新型三维金属-有机配位聚合物的合成、结构与性能

在中温混合溶剂热条件下,分别用镉离子和锰离子与混合多羧酸和多氮配体合成出两个金属-有机配位聚合物[M6(TDC)6(hmt)2(DMF)6(H2O)3 ? (H2O)] (JUC-85a, JUC-85b) (M = Cd 或 Mn,TDC = 噻吩-2,5-二羧酸,hmt = 六次甲基四胺,DMF = N,N-二甲基甲酰胺, JUC = Jilin University China),并通过X射线单晶衍射、元素分析、热重分析、粉末X光衍射、拓扑结构分析和荧光分析对其结构、组成和性质进行了表征. 单晶衍射结果表明,化合物JUC-85a和JUC-85b是同构的三维开放骨架结构,具有一种从少见的(3,6)连接拓扑结构loh1. 同时,JUC-85a具有很好的荧光性质.     

金属-有机骨架对苯二甲酸酯-铝吸附水中酚类化合物动力学和热力学

以吸附等温线、动力学和热力学等方法研究了金属-有机骨架对苯二甲酸酯-铝[MIL-53(Al),MIL:Materials of Institut Lavoisier]对水中邻硝基苯酚、苯酚和邻苯二酚的吸附行为。 MIL-53(Al)对上述酚类化合物的吸附符合准二级吸附动力学模型,且包含表面吸附和孔内扩散两个过程。 吸附热力学结果表明,MIL-53(Al)对酚类化合物的吸附是自发的,且为吸热和熵增加过程。 在40 ℃条件下,MIL-53(Al)对邻硝基苯酚、苯酚和邻苯二酚的吸附量分别为78.6、30.5和16.5 mg/g。     

利用地基红外高光谱发射率数据进行云参数反演(1): 云相态判别

云相态是气候模式中的重要参数,也是遥感反演过程中进行云滴有效半径、云水含量等微物理参数反演的重要前提。在研究了云层有效发射率光谱对云相态敏感性的基础上,提出了基于云层有效发射率光谱的云相态表达特征,包括800～900 cm-1区域的有效发射率斜率、900～1 000 cm-1区域的有效发射率斜率、上述两个区域的有效发射率斜率之差、862.1与989.8 cm-1的有效发射率之比、862.1与989.8 cm-1的有效发射率之差、1 900.1与2 029.3 cm-1的有效发射率之比、远红外窗区有效发射率平均值与900 cm-1有效发射率之比等7个特征。建立了利用支持向量机进行云相态判别的方法,开展了模拟数据验证试验,并利用遗传算法优化了支持向量机的径向基核函数参数和惩罚因子。将该方法用于处理ARM计划中SGP站点的AERI仪器获得的数据,得到的云相态判别结果与Shupe提出的多仪器综合判别结果进行了比较。结果表明,利用红外波段不同窗区的有效发射率光谱特征可以实现发射率低于0.95的云层的相态判别,建立的基于支持向量机的云相态判别方法与Shupe方法的总体判别结果较为一致,但有约30%的云层由于发射率较大而标记为不透明云。基于红外高光谱发射率数据的云相态判别技术充分考虑了光谱斜率、比值和差值等信息,是较为稳定有效的薄云相态判别方法。     

基于受限玻尔兹曼机的电能质量复合扰动识别

针对目前电能质量混合扰动识别精度不高的问题,引入了受限玻尔兹曼机(RBM)算法。RBM是深度学习的一种新颖算法,在语音识别、机器视觉和图像恢复等领域已取得了很好的应用成果,但在电能质量复合扰动识别上尚未涉及。区别于传统算法提取特征的方式,深度网络通过提取波形的固有抽象特征,克服了人工特征选择的缺陷以及传统神经网络训练时收敛速度慢、容易限于局部最优的缺点。复合扰动信号经过深度网络自动获得特征参数,再经过分类器进行分类识别。实验验证该算法在电能质量复合扰动识别上可以达到很高的性能,优于传统的识别方法。 更多还原     

基于LIBS技术的钢铁合金中Cr和Ni元素SVM定量分析方法研究

针对钢铁合金样品中存在基体效应复杂的问题,通过优化支持向量机模型的输入特征,建立多元素变量的定量分析模型,预测钢铁合金样品中Cr和Ni元素的含量。研究结果表明,分别以特征谱线的峰值强度和积分强度作为支持向量机模型的输入时,积分强度因为包含了谱线的谱宽和形状信息,模型训练效果较好;相比于单一元素谱线的特征信息,采用多元素的多条谱线信息输入支持向量机模型时,模型训练效果较好,这是由于多种谱线信息的输入可以有效校正基体效应的影响。在此基础上,通过归一化变量将内标法与多变量定标方法有效结合,不仅可以减小实验测量误差还能有效校正基体效应的影响,而且有效提高了模型的重复率和准确率。归一化变量作为支持向量机模型的输入变量,对待测样品S₁和S₂中Cr元素含量预测的相对误差为6.58%和1.12%,对Ni元素浓度预测的相对误差为13.4%和4.71%。通过归一化变量将内标法与多变量定标方法有效结合,可以充分发挥SVM算法的非线性学习优势,为LIBS技术应用于复杂样品定量定标分析提供理论基础。     

基于SVM与RF的苹果树冠LAI高光谱估测

叶面积指数(leaf area index,LAI)是反映作物群体大小的较好的动态指标。运用高光谱技术快速、无损地估测苹果树冠叶面积指数,为监测苹果树长势和估产提供参考。以盛果期红富士苹果树为研究对象,采用ASD地物光谱仪和LAI-2200冠层分析仪,在山东省烟台栖霞研究区,连续2年测量了30个果园90棵苹果树冠层光谱反射率及LAI值;通过相关性分析方法构建并筛选出了最优的植被指数;利用支持向量机(support vector machine, SVM)与随机森林(random forests, RF)多元回归分析方法构建了LAI估测模型。新建的GNDVI₅₂₇,NDVI₆₇₆,RVI₆₈₂,FD-NVI₆₅₆和GRVI₅₁₇五个植被指数及前人建立的两个植被指数NDVI₆₇₀和NDVI₇₀₅与LAI的相关性都达到了极显著水平;建立的RF回归模型中,校正集决定系数C-R2和验证集决定系数V-R2为0.920,0.889,分别比SVM回归模型提高了0.045和0.033,校正集均方根误差C-RMSE、验证集均方根误差V-RMSE为0.249,0.236,分别比SVM回归模型降低了0.054和0.058, 校正集相对分析误C-RPD、验证集相对分析误V-RPD达到了3.363和2.520,分别比SVM回归模型提高了0.598和0.262,校正集及验证集的实测值与预测值散点图趋势线的斜率C-S和V-S都接近于1,RF回归模型的估测效果优于SVM。RF多元回归模型适合盛果期红富士苹果树LAI的估测。     

基于支持向量机的序列可靠性优化方法

在工程设计中,可靠性优化设计通常计算量较大或精度不够。本文提出了一种基于支持向量机（Support Vector Machine）和MPP（Most Probable Point）的可靠性分析方法。用SVM 在MPP处替代原极限状态函数,并利用极限状态函数的梯度信息,使SVM模型穿过M PP并与原函数相切,再基于SVM采用重要抽样法计算失效概率。然后,将SORA（Sequential Optimization and Reliability Assessment ）与基于SVM 的可靠性分析方法相集成,将传统的双循环可靠性优化算法解耦为单循环,并通过基于SVM 的可靠性分析方法修正了SORA中由于线性近似带来的误差,保证了最优设计点处可靠性分析的精度。算例证明,该方法在处理非线性问题时具有精确度高和计算量适度的特点。     

基于小波包Shannon熵与GA-SVM的船舶轴系故障诊断方法

针对船舶推进轴系的振动问题, 基于小波包、Shannon熵、遗传算法(GA)和支持向量机(SVM)理论, 提出了一种船舶轴系故障诊断的新方法, 简称WPS-GS方法. 该方法依托船舶螺旋桨状态监测模拟实验平台, 利用小波包分解技术分析船舶轴系发生故障时的振动信号, 将其Shannon熵作为SVM的输入特征向量. 在训练SVM时, 采用遗传算法对SVM的参数进行全局寻优, 使SVM具有更高的识别准确率. 实验结果表明, WPS-GS方法对故障诊断的准确度和识别率较传统SVM和交叉验证SVM方法高, 适用于船舶轴系故障诊断.     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题,提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine,SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个,空心75个)作为研究对象,搭建了马铃薯半透射高光谱图像采集系统,采集了马铃薯样本半透射高光谱图像(390~1 040 nm),对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理,建立了全波段的SVM判别模型,模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能,采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择,最终确定了8个光谱特征变量(454,601,639,664,748,827,874和936 nm),所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm,AFSA)、遗传算法(genetic algorithm,GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析,确定AFSA为最优优化算法,最优模型参数为c=10.659 1,g=0.349 7,确定AFSA-SVM模型为马铃薯空心病的最优识别模型,该模型总体识别率达到100%。试验结果表明：基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测,也为马铃薯空心病的快速无损检测提供技术支持。     

基于激光近红外的稻米油掺伪定性-定量分析

该文主要研究激光近红外光谱分析技术结合化学计量学方法对稻米油掺伪进行定性-定量分析。分别将大豆油、玉米油、菜籽油、餐饮废弃油掺入稻米油中,按照不同质量比配置189个掺伪油样,利用激光近红外光谱仪采集光谱;对采集的稻米油掺伪图谱数据进行多元散射校正(MSC)、正交信号校正 (OSC)、标准正态变量变换和去趋势技术联用算法(SNV_DT)三种不同预处理并与原始数据进行比较。采用连续投影算法(SPA)对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类(SVC)方法建立稻米油掺伪样品的定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。另采用后向间隔偏最小二乘法(BiPLS)和SPA对预处理后的光谱数据进行特征波长提取,分别应用偏最小二乘法(PLS)和支持向量机回归(SVR)建立掺伪油含量的定量校正模型,并选用网格搜索算法对SVR模型参数组合(C,g)进行寻优,建立最优参数模型。研究表明,建立的SVC模型预测集和校正集的准确率分别达到了95%和100%;对比SVR和PLS方法建立的数学模型对稻米油中掺杂油脂的含量的预测,两种方法均能够实现含量预测,SVR模型的预测能力更好,相关系数R高于0.99,均方根误差(MSE)低于5.55×10-4,预测精度高。结果表明,采用激光近红外光谱分析技术可以实现稻米油掺伪的定性-定量分析,同时为其他油脂的掺伪分析提供了方法。