基于机器学习的合金催化剂表面吸附能预测

近年来，机器学习方法逐渐成为多相催化中的一种关键研究手段. 二元合金材料作为重要的催化剂之一，在双功能催化剂的筛选中受到了广泛的关注. 本文提出了一个将机器学习方法应用在预测催化性质上的整体框架，从而快速预测原子、分子在金属和二元合金表面的吸附能. 通过测试不同的机器学习方法来评估它们对于该问题的适用性，并将树集成的方法与压缩感知方法相结合，利用约6×10⁴个吸附能数据构建了预测模型. 相对于线性比例关系，该方法可以更准确地预测大量合金上的吸附能(预测的均方根误差降低一半)，并且更通用地预测各种吸附物的能量，为发现新的双金属催化剂铺平了道路.     

近红外光谱结合随机森林算法：一种快速有效的附子产地溯源策略

可靠的原产地认证方法对于保护指定产地的高价值中药材（例如道地药材、地理标志产品等）至关重要。附子作为著名的传统中药和川产道地药材，疗效显著，临床应用广泛，在国内外市场需求量很大。不同产地的附子疗效和价格有所不同，大众很难通过传统经验进行准确鉴别，基于植物代谢组学模式下的质谱检测技术，测试样本制备过程繁琐冗长、操作复杂、检测时间长，且重现性偏低。近红外光谱作为一种成熟、快速、无损的检测技术，被机器学习集成后为中药材在线质量监管和控制带来新途径。基于近红外光谱技术结合随机森林算法建立了一种不同产地附子无损鉴别模型。在四川、陕西和云南等主要栽培区域共采集了255份附子样本，采用傅里叶变换近红外光谱获得所有样本的漫反射光谱信息。采用单一和组合光谱预处理方式以消除光谱中的多种干扰，并筛选出最佳预处理方式，以此为输入指标建立随机森林模型。采用灵敏度、特异度和平衡精度等指标评价了模型的综合性能。结果表明：Savitzky-Golay平滑+多元散射校正为最佳预处理方式；仅采用全波长数据，RF模型对3组省级的样本的预测准确率超过了90%，预处理后预测准确率达98.39%；对于市/县一级样本，RF模型同样具有优秀的判别能力，准确率大于75%。模型对道地产区周边栽培区域的样本，识别率达100%。过滤出前100个特征波数，重新优化模型，模型对各市/县级区域的识别精度超过85%，尤其是对一些产自高原样本的识别能力得到了明显提升。研究中采用了环境友好型溯源策略，分析速度更快，样品损失更少，精度更高，为不同产地附子快速、高效的鉴别提供了新模式，为后续附子及其相关炮制品的鉴别和溯源提供了参考。     

支持向量机在小样本识别中的应用

针对癌症细胞诊断过程中样本采集困难，数目偏少的实际情况，在癌症的早期诊断中引入了一种新的模式识别方法——支持向量机．该方法基于统计学习理论的原理，较好地解决了小样本的学习分类问题，通过对具有不同性状的癌前增生细胞进行分类识别验证，支持向量机取得了较传统分类方法更好的识别效果。     

基于机器学习的轨道校正方法

轨道校正是加速器束流调节最基本的步骤之一,也是目前各加速器实验室共同面对的问题之一。在传统方法中,线性代数工具被应用于各种类型的响应矩阵,以解决响应矩阵的奇异性等问题。提出一种基于机器学习的加速器轨道校正方法,可以避免处理响应矩阵的问题通过直接读取BPM数据和校正磁铁强度值实时构建机器学习模型快速地对轨道进行修正。对机器学习的轨道校正方法进行了介绍,并从数学公式、算法模型、在模拟和真实数据上的测试等方面对该方法进行了讨论。结果表明,在误差范围内该方法能有效的对加速器束流轨道进行校正。     

杨玮枫教授课题组简介

杨玮枫,汕头大学卓越计划拔尖层次特聘教授、博士生导师,全国优秀博士论文获得者“广东省扬帆计划”引进紧缺拔尖人才,广东省物理学会理事会理事,广东省“先进光学与光电子学”创新团队负责人,教育部大学物理教学指导委员会中南地区工作委员,广东省物理类专业教学指导委员会委员,汕头大学物理系主任。从事研究方向为:新型光场调控、强场阿秒物理、机器学习智能算法。     

激光诱导击穿光谱技术结合神经网络和支持向量机算法的人参产地快速识别研究

利用激光诱导击穿光谱技术结合机器学习算法,对东北5个产地(大兴安岭、集安、恒仁、石柱、抚松)的人参进行产地识别,建立了主成分分析算法分别结合反向传播(BP)神经网络和支持向量机算法的人参产地识别模型.实验采集了5个产地人参共657组在200-975 nm的激光诱导击穿光谱,经光谱数据预处理后,对C,Mg,Ca,Fe,H,N,O等元素的8条特征谱线进行主成分分析,原光谱数据的前3个主成分累积贡献率达到92.50%,且样品在主成分空间中呈现良好的聚集分类.降维后的前3个主成分以2∶1进行随机抽取,分别作为分类算法的训练集和测试集.实验结果表明主成分分析结合BP神经网络及支持向量机的平均识别率分别为99.08%和99.5%.发生误判的原因是集安和石柱两地地理环境的接近而导致的H,O两元素在Ca元素离子发射谱线下的归一化强度相似.本研究为激光诱导击穿光谱技术在人参产地的快速识别提供了方法和参考.     

混杂复合材料等效热传导性能预测的小波-机器学习混合方法

混杂复合材料是一种新型复合材料,其复杂的细观结构导致预测其等效热传导性能极富挑战性.本文结合渐近均匀化方法、小波变换方法和机器学习方法发展了一种新的可以有效预测混杂复合材料等效热传导性能的小波-机器学习混合方法.该方法主要包括离线多尺度建模和在线机器学习两部分.首先借助渐近均匀化方法通过离线多尺度建模建立了混杂复合材料的热传导性能材料数据库,然后利用小波变换方法对离线的材料数据库进行预处理,接下来分别运用人工神经网络和支持向量回归方法建立混杂复合材料等效热传导性能预测的在线机器学习模型.最后通过对周期和随机混杂复合材料进行数值实验,验证了小波-机器学习混合方法的有效性,数值实验结果表明小波-神经网络混合方法具有最优的预测效果和抗噪能力.此外,需要强调的是对于具有高维大规模数据特征的随机混杂复合材料,小波-机器学习混合方法不仅可以提取离线材料数据库的重要特征,还可以显著减少在线监督学习的输入数据规模并提高机器学习模型的训练效率及抗噪性能.本文建立的小波-机器学习混合方法不仅适用于混杂复合材料等效热传导性能的预测,还可进一步推广应用于复合材料等效物理、力学性能的预测.     

基于LBP和PCA机器学习的手势识别算法

为解决听力障碍者与无障碍者的信息交流问题,对哑语手势自动识别技术进行研究。提出了一种改进的手势识别算法。首先通过YUV肤色分割、图像差分、连通域检测等算法进行预处理,获取完整的手型区域图像。然后对手型的二值图像进行轮廓检测,采用LBP变换与主成分分析进行特征提取与压缩。最后运用支持向量机的机器学习算法构建分类器,对哑语手势进行分类识别。通过对630张手势图像进行实验,结果表明,提出的算法有效提高了识别率与速度,识别率达到94.22%,速度达到0.29s/幅,可以满足哑语交流的实时性要求。     

大数据处理中分类算法的数值比较

针对大数据背景下机器学习的3种新分类算法:支持向量机、增强决策树、随机森林和传统分类的3种算法:逻辑回归、K最近邻法和线性判别分析法,选取了七个不同行业的实例数据集用上述六种分类算法进行数值分析,计算六种分类算法在测试集的总误判概率和两种错误的误判率.分析结果表明:从预测角度上大数据情况下新的机器学习分类算法尤其是随机森林和增强决策树的表现明显优于传统的分类算法.