统形态学测定和框架测定,对大黄鱼（Pseudosciaena crocea）反交家系、岱衢洋家系、官井洋家系和正交家系进行形态差异比较.可数性状卡方分析表明,4个家系可数性状无显著差异;可量性状和框架数据的聚类分析结果表明,岱衢洋家系、官井洋家系和正交家系之间形态差异较小,而它们同反交家系差异显著;主成分分析提取了3个主成分,结果也表明反交家系与其他家系差异较大,与聚类分析结果相一致;通过对10个贡献率较大的形态变量进行逐步判别分析,建立了4个家系的判别公式,判别准确率P1为83.3%～100%,P2为87.5%～96.8%,综合判别率为92.5%.     

基于人工神经网络的区域经济子系统可持续发展指标预测研究

可持续发展系统是“黑箱”,至少是“灰箱”,各因素是间否存在因果关系还十分清楚,人工神经网络可以较为逼真地模拟该系统,本文以人工神经网络BP模型为工具,借助Matlab语言对区域可持续发展经济子系统指标进行预测研究,通过数据采集、网络结构模型设计、程序设计、网络训练等给出指标预测图并进行分析,最后提出建议,结果表明,用人工神经网络来模拟持续发展经济子系统是可行的。     

用人工神经网络方法解析色谱重叠峰

色谱图中两个(或以上)峰相互重叠时直接影响色谱分析的结果.本文提出一种借助于人工神经网络的解析方法, 将色谱重叠峰切割成间隔为0 .02 分的“ 薄片” , 以“ 薄片” 面积为输入值, 以前向多层人工神经网络处理.可以准确测定峰形重叠的二乙胺和三乙胺的含量, 经标准物对比, 结果令人满意.     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

基于自组织特征映射(SOM)网络对潜在客户的挖掘

通过自组织特征映射网络（SOM）帮助市场分析人员对消费者的消费记录进行分析,从而概括出每一类消费者的消费模式。实现对消费群体的区分和对潜在客户的挖掘。SOM神经网络是一种基于模型的聚类方法。该网络通过对样本数据实施标准化、规范化的规定,将每条样本数据看作为一个基因数据,通过对基因数据的聚类,找出功能相似的基因。从而达到对潜在客户的挖掘。抽取一定量的样本数据,通过Matlab平台建立一个SOM人工神经网络对数据进行训练,结果可以发现当训练步骤达到一定量的时候,样本数据向不同的“中心点”聚集,最后达到聚类的效果,从而发现一些容易被忽视的点,也就是潜在客户。     

基于CRBM算法的时间序列预测模型研究

针对受限玻尔兹曼机（restricted Boltzmann machines,RBM）算法对时序数据预测存在抽取抽象特征向量能力较差和梯度下降能力有限的问题,基于CRBM（conditional restricted Boltzmann machines）算法以及信念网络（deep belief network,DBN）模型,构建了一种非线性的CRBM-DBN深度学习模型,并采用高斯分布处理输入特征值和对比散度抽样,用于预测时序数据.实验以浙江省近岸海域赤潮时序数据作为输入特征值,讨论该模型的深度及参数选取,并与经典的深度学习模型RBM、DAE和浅层学习中的BP神经网络进行对比,实验验证CRBM对于赤潮时序数据的预测拟合度要明显优于其他3种模型,该模型可有效用于赤潮类时序数据的趋势性预测.     

双曲型方程激波捕捉的物理信息神经网络（PINN）算法

双曲型方程的数值求解算法研究一直是偏微分方程研究的热点,其中,双曲型方程的间断捕捉是难点。受物理信息神经网络（physics-informed neural networks,PINN）启发,构造了改进的PINN算法,近似求解双曲型方程的间断问题。将坐标构造的数据集作为神经网络的输入,将PINN算法中的损失函数作为训练输出值与参考解（基于细网格的熵相容格式数据）或准确解的误差值,通过网络优化,最小化损失函数,得到最优网络参数。最后用数值算例验证了算法的可行性,数值结果表明,本文算法能捕捉激波,分辨率高,且未产生伪振荡。