解选择题几法

高考数学中的选择题具有题小、基础、灵活、答案唯一等特点;又由于选择题有被选项,具有相当大的提示性,大大增加了解答的途径和方法。选择题常常蕴藏着极其巧妙的解法,有利于对考生思维深度的考察。快速、准确、灵     

生长曲线模型的变量选择

生长曲线模型是一个典型的多元线性模型, 在现代统计学上占有重要地位. 文章首先基于Potthoff-Roy变换后的生长曲线模型, 采用自适应LASSO为惩罚函数给出了参数矩阵的惩罚最小二乘估计, 实现了变量的选择. 其次, 基于局部渐近二次估计, 对生长曲线模型的惩罚最小二乘估计给出了统一的近似估计表达式. 接着, 讨论了经过Potthoff-Roy变换后模型的惩罚最小二乘估计, 证明了自适应LASSO具有Oracle性质. 最后对几种变量选择方法进行了数据模拟. 结果表明自适应LASSO效果比较好. 另外, 综合考虑, Potthoff-Roy变换优于拉直变换.     

生长曲线模型的惩罚最小二乘估计

主要考虑了生长曲线模型中的参数矩阵的估计.首先基于Potthoff-Roy变换后的生长曲线模型,采用不同的惩罚函数:Hard Thresholding函数,LASSO,ENET,改进LASSO,SACD给出了参数矩阵的惩罚最小二乘估计.接着对不做变换的生长曲线模型,直接定义其惩罚最小二乘估计,基于Nelder-Mead法给出了估计的数值解算法.最后对提出的参数估计方法进行了数据模拟.结果表明自适应LASSO在估计方面效果比较好.     

基于CARS-MIV-SVR的库尔勒香梨可溶性固体含量预测方法

为了实现库尔勒香梨依据可溶性固体含量（SSC）分级定等和按质论价，推动采后处理向标准化、产业化方向健康发展，利用高光谱成像技术研究出了一种快速、有效、无损检测库尔勒香梨SSC的方法。以表面无损伤的157个库尔勒香梨作为研究样本，应用高光谱成像采集系统获取400~1 000 nm波长范围内高光谱图像并用ENVI5.3软件提取感兴趣区域（ROI），获得高光谱数据。采用Kennard-Stone（KS）样本集划分方法将全部样本按照2∶1的比例划分为校正集（105）和预测集（52）。对比标准变量变换（SNV）、多元散射校正（MSC）、一阶导数（FD）和二阶导数（SD）等数据预处理方法对建模精度的影响，最终选用SNV方法对光谱曲线进行平滑去噪。该研究提出竞争性自适应重加权算法与平均影响值算法的组合算法（CARS-MIV）选择特征波长。在竞争性自适应重加权算法（CARS）方法中，建模样本由蒙特卡罗算法随机选择生成，变量回归系数会随之发生变化，因而回归系数的绝对值不能全面反映变量重要性，从而影响模型检测精度。为降低这种影响，应用平均影响值（MIV）算法对选出的自变量进行二次筛选，筛选出相关性较大的变量用以建模分析，并与CARS、连续投影算法（SPA）、蒙特卡罗无信息变量消除算法（MCUVE）等经典特征波长选择算法进行比较。最后分别以全波长（FS）光谱信息和四种特征波长选择方法得出的光谱信息作为输入矢量，应用支持向量回归（SVR）建立库尔勒香梨可溶性固体含量定量预测数学模型，以校正集相关系数（R_c）、校正集均方根误差（RMSEC）、预测集相关系数（R_p）和预测集均方根误差（RMSEP）四个参数来评估模型的预测精度。比较分析发现，CARS-MIV-SVR模型效果最佳，校正集相关系数（R_c）为0.985 94，预测集相关系数（R_p）达到0.946 31，校正集和预测集均方根误差分别为0.185 85和0.403 33。结果证明：CARS-MIV特征波长选择方法能够有效增强库尔勒香梨光谱数据特征波长选择的稳定性和精确性，提高模型的预测精度。利用高光谱技术结合CARS-MIV-SVR模型能够满足库尔勒香梨可溶性固体含量测定需求，实现库尔勒香梨的分级定等和按质论价。     

高效液相色谱-二极管阵列检测法测定护发产品中肌酸

建立了护发产品中肌酸的高效液相色谱(HPLC)测定方法.样品经流动相溶解并提取,采用偏磷酸溶液为流动相,流速为1.0 mL/min,以C8色谱柱(250 mm×4.6 mm 5μm)进行分离,二极管阵列检测器进行检测,检测波长为210 nm.在上述条件下,目标物质与样品的杂质获得有效分离,在2～100 mg/L范围内,质量浓度与峰面积呈良好的线性关系.对护发产品进行添加回收,回收率为92.5%～101.6%,RSD为2.0%～3.7%.已用于护发产品中肌酸含量的分析.