基于最近边界向量的SVM增量学习算法

为了减少求支持向量过程中二次规划的复杂度,利用训练样本集的几何信息,选出两类中离另一类最近的边界向量集合,它是样本中最有可能成为支持向量的一部分,用它代替原样本集进行训练.对新增样本,若存在违反KKT条件的样本,只对这部分新样本进行学习.同时找出原样本中可能转化为支持向量的非支持向量样本.基于分析结果,提出了一种新的基于最近边界向量的增量式支持向量机学习算法.对标准数据集的实验结果表明,算法是可行的,有效的.     

基于概率弹性匹配的多姿态人脸认证

为解决多姿态情况下的人脸认证问题,提出了基于概率弹性匹配的方法.首先从多尺度密集采样的图像中提取局部特征,并将局部区域的位置信息保存到特征向量中.然后用高斯混合模型在图像集中训练得到人脸特征的空间外观分布,并将人脸图像中的每一个局部区域表示成与其最相似的高斯分量,从而形成一个基于高斯混合模型表示的人脸特征.通过统计两个人脸特征向量的差向量来训练支撑向量机分类器从而实现多姿态人脸认证.在通用图像库中的实验验证了方法的有效性.     

古河道指导下的断层复杂区储层预测方法——以齐家南地区高台子油层为例

由河道砂体形成的岩性油气藏在油气勘探中占有很重要的地位.随着时间的推移,古河道无论是宽度,还是流经路线都在不断的被改造,导致河道的复杂性增强.多期河道错断切叠,造成河道地震响应特征模糊,相关储层预测难度大.特别是在断裂系统发育的地区,断层对成像的干扰以及对河道的改造使得储层的预测变得更加困难.为解决这一问题,首先利用倾向曲率地震属性对断层进行识别;在此基础上,利用瞬时频率等优选出的地震属性对古河道进行识别;最后对优选的地震属性进行神经网络属性融合,利用融合结果对断层复杂区储层进行预测.通过井的验证,证明先识别断层,排除其对古河道的干扰,再进行河道砂体预测的方法可以有效减小复杂断层对储层预测的干扰,提高储层预测精度.     

利用导数求函数在区间上的最值

<正>~~     

无机中空球的分类、合成方法及应用

中空球是壳层结构材料的一个重要分支。与实心球相比较,中空球具有更多特殊和优异的物理及化学性质,例如具有较小的密度、较大的比表面积以及较好的稳定性和表面渗透性,其中无机中空球较有机中空球还具有耐高温、抗老化等优点。因此,近些年来无机中空球备受人们的关注,广泛应用于催化、电池、医药等众多领域。本文结合本课题组在无机氧化物中空球领域的研究和前人的工作,总结了近5年来制备无机中空球的研究进展。将无机中空球的壳层材料分为五大类,包括:无机氧化物、硫化物及硒化物、金属单质、复合物和其他无机材料。将制备方法分成四大类:硬模板法、软模板法、牺牲模板法和无模板法,对每一大类又进一步细分,并且指出了各种方法的优缺点。同时归纳了无机中空球几个重要的应用领域,如药物、电池、气体传感器和光催化领域。最后在此基础上简要展望了无机中空球的研究前景。     

国内中学化学教育应用SOLO分类理论的研究进展:2006-2014

对2006年至2014年间国内中学化学教育应用SOLO分类理论的46篇文献进行综述。归纳出SOLO分类理论的4个主要应用,分别是分析和编制试题与评分标准,分析高考试题的SOLO层次,指导课堂教学设计和实践,指导化学学习心理实证研究。对SOLO分类理论的4个主要应用均进行了具体地介绍和评述,认为未来应该继续深入地开展相应的理论和实践研究。建议加强中学化学教师对SOLO分类理论的学习,开展关注学生SOLO层次真实情况的实证研究。     

利用基于互信息的不平衡分类方法识别稀有光谱

从海量恒星光谱中发现稀有光谱是天文学研究的重要课题之一。与一般光谱相比,稀有光谱数量较少,因此,传统分类方法无法正常工作。究其原因是这些方法不仅在分类决策时并未对稀有光谱予以更多关注,而且只关注分类的准确率。鉴于此,在总结当前分类方法的基础上,深入分析互信息与决策树之间的关系,提出基于互信息的代价缺失决策树。SDSS DR8中K型、F型、G型以及M型恒星光谱上的比较实验表明,与传统分类方法相比,所提方法能够较好地完成稀有光谱识别的任务。     

基于近红外光谱与误差反向传播神经网络技术的三种人工林木材识别研究

利用近红外光谱结合误差反向传播神经网络(BP)对三种人工林木材(尾叶桉、马尾松、南方无性系I-72杨)进行识别,探讨隐含层神经元个数、光谱预处理方法、光谱范围对BP网络模型的影响,并与SIMCA法所建模型做比较。结果表明：(1)BP网络结合全波段(780～2 500 nm)近红外光谱数据建模,识别正确率达到97.78%,并确定隐含层神经元数为13;(2)全波段光谱建模比短波段(780～1 100 nm)和长波段(1 100～2 500 nm)光谱建模识别效果好,其识别正确率分别为97.78%, 95.56%和96.67%,用一阶导数和二阶导数对全波段光谱进行预处理后,BP网络模型识别正确率分别为93.33%和71.11%;用多元散射校正(MSC)对全波段光谱进行预处理后,BP网络模型识别正确率为98.89%,(3)在三种波段(780～2 500,780～1 100和1 100～2 500 nm)光谱建模的情况下,BP网络建模识别正确率分别为95.56%, 96.67%和97.78%,SIMCA模型识别正确率分别为76.67%, 81.11%和82.22%,BP网络建模比SIMCA法建模对三种人工林木材的识别正确率高。     

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     

一种基于Map/Reduce分布式计算的恒星光谱分类方法

天体光谱中蕴含着非常丰富的天体物理信息,通过对光谱的分析,可以得到天体的物理信息、化学成分以及天体的大气参数等。随着LAMOST和SDSS等大规模巡天望远镜的实施,将会产生海量的光谱数据,尤其是LAMOST正式运行后,每个观测夜产生大约2~4万条光谱数据。如此海量的光谱数据对光谱的快速有效的处理提出了更高的要求。恒星光谱的自动分类是光谱处理的一项基本内容,该研究主要工作就是研究海量恒星光谱的自动分类技术。Lick线指数是在天体光谱上定义的一组用以描述光谱中谱线强度的标准指数,代表光谱的物理特性,以每个线指数最突出的吸收线命名,是一个相对较宽的光谱特征。研究了基于Lick线指数的贝叶斯光谱分类方法,对F,G,K三类恒星进行分类。首先,计算各类光谱的Lick线指数作为特征向量,然后利用贝叶斯分类算法对三类恒星进行分类。针对海量光谱的情况,基于Hadoop平台实现了Lick线指数的计算,以及利用贝叶斯决策进行光谱分类的方法。利用Hadoop HDFS高吞吐率和高容错性的特点,结合Hadoop MapReduce编程模型的并行优势,提高了对大规模光谱数据的分析和处理效率。该研究的创新点为：(1) 以Lick线指数作为特征,基于贝叶斯算法实现恒星光谱分类;(2) 基于Hadoop MapReduce分布式计算框架实现Lick线指数的并行计算以及贝叶斯分类过程的并行化。