改进的QGA-ELM算法水稻叶面积指数反演模型

为了通过植被指数（VI）准确、可靠的获取不同施肥梯度、不同品种的水稻叶面积指数（LAI）,提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型,再通过引入组合动态旋转角策略、单点混沌交叉操作、混沌变异操作、确定性选择策略、量子灾变操作对量子遗传算法（QGA）进行改进,最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。为了验证该模型普适性和有效性,依次建立多元线性回归、BP、ELM、QGA-ELM、改进的QGA-ELM算法5种模型,并在不同数据集上进行反演效果比较,结果表明：（1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程,改进的算法能有效提升模型寻优能力,避免算法早熟,且能寻得更优结果。（2）对比五种算法在不同数据集上的反演效果,验证了NDVI,RVI与LAI之间主要为非线性关系,且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。（3）对比五种算法在不同数据集上的反演效果,改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差,改进后的算法反演精度得到了明显提升,泛化性能也得到了增强。（4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差,且精度较高,能为不同生长状况水稻LAI反演提供依据。（5）五种模型对庆和香LAI反演精度均要高于龙稻18,而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度,且在不同水稻品种上反演精度相差极小,远低于其他四种模型,能很好适应不同水稻品种LAI反演要求,极大提升模型的稳定性性,为不同水稻品种反演提供参考意义。     

光学玻璃超声振动维氏压痕中位裂纹的实验研究

为了进一步掌握光学玻璃材料超声振动辅助磨削亚表面损伤机理,设计常规和超声振动条件下维氏压痕实验,调查两种情况下K9光学玻璃压痕形貌特征;采用磁性复合流体抛光方法检测K9光学玻璃压痕区域的中位裂纹深度,对常规压痕系统中位裂纹模型进行两次系数修正,获得超声振动条件下的维氏压痕系统中位裂纹深度模型.通过超声振动维氏压痕实验计算静态和动态断裂韧性,得到两种加载条件的一次修正系数分别为0.08和0.06;结合检测中位裂纹深度实验结果拟合获得的两种条件下二次修正系数数值接近,分别为94.75和94.50.结果表明该模型对超声振动和加工条件具有良好的识别度.     

装甲钢/UHPC复合靶体抗侵彻性能试验与数值模拟研究

装甲钢/超高性能混凝土（UHPC）复合防护结构在重点工程中抵抗弹体的高速侵彻作用具有广泛的应用前景。为评估该复合结构的抗侵彻性能,对两种复合靶体开展侵彻试验与数值模拟研究。首先,开展了12发30 mm口径30CrMnSiNi2A弹体372~646 m/s速度侵彻复合靶试验。随后通过一系列静动态力学性能试验标定装甲钢材料的本构模型参数,并建立三维有限元模型对上述试验开展数值模拟分析。通过对比试验和数值模拟得到的弹体侵彻深度、残余弹体长度和装甲钢板的失效模式,验证了装甲钢本构模型参数的可靠性。进一步基于弹道效益系数对复合靶抗侵彻性能进行了定量评估。最后,确定了不同装甲钢板厚度复合靶体的临界贯穿速度,并对弹体侵彻复合靶的弹、靶失效模式进行了讨论。     

基于组合偏最小二乘的特征波段优选方法在氨、碱化处理玉米秸秆粗蛋白检测中的研究

该文构建了玉米秸秆粗蛋白定量分析模型,并对光谱特征波段选取方法进行探讨及验证。首先对107个样本进行预处理,剔除两个异常样本后采用DB2小波缺省阈值4层分解方式进行光谱重构,预处理后粗蛋白模型交互验证决定系数R2CV从0.788 9提高至0.920 8,采用间隔偏最小二乘(IPLS)及其改进型方法后向区间间隔偏最小二乘(BIPLS)、组合间隔偏最小二乘(SIPLS)进行特征波段选取,并对比主成分分析、竞争性自适应重加权采样法、相关系数法、遗传算法、移动窗口最小二乘等结果,发现基于IPLS及其改进型BIPLS、SIPLS均可有效、准确定位特征波段区间,其中采用SIPLS 30 波段间隔在10 128~10 398 cm-1与11 196~11 462 cm-1时具有最优模型,验证集相关系数(rp)为0.978 4,验正集决定系数(R2P)为0.957 2,验正集均方误差根(RMSEP)为0.221 1,相比于其他波段选取方法表现出较好的实时准确性,该方法可为玉米秸秆氨碱化最优条件判定提供重要的数据支撑。     

基于TDLAS平衡差分技术的CO气体检测

利用可调谐半导体激光吸收光谱(TDLAS)结合平衡差分探测技术测量了1.578μm附近的CO气体3-0带P(4)跃迁在不同压强和不同浓度下的吸收光谱信号。由于平衡差分探测方法可以有效地抑制激光光强波动、温度漂移和机械振动等共模噪声,从而提高了光谱探测灵敏度。通过与直接吸收信号相比,平衡差分的信噪比提高了3.4倍,探测极限为87ppmv。测量了浓度为1%压强为40,55,70和85Torr时的CO气体,结果显示在70Torr时其光谱信号最强。并且,利用直接吸收和平衡差分技术测量了不同浓度的CO气体在总压强在70Torr时的光谱信号,发现平衡差分技术光谱强度与浓度的关系线性度符合较好,其测量误差小于5%。为了进一步验证系统的稳定性,连续采集了324s的光谱信号,最后通过Allan方差分析,发现本实验系统的最佳探测时间为38s,探测极限为47.8ppmv。     

石墨烯负载Ni2P纳米片作为锂硫电池的硫基复合正极材料

将磷化镍纳米片均匀负载到石墨烯(G)上制备出Ni₂P/G复合材料,并将其作为硫载体构筑了硫基复合材料(S/Ni₂P/G)。研究表明,磷化镍纳米片对可溶性多硫化物具有强的化学作用和较高的电催化活性,使S/Ni₂P/G硫基复合材料表现出良好的电化学性能。特别是,在高硫含量(80.3%)和低电解液用量(15μL·mg^-1)条件下,S/Ni₂P/G硫基复合材料展现出1 164.7mAh·g^-1的质量比容量和良好的循环稳定性。此外,S/Ni₂P/G复合材料具有高的振实密度(1.02 g·cm^-3),其体积比容量高达954.0mAh·cm^-3,约为S/G复合材料体积比容量的1.6倍。     

关于正定矩阵的Szász不等式和Hadamard不等式的注记

在矩阵不等式理论里,Szász不等式和Hadamard不等式是基本的结论.给出Szász不等式的加法形式,证明Hadamard不等式等价于AM-GM不等式,这些定论似乎被矩阵论专家忽视了.从一个侧面揭示了"平均"思想的重要作用.     

高光谱成像的水稻稻瘟病早期分级检测

稻瘟病是世界公认的水稻重大病害之一。实现稻瘟病害的早期分级检测,对水稻病害早期防治及精准用药具有重要意义。以大田自然发病水稻为研究对象,采集稻瘟病发病早期染病叶片和健康叶片,获取所有叶片样本在400~1 000 nm波段内的高光谱图像并提取光谱数据。水稻在染病之初不会立刻出现病斑,无法识别采集到的无斑叶片是否染病。为实现对自然染病叶片早期无病斑状态的识别,提出取染病叶片贴近病斑的非病斑区域高光谱数据作为染病等级中的1级样本进行检测分析。按照病斑面积将样本划分为4个等级：健康叶片为0级（109片）、染病无病斑为1级（116片）、病斑面积小于10%为2级（107片）、病斑面积小于25%为3级（101片）。运用主成分分析（PCA）和竞争性自适应重加权（CARS）算法进行特征变量选取,CARS提取的特征波段较多,利用PCA算法对其进一步降维。分别以全谱数据、PCA提取的4个、8个、CARS选择的21个、CARS-PCA提取的6个特征变量为输入,建立水稻稻瘟病早期高光谱支持向量机（SVM）、PCA4-SVM、PCA8-SVM、CARS-SVM和CARS-PCA-SVM检测模型。结果显示,所有模型对各级样本的检测准确率均较高,其中,对1级样本的检测准确率与其他级别相当,识别效果较好;所有模型的样本总体准确率均大于94.6%,CARS-SVM模型的总体准确率最高为97.29%,CARS-PCA-SVM模型为96.61%略低于CARS-SVM模型,但其输入变量仅为6个,较CARS-SVM的21个减少71.43%,模型更为简洁、更利于提高检测速度。因此,综合评价CARS-PCA-SVM模型最优,各级准确率分别为97.30%,94.87%,94.29%和100.00%。结果表明,所建模型检测准确度较高,可以实现对大田自然发病的稻瘟病早期分级检测,为稻瘟病染病之初无病斑叶片的检测提供新思路,为水稻稻瘟病早期防治、精准施药及检测仪器开发提供理论依据。     

基于损伤-虚拟张拉裂纹模型的地下爆炸围岩破坏规律研究

地下硐室作为爆炸危险物的隐蔽贮藏空间,有潜在的内爆炸风险。为研究内爆炸作用下硐室围岩的动态响应机制,提出了一种基于岩石HJC (Holmquist-Johnson-Cook)模型和节理内聚力单元的损伤-虚拟裂纹模型。分析了模拟方法的可靠性,并在此基础上,通过多物质ALE算法对球形硐室内爆炸过程进行数值模拟,分析了围岩损伤范围和分区破坏规律。研究表明:插入内聚力单元弥补了HJC模型无法模拟低静水压力下张拉破坏的不足,且尺寸效应易于处理。模拟方法同时考虑了岩体内张拉裂纹的扩展和岩石材料的塑性损伤,能够真实地反映岩石破坏的全过程。以红砂岩为例,根据数值模拟结果,填实（耦合装药）爆炸时围岩分区破坏规律明显,破碎区比例半径为0.26 m/kg1/3、裂隙区比例半径为0.47 m/kg1/3。随着硐室尺寸的增大,空气的间隔作用可以减小爆炸荷载对围岩的损伤作用,比例半径达到0.52 m/kg1/3时,可以实现爆炸荷载的完全解耦。     

基于高光谱成像的牧草粗蛋白含量检测研究

粗蛋白（CP）是评价牧草营养价值和品质参数的关键指标。快速、准确地对牧草中粗蛋白含量进行评估在畜牧业生产研究中具有重要意义。为确定牧草粗蛋白含量的高光谱特征波段及最优检测模型，研究分别于2017年5月至9月间在黑龙江省杜尔伯特自治区的人工牧草场（羊草）内每月随机选取35个样本，5个月共采集175个样本。采样时在样本点处放置1 m×1 m的样方，将样方内所有牧草全部齐地面收割采集后称重并冷藏保存。将样本带回实验室后，立即进行牧草叶片高光谱图像采集，同时采用凯氏定氮法对采集的牧草样本进行粗蛋白化学值测定，以此建立牧草粗蛋白含量高光谱数据集。研究首先通过Savitzky-Golay卷积平滑（SG）、多元散射校正（MSC）、变量标准化（SNV）、一阶导数（1-Der）和直接正交信号校正（DOSC）方法5种预处理方法对高光谱数据进行处理后分别建立偏最小二乘回归（PLSR）检测模型，从中确定最优预处理方法。利用最优预处理结果，分别采用连续投影算法（SPA）和随机蛙跳算法（RF）进行牧草粗蛋白含量的特征波段选择，并利用选择结果分别进一步建立PLSR模型，以此确定适合粗蛋白含量的特征波段选择方法，确定最优高光谱检测模型。结果表明，在五种高光谱预处理方法中，基于SNV方法预处理后所建立的高光谱PLSR模型表现最优（R2-P=0.929，RMSE-P=6.344 mg·g-1，RPD=4.204）。利用连续投影算法筛选的粗蛋白含量特征波长为30个，分布于530～700和940～1 000 nm范围内。经随机蛙跳算法确定的粗蛋白含量特征波段为6个，分别为826.544，827.285，828.766，971.012，972.494和973.235 nm。因此，该研究中牧草粗蛋白含量最优高光谱检测模型为SNV-RF-PLSR（R2-P=0.933，RMSE-P=6.034 mg·g-1，RPD=4.322），模型精度较高。该研究结果为牧草粗蛋白含量的高光谱检测提供了最优模型和理论基础，同时为指导草业生产开拓了新的技术思路。