基于SOLO分类理论以教材为素材的命题实践研究——以“有机合成路线图题”为例

以有机合成路线图题的命制为例，展示如何挖掘并整合教材内容为命题素材，如何基于SOLO分类理论进行设问而命制成试题。     

基于自适应分类容错滤波的SINS/GNSS组合导航方法

针对SINS/GNSS组合导航在GNSS信号异常时出现的系统滤波精度和稳定性下降的问题,提出一种基于EKF的自适应分类容错滤波算法。该算法通过比较系统残差协方差矩阵的实际值与理论值来检测GNSS信号是否存在异常,然后对异常信号进行分类,并对不同类别的异常信号使用不同的加权矩阵进行修正,以减弱异常值对系统滤波精度的影响,同时在滤波过程中加入UD分解,使系统滤波性能更稳定。仿真结果表明:该算法能够有效降低GNSS输出异常信号对SINS/GNSS组合导航带来的不利影响并提高系统稳定性;在GNSS信号出现异常情况下,其导航精度相比EKF至少提高95.6%,相比REKF和AEKF分别至少提高44.5%和24.6%。     

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。     

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点，特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点，需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支，它通过逐层抽取数据特征并进行组合、转换，形成更高层的语义特征，具有极强的建模能力，广泛应用于计算机视觉、语音识别等领域，而在药品NIR分析方面尚未见报道。基于深度卷积网络模型，对药品NIR多分类建模进行研究。针对药品NIR数据的特点，设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征，输出层连接softmax分类器，对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层，将特征图进行整体池化，形成一个特征点，用于解决全连接层存在的限制输入维度大小，参数过多的问题。同时，在网络模型中引入批处理操作和dropout机制，以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中，通过设计不同的卷积网络层数以及不同的卷积核尺寸大小，分析其对建模效果的影响，同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象， 建立药品的多品种、多厂商分类模型，该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中，当训练集与测试集比例为7∶3时，分类准确率为99.37±0.45，比SVM, BP, AE和ELM算法取得更优的分类性能。同时，深度卷积神经网络模型推理速度较快，优于SVM和ELM算法，但训练速度慢于二者。大量实验结果表明，深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类，且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

由定子电流信号分析陀螺电机滚珠轴承故障诊断与分类（英文）

在陀螺电机中,轴承故障是最普遍的失效形式。针对陀螺电机球轴承中各组成部分出现故障难以区分,而更换整套轴承又造成巨大浪费的问题,提出了一种基于电流信号分析的陀螺电机轴承故障分类方法。该方法通过采集定子电流信号,并应用数学分析工具,提取出定子电流的特征信号。通过使用顺序递推法排除了冗余和无效特征,然后用最佳的特征信号建立特征空间。通过使用隐马尔科夫模型,对轴承的典型故障(外环故障、内环故障、球故障和保持架故障)进行了准确的分类。该方法的有效性在一台具有不同轴承故障的直流无刷陀螺电机上得到验证,实验结果显示分类的正确率达到97.1%。     

基于可见光波段的燃烧与未燃烧矸石分类方法研究

我国煤矿数量众多，分布广泛，大量堆积的煤矸石对矿区环境造成严重影响，其中部分煤矸石处理不当可能引发自燃和爆炸，对矿区安全构成直接威胁。根据煤矸石的燃烧状态可以分为燃烧矸石和未燃烧矸石两类，其存在的安全隐患和对环境的危害性有所不同，同时其综合利用的途径亦不相同。因此，对煤矸石进行燃烧矸石和未燃烧矸石的分类识别与监测就显得尤为重要。目前的监测方法主要为实地勘查调研，其效率低、成本高，难以满足煤矸石监测的实际需求。选择辽宁省铁法矿区作为研究区，首先从矿区矸石山现场采集典型的煤矸石样本106个；然后，利用SVC HR1024光谱仪测试其可见光-近红外光谱，分析燃烧和未燃烧矸石的光谱特征，并基于可见光波段构建光谱指数NDGI，用于识别燃烧矸石和未燃烧矸石。选择实验室测试的光谱数据和实际卫星遥感数据对该指数进行了验证，并与随机森林法进行对比。结果显示：在350～760 nm燃烧矸石光谱曲线斜率整体较高，在550～630 nm反射率存在陡升现象，而未燃烧矸石在整个可见光波段光谱曲线斜率较低；以0.25作为NDGI指数阈值，可以很好地将燃烧矸石和未燃烧矸石区分开来，实验室样本验证结果显示，NDGI指数的分类精度可达99.1%，高于随机森林分类法的95.2%；现场的验证结果表明，使用铁法矿区的landsat8 OLI数据，并基于NDGI指数对矿区内的矸石山进行燃烧和未燃烧区域识别划分，所提取的燃烧和未燃烧矸石在形态和大小上与Google Earth具有很好地一致性，表明该指数对于矸石的燃烧状态具有很好识别效果。在上述研究基础上，分别取燃烧和未燃烧矸石进行矿物鉴定，通过对比矸石燃烧前后矿物种类的变化，分析造成燃烧和未燃烧矸石的光谱特征差异的原因。结果表明：燃烧使矸石中的Fe2+被氧化为Fe3+。Fe3+的大量增加造成光谱曲线在550nm处形成明显的波谷特征，在整个燃烧过程中生成的玻璃质在750nm处形成高反射率，二者综合造成燃烧和未燃烧矸石的NDGI指数差异。研究结果为煤矿区燃烧和未燃烧矸石的区分识别提供了一种快速、高效、较为准确的实用方法。     

傅里叶中红外光谱结合稀疏表示分类方法鉴别小麦赤霉病感染等级

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应，并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。以感染不同等级赤霉病小麦为研究对象，在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据，利用载荷系数法（XLW）与随机森林算法（RF）分析选取小麦样本傅里叶中红外光谱中的敏感波长，利用稀疏表示分类（SRC）算法建模识别小麦感染赤霉病等级。结果表明：XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上，特征波长提取算法可以有效简化模型并提高效率。RF-SRC模型鉴别效果最好，建模集鉴别准确率达97%，测试集鉴别准确率达96%。小麦感染赤霉病等级的不同会引起小麦中水分、淀粉、纤维素、可溶性氮素、蛋白质、脂肪等物质含量的变化，采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异，结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。因此，利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的，解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。