利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进，人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此，研究人员开始关注数据挖掘算法，并尝试对这些光谱进行数据挖掘。近年来，神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中，支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时，通过将其最优化问题转化为具有(QP)形式的凸问题，进而得到全局最优解。尽管该方法在实际应用中表现优良，但为了进一步提高其分类能力，有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开，每一类靠近某个分类面，而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍，因此，自TSVM提出后便受到研究人员的持续关注，并出现若干改进算法。在恒星光谱分类中，一般分类算法都是根据历史观测光谱来建立分类模型，其中最关键的是对光谱进行人工标注，这项工作极为繁琐，且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此，提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分；然后，在训练集上进行学习，得到分类依据；最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势，更重要的是，在训练集上学习分类模型过程中，不仅考虑有标记的训练样本，也考虑部分未标记的样本。一方面提高了学习效率，另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比，带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而，该方法亦存在一定的局限性，其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想，利用大数据处理技术，来对所提方法在大数据环境下的适应性展开进一步研究。     

中学数学教师信念的内涵、框架与发展路径

教师信念是教师专业素养内涵的关键成分之一,中学数学教师信念是发展的,其内涵包括数学信念、数学教学信念和数学学习信念等几个维度,集中表现了中学数学教师对数学知识、中学数学教学和中学数学学习方面的认识和理解.教师信念作为一种精神表现,以内隐的方式,直接或间接地对中学数学教师的教育教学、教师的专业发展以及学生的学习等方面产生明显的影响,应关注教师信念的发展,促使其积极合理地发挥作用.     

高效液相色谱法分析两种不同溴取代芴

建立了一种操作简单、适用于两种不同溴取代芴（2-溴芴和2，7-二溴芴）的高效液相色谱分析方法.采用反相C18柱，乙腈-水（体积比80∶20）为流动相，流速为1.3 mL/min，以270 nm为检测波长，外标定量测定2-溴芴和2，7-二溴芴的含量.在此条件下，2-溴芴和2，7-二溴芴在0.01~0.12 mg/mL范围内呈线性关系，相关系数均为0.999 9，平均回收率分别为106.7%和100.1%，相对标准偏差分别为0.72%和0.87%.方法操作简单，结果准确，适用于以上两种主要溴取代芴的分析检测.     

害虫种群尖点突变模型的几何分析

基于尖点突变的性质,对修改后的Logistic模型进行变换,并将其化为具有尖点突变的标准模型.利用微分方程定性理论,对模型进行分析,并根据突变理论,给出突变发生的条件.最后利用仿真验证结论的正确性.     

控股股东对上市公司股利分配倾向的影响及实证分析——来自沪市A股上市公司的经验证据

当前对股利政策的研究主要集中在产权对股利政策的影响、自由现金流对股利政策的影响、公司过渡投资行为对股利政策的影响以及宏观经济波动对股利政策的影响等,而缺乏控股股东对股利政策的影响研究.现实中,控股股东对股利政策具有较大的影响,围绕控股股东对上市公司股利分配倾向的影响进行深入分析.具体而言,以2013-2014年度上证A股数据,建立Log斌ic模型和多元线性回归模型分析控股股东的几方面特征对股利分配倾向产生的多种影响.研究从理论上客观地评价了控股股东对股利分配倾向的影响,现实中对维护中小股东权益有重要意义.     

基于QuEChERS净化/气相色谱法测定蔬菜及水果中16种有机氯农药残留

该文建立了蔬菜及水果中16种有机氯农药残留的QuEChERS净化/气相色谱快速检测方法。样品经1%冰乙酸乙腈处理,QuEChERS净化,气相色谱分离后,以色谱峰保留时间定性,外标法定量。结果表明:16种有机氯农药在2.0~100μg/L质量浓度范围内的线性关系良好,相关系数均大于0.99,检出限为0.16~2.90μg/L,在4种基质(油菜、黄瓜、橙子、苹果)中的加标回收率为70.1%~119%,相对标准偏差(RSD)为0.23%~5.2%。与其它前处理方法相比,该方法简便、快速、准确、高效,可用于蔬菜及水果样品中有机氯残留的高通量快速筛查。     

平面膜结构拓扑优化的有无复合体方法

将作者对桁架在应力约束下结构拓扑优化的有无复合体模型发展到平面膜结构在应力、位移约束下结构拓扑优化的建模与求解。同时提出了该模型的有效解法,获得了令人满意的数值结果。本文工作表明独立连续拓扑变量的提出对于结构拓扑优化的研究是有意义的。     

基于局部均值的K-近质心近邻光谱分类

天体光谱包含着许多重要的关于天体的物理和化学信息,如天体表面的有效温度、重力加速度以及化学丰度等,天体光谱的处理和分析对天文研究具有重要的科学意义。一些大型巡天计划的实施(如SDSS,LAMOST等)使我们获得了海量的天文光谱数据,因此天文光谱数据的自动分类成为重要的科学研究课题,然而面对如此海量的光谱数据,一些传统的光谱自动分类方法已经不适用,迫切需要寻找高效率的光谱自动分类技术。研究了基于局部均值的K-近质心近邻(local mean-based K-nearest centroid neighbor,LMKNCN)算法在恒星(Star)、星系(Galaxy)和类星体(Quasar,QSO)的光谱分类中的应用。LMKNCN算法的基本思想是根据近质心近邻原则,从每一类训练样本集中为待测样本点选取k个近质心近邻点,然后根据每一类中所选取的k个近质心近邻点的均值点到待测样本点x的距离来判别x的所属类别。针对美国SDSS-DR8的天体光谱数据,对比了K-近邻、K-近质心近邻、LMKNCN三种算法在恒星、星系和类星体的光谱分类中所表现的性能,结果表明三种方法中,LMKNCN算法对这三种光谱的识别率高于其他两种算法或者与其相当,而且其平均分类正确率高于另外两种算法,特别是在类星体的识别率上表现的更好。表明了该算法对天文光谱大数据的快速处理和有效利用具有重要的意义。     

求解超静定刚架的一种新方法

 通过满足基本方程和边界条件去确定系数，得到确定的挠度曲线方程，进而求得内力图.