基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

对称向量拟均衡问题有效解的存在性

利用标量化方法建立对称向量拟均衡问题有效解的存在性定理。作为标量化方法的应用，利用这一方法得到向量变分不等式和拟向量变分不等式有效解的存在性定理。     

从学生的“问题”出发审视空间向量内容的教学和育人价值北大核心

1问题提出高中数学课程引入空间向量内容后,使很多原本需要进行推理演化的立体几何问题的求解“代数化”、“程序化”了,以往的一些立体几何的“难题”变得“简单”了.有老师认为,立体几何内容在培养学生直观想象、逻辑推理核心素养的育人价值减弱了.在教学中,不难发现即便有空间向量作为解决立体几何问题的有力工具,学生在解决立体几何问题时依然会存在各式各样的“错误”.     

新型Cd(Ⅱ)-MOF的合成及对4-硝基苯胺的高效识别

采用新型1,3,5-三(1H-苯并[d]咪唑-2-基)苯(TBB)配体及2,5-二羟基对苯二甲酸(H₂dhtp)线性配体, 以Cd(Ⅱ)离子为中心节点, 构筑了具有新型拓扑结构(unj)的手性金属-有机框架材料[Cd(TBB)(dhtp) ](配合物1). 该配合物具有较强的光致发光性能, 可分散在溶液中荧光检测硝基配合物等污染物. 其中, 4-硝基苯胺对配合物1具有高效的荧光猝灭能力, 检测限可低至0.145 mg/L, 并具有较好的选择性.     

有机三溴化铵的选择性溴化反应研究进展

有机三溴化铵（OATBs）作为溴素的固体形式，具有优良的反应活性和热稳定性，是一类重要的溴化试剂，在有机合成中应用广泛。本文从反应类型、OATBs种类和作用机理等方面，对OATBs参与的溴化反应的研究进展进行了全面分析。通过与溴素对比，指出了该类化合物在芳基的选择性溴化、双键的立体选择性加成和羰基的α-溴代等方面的研究价值。针对研究现状，提出绿色、高效的反应体系是其未来的发展方向。     

基于六面体网格的向量式有限元分析及应用

基于向量式有限元基本原理，给出了八节点六面体等参实体单元的基本公式，通过投影方式将空间曲面六面体转换为投影六面体，采用参考面的逆向运动求解节点纯变形，通过单元形函的虚功方程计算节点内力；针对坐标模式和内力积分模式等关键问题提出了有效的处理方案。编制了六面体实体单元的数值计算程序，并进行工程结构算例分析。结果表明，所编制程序可有效模拟实体结构的静力、动力及大变形大位移行为分析，验证了本文理论和程序的正确性和实用性。     

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。     

中红外光谱结合向量夹角直接定量三氯蔗糖

多组分复杂体系的红外光谱由于成分多样、谱带严重重叠、背景干扰等导致谱图特征减弱，且体系中的红外光谱往往不是各组分光谱的简单叠加，需要借助于化学计量学技术以实现解析。基于朗伯-比尔定律（Lambert-Beer law）并且随着衰减全反射（ATR）技术取样普及，结合偏最小二乘回归法（PLS）、人工神经网络（artificial neural network, ANN）等化学计量法将数据进行累积、特征提取以及校正建模等工作解决红外光谱中严重重叠和非线性等问题，再采用二次测量定量分析已初步具有应用成效，而有效增强信息量表达，降低背景、噪声干扰，减少复杂的计算过程，进而保证定量分析结果的可靠性，则成为研究的主要方向。通过讨论光通道和背景对光谱强度变化的影响，结合向量角度转换提出一种新的近似线性定量方法。经初步理论计算，发现多组分混合物与该混合物中待测组分的相对含量二者间的向量夹角值存在一定的关系，而该关系并不受批次制样的影响，进一步通过高斯曲线模拟混合信号，充分说明选择合适的波长范围，二者在一定范围内存在线性相关性，相关性不受测量条件变化的影响。采用KBr压片法，向待测样品中逐步加入待测组分得到混合样本，分别得到待测组分光谱与混合样本光谱信号，先将其进行一阶求导，消除加性误差后，再将其转化为空间向量角度，消除批次制样中光程差异，再以百分比定义待测物样品的含量，所得到混合样的夹角值与其中所含参照品含量成简单线性关系，即以计算结果夹角值与含量作标准曲线，实现定量分析。本测量方法用于三氯蔗糖（Sucralose, TGS）与三氯蔗糖-6-乙酸酯（4,1,6-trichloro sucrose-6-acetate, TGS-6-A）二者进行一定比例混合（双组分体系），以及TGS-6-A的脱酰产物（多组分体系）中的TGS的含量定量分析，在两种体系中定量均得到令人满意的结果，所建立标准曲线的相关系数r均达到0.995 0以上，相对误差均低于8.0%，所建立的分析方法对利用中红外透射光谱分析研究多组分样品具有重要的参考价值。