基于SVM理论的一种新的数据分类方法

基于 SVM分类器在模式识别问题中有独特的优势 ,本文通过对标准 SVM模型的改造 ,提出了一种新的简单的数据分类方法 .理论分析和实验表明 ,该方法与标准 SVM分类方法相比具有处理大规模数据识别的能力且保持较高的样本识别率 ,节省存储空间等优势 .     

EXPLICIT EXPRESSIONS FOR SOME DISTRIBUTIONS RELATED TO RUIN PROBLEMS

The classical risk process that is perturbed by diffusion is studied .The explicit expressions for the runi probability and the surplus distribution of the risk process at the time of runi are obtained when the claim amount distribution is a finite mixture of exponential distributions of a Gamma (2,α） distribution.     

支持向量机(SVM)在傅里叶变换近红外光谱分析中的应用研究

支持向量机(SVM)用于两类问题的识别研究,它是统计学习理论中最年轻的分支,所建分析模型有严格的数学基础。同时介绍了SVM学习的基本原理和方法,并将该方法引入化学计量学,以103个中药大黄样品为实验材料,通过SVM近红外光谱法建立了大黄样品真伪识别模型。对学习集中33个样品模型识别准确率为100％;对70个预测样品的识别准确率为96．77％,为中药大黄的快速识别提供了参考。研究结果表明了SVM近红外光谱法建立生物样品识别模型的可行性。通过旨在介绍SVM学习方法的基本思想,以引起化学计量学工作的进一步关注。     

基于高光谱成像技术结合SPA和GA算法测定甜玉米种子电导率

种子活力对于农业发展至关重要，而甜玉米种子普遍存在活力较低且不耐贮藏的问题。因此，及时准确地对甜玉米种子活力进行检测尤为重要。电导率测定法作为一种传统的种子活力检测方法，存在对种子有一定破坏性、耗时较长、重复性不佳等缺点。针这些问题，尝试利用可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法建立甜玉米种子电导率快速、无损且精确的检测方法。以高温高湿老化的绿色超人甜玉米种子为试验材料，先通过可见-近红外高光谱成像系统采集种子的高光谱图像和进行电导率测定试验，随后对高光谱图像进行黑白板校正、提取感兴趣区域，获取光谱反射率数据。利用多种预处理方法分别为标准正态变量变换（SNV）、二阶导（SD）、一阶导（FD）、和多元散射校正（MSC）建立甜玉米种子电导率的偏最小二乘回归（PLSR）模型，比较分析并筛选出最适预处理方法。再通过连续投影算法(SPA)及遗传算法（GA）对MSC预处理后的高光谱波段进行筛选提取，基于选出的特征波段建立PLSR模型，并与全波段（Full）PLSR模型进行对比分析，得到与甜玉米种子电导率相关性最高的高光谱波段组合，最终确立一种能够预测甜玉米种子电导率的方法体系。实验结果显示：不同预处理方法（SNV，FD，SD和MSC）建立的PLSR模型性能有所差异，其中MSC-PLSR模型的表现最优秀，其校正决定系数和预测决定系数分别为0.983和0.974，相应的校正均方根误差和预测均方根误差分别为0.165和0.226。进一步分析MSC-Full-PLSR，MSC-SPA-PLSR和MSC-GA-PLSR模型，发现GA能够将全光谱的853个波段压缩至25个有效波段，所建立的MSC-GA-PLSR模型仍表现优秀，其校正决定系数和预测决定系数分别为0.976和0.973，相应的校正均方根误差和预测均方根误差分别为0.194和0.212。实验结果表明：基于可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法实现对甜玉米种子电导率的预测存在一定的可行性。该研究为甜玉米种子电导率的快速、无损且精确的检测提供一定的理论支持。     

半监督支持向量机及其在县域可持续发展综合实力评价中的应用

给出了基于全部风险(ORM)最小化基础上的半监督支持向量机分类算法,该算法通过加入工作集进行训练,提高了标准SVM对训练集提供信息不充分的数据集的分类泛化能力,而且能有效地处理大量的无标示数据.并将凹半监督支持向量机算法应用于县域可持续发展综合实力评价中.通过邯郸15个县作实证分析,论证了该算法的可行性和有效性.     

ICP-MS测定超高纯钽铌及其化合物中痕量杂质元素

以 HF- HNO3 微波消解试样 ,直接用 ICP- MS测定高纯钽铌化合物中 19个杂质元素 ,选择了仪器的工作参数 ,考查了质谱干扰及基体干扰的情况 ,选择内标元素 Ga、In校正 ,克服了基体效应。检出限为0 .0 0 5— 0 .2μg/ g,回收率为 87%— 110 % ,方法快速准确 ,灵敏度高。     

高光谱技术无损检测单粒小麦种子生活力的特征波段筛选方法研究

种子活力是种子质量的一项重要指标，高活力的种子具有较强的抗逆性、生长优势及生产潜力。而种子活力在种子生理成熟时最高，随后随着贮藏时间的延长而发生着自然不可逆的降低。因此，在播种前及时、准确地对种子活力进行检测和筛选具有重要的实践意义。针对传统种子活力检测方法存在的操作过程复杂繁琐、耗时长、重复性差且对种子有破坏性等缺点，研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、无损、精确的检测方法。以高温高湿老化后的190粒小麦种子（发芽128粒，不发芽62粒）作为研究样本，先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验，并确保光谱采集试验和标准发芽试验的小麦种子一一对应。随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。分别采用一阶导数（FD）、均值中心化（MC）、正交信号校正(OSC)和多元散射校正（MSC）对原始光谱数据进行预处理，结合偏最小二乘辨别分析（PLS-DA）建立全波段PLS-DA模型，比较分析，并筛选出最适预处理方法。分别利用无信息变量消除算法（UVE）、竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取，再分别基于所提取出的特征波段建立PLS-DA定性判别模型，对比分析，最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。结果表明：不同光谱预处理建立的模型其表现有所差异，在MC，FD，OSC和MSC中，采用MC对原始高光谱数据进行预处理，建立的全波段MC-PLS-DA判别模型，其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%，优于原始及其他预处理后建立的全波段PLS-DA判别模型，其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。进一步对比3种单特征波段提取方法及其耦合分析建模中，发现3种变量筛选方法耦合（UVE-CARS-SPA）的方式能够将光谱全波段的688个变量压缩至8个变量（473，492，811，829，875，880，947和969 nm），利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果，其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%，较全波段模型（MC-Full-PLS-DA）分别提升了4.2%和2.1%，活种子的鉴别正确率分别为93.8%和84.4%，经过此优秀模型筛选后，种子批最终发芽率可达到93.1%。实验结果表明，基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。研究工作为小麦种子活力的快速、精确且无损的检测提供理论支持。     

具有非期望产出的随机DEA模型研究

为解决含有不确定信息的非期望产出效率评价问题,建立了一个非期望产出的随机DEA模型.该模型将非期望产出作为负期望产出进行处理,引入了期望效率值、显著性水平来刻画随机问题,并通过机会约束规划的相关知识将模型转化为确定形式.对模型的最优值的相关性质进行了探讨,说明最优值与期望效率值、显著性水平之间的关系.最后给出数值实验说明该模型的有效性.     

傅里叶变换近红外全谱回归分析的应用研究

文章以66个小麦样品为实验材料,其中33个为建模集,剩余33个为预测集,利用广义逆矩阵直接确定傅里叶变换近红外全谱分析回归模型中的回归系数,建立了用于蛋白质定量分析的近红外全谱回归模型。用此模型对预测集中的样品进行预测,结果与凯氏定氮法测定结果间的相关系数为r=0．9799,平均相对误差为1．76％,表明由广义逆矩阵方法所建近红外全谱定量分析回归模型有较好的分析结果。所建模型不仅可用于对样品的实际分析,而且可根据回归模型中各个系数了解各个波长点处的光谱信息对模型预测值的贡献,从而可理解并解释傅里叶变换近红外全谱回归模型的物理学与化学意义。