利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

多示例学习问题研究进展综述

多示例学习是一种特殊的机器学习问题,近年来得到了广泛的关注和研究,许多不同类型的多示例学习算法被提出,用以处理各个领域中的实际问题. 针对多示例学习的算法研究和应用进行了较为详细的综述, 介绍了多示例学习的各种背景假设, 从基于示例水平、包水平、嵌入空间三个方面对多示例学习的常见算法进行了描述, 并给出了多示例学习的算法拓展和若干领域的主要应用.     

基于高光谱成像技术的番茄叶片灰霉病早期检测研究

提出了独立软模式法(SIMCA)的番茄叶片灰霉病特征波段图像的提取,并通过多元线性回归法(MLR)提取波段融合图像,通过最小距离法获取番茄灰霉病患病信息的技术路线。利用680～740 nm波段的方差图像和建模能力参数提取的特征波段,并作为输入变量进行MLR分析,在0.5准确率阈值下,准确率均大于99%,说明特征波段可以实现番茄叶片灰霉病的检测,并利用MLR回归系数提取波段融合图像,通过最小距离法获取番茄灰霉病患病信息,结果表明所提出的方法具有很好的预测能力,为番茄灰霉病的早期检测提供了一种新方法,且大大降低了高光谱图像的数据处理时间。     

Mn修饰Al2O3载体负载Pd催化剂及其蒽醌加氢催化性能

以活性氧化铝(γ-Al2O3)为载体,分别以Mn(NO3)2溶液和酸性氯化钯(PdCl2)溶液为修饰组分和活性组分前体,采用分步浸渍法制备了Mn修饰Al2O3载体负载钯催化剂。将催化剂应用于蒽醌加氢反应,考察了催化剂制备方法、活性组分负载量和催化剂还原温度对反应效果的影响。用XRD、BET、XPS和TPR对催化剂进行了表征。结果表明,催化剂活性受到制备方法的影响,在对Mn修饰Al2O3载体进行焙烧,Pd负载量0.2(wt)%、还原温度300℃的条件下,催化剂蒽醌加氢活性较高,较未修饰的催化剂提高了约16%。催化剂中Mn以MnO的形式存在,影响了γ-Al2O3的组织结构,使载体与活性组分之间的作用力增强,活性组分Pd高度分散在催化剂表面,从而提高了催化剂的活性。     

内撑式深基坑支护结构分析与方案选择

基坑内撑式支护具有经济、快捷和效率高等特点. 通过郑州市某雨水管道工程基坑支护的实践,介绍了内撑式支护结构在深基坑支护中的受力特点,结构分析与方案选择,为内撑式支护设计和施工提供了参考.     

镁铝复合氧化物负载铜催化剂上甘油选择性氢解合成丙二醇

我们通过乙醇溶液浸渍法合成出了具有高分散度金属Cu 的Cu/MgO-Al₂O₃ (Mg/Al 原子比=1/1, 3/1, 4/1)、Cu/MgO 和Cu/Al₂O₃ 等催化剂. 在200℃, 6.0 MPa H₂ 和二氧六环溶剂中, 这些催化剂高选择性地将甘油氢解为1,2-丙二醇(选择性>90%), 而单位表面Cu 原子的甘油转化速率则随催化剂表面碱中心与Cu 原子比例的提高而增大. N₂O 化学吸附-H₂ 程序升温还原实验表明Cu 粒子的本征氢解能力不随其负载量以及载体中的Mg/Al 原子比发生明显改变, 加之碱性MgO-Al₂O₃ 载体本身不催化甘油的转化, 我们推测在甘油氢解反应中金属Cu 粒子与载体界面处的碱中心辅助Cu 粒子活化甘油分子的α 位C-H键, 从而加速甘油脱氢为甘油醛步骤以及甘油氢解反应的进行. CO₂程序升温脱附实验以及对甘油氢解反应中Cu/MgO-Al₂O₃ 催化剂稳定性的考察结果暗示在甘油氢解反应中起主要作用的碱中心是载体表面上与Mg²⁺键连的羟基基团(即B 碱OH^-). 这些对甘油氢解反应中金属中心与碱性中心协同作用的认识对进一步理性设计高效的甘油或其它多元醇分子氢解催化剂具有重要指导意义.     

新型层状晶态聚(苯乙烯-苯乙烯基膦酸)-磷酸锌铵有机聚合物-无机杂化材料的合成与表征

将苯乙烯-苯乙烯基膦酸共聚物、 二水合醋酸锌和磷酸二氢铵在温和的条件下反应, 通过调节无机磷酸盐和有机膦酸的比例, 合成了一系列有机聚合物-无机杂化材料聚(苯乙烯-苯乙烯基膦酸)-磷酸锌铵. 通过FTIR, TG, XRD, SEM和TEM等手段对其进行表征并测试了其催化性能. 结果表明, 聚(苯乙烯-苯乙烯基膦酸)-磷酸锌铵是一种新型层状晶态的有机聚合物-无机杂化材料, 具有较高的热稳定性和特殊的多孔结构. 将其作为催化剂载体, 以芳香二胺作为连接基团, 轴向固载手性Salen Mn(Ⅲ)制备了多相催化剂, 并用于非功能化烯烃的不对称环氧化反应. 催化实验结果表明, 该催化剂在以m-CPBA/NMO为氧化体系催化α-甲基苯乙烯和茚的反应中显示出优良的催化性能, 如催化茚的e.e.值可达99%, 并且可以回收利用, 循环使用8次仍具有较好的催化活性, 具有潜在的工业应用价值.     

Phase Space Prediction of Chaotic Time Series with Nu-Support Vector Machine Regression

A new class of support vector machine, nu-support vector machine, is discussed which can handle both classification and regression. We focus on nu-support vector machine regression and use it for phase space prediction of chaotic time series. The effectiveness of the method is demonstrated by applying it to the Hénon map. This study also compares nu-support vector machine with back propagation (BP) networks in order to better evaluate the performance of the proposed methods. The experimental results show that the nu-support vector machine regression obtains lower root mean squared error than the BP networks and provides an accurate chaotic time series prediction. These results can be attributable to the fact that nu-support vector machine implements the structural risk minimization principle and this leads to better generalization than the BP networks.     

Intelligent Fault Diagnosis of Rolling-Element Bearings Using a Self-Adaptive Hierarchical Multiscale Fuzzy Entropy

The fuzzy-entropy-based complexity metric approach has achieved fruitful results in bearing fault diagnosis. However, traditional hierarchical fuzzy entropy (HFE) and multiscale fuzzy entropy (MFE) only excavate bearing fault information on different levels or scales, but do not consider bearing fault information on both multiple layers and multiple scales at the same time, thus easily resulting in incomplete fault information extraction and low-rise identification accuracy. Besides, the key parameters of most existing entropy-based complexity metric methods are selected based on specialist experience, which indicates that they lack self-adaptation. To address these problems, this paper proposes a new intelligent bearing fault diagnosis method based on self-adaptive hierarchical multiscale fuzzy entropy. On the one hand, by integrating the merits of HFE and MFE, a novel complexity metric method, named hierarchical multiscale fuzzy entropy (HMFE), is presented to extract a multidimensional feature matrix of the original bearing vibration signal, where the important parameters of HMFE are automatically determined by using the bird swarm algorithm (BSA). On the other hand, a nonlinear feature matrix classifier with strong robustness, known as support matrix machine (SMM), is introduced for learning the discriminant fault information directly from the extracted multidimensional feature matrix and automatically identifying different bearing health conditions. Two experimental results on bearing fault diagnosis show that the proposed method can obtain average identification accuracies of 99.92% and 99.83%, respectively, which are higher those of several representative entropies reported by this paper. Moreover, in the two experiments, the standard deviations of identification accuracy of the proposed method were, respectively, 0.1687 and 0.2705, which are also greater than those of the comparison methods mentioned in this paper. The effectiveness and superiority of the proposed method are verified by the experimental results.