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。     

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。     

《气体物理》简介

《气体物理》由中国航天科技集团有限公司主管、中国航天空气动力技术研究院(主要主办单位)、中国宇航出版有限责任公司共同主办.国内统一连续出版物号为CN 10-1384/O3中文双月刊大16开.逢单月(一月、三月、五月、七月、九月、十一月)出版每年6期每期64页.《气体物理》主编是中国航天空气动力技术研究院李锋.第三届编辑委员会由13名高级顾问、9名副主编、73名编委组成其中中国科学院院士12名.     

《气体物理》简介

《气体物理》由中国航天科技集团有限公司主管、中国航天空气动力技术研究院(主要主办单位)、中国宇航出版有限责任公司共同主办.国内统一连续出版物号为CN 10⁃1384/O3中文双月刊大16开.逢单月(一月、三月、五月、七月、九月、十一月)出版每年6期每期64页.     

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。     

基于计算机视觉技术的茶叶品质随机森林感官评价方法研究

为弥补茶叶品质感官审评存在的缺陷，利用计算机视觉技术对茶叶品质进行快速无损评价研究。以碧螺春绿茶为对象，依据专家感官审评结果，将茶样分成4个等级；采用中值滤波及拉普拉斯算子对茶样图像进行预处理，并提取预处理后的茶样图像的颜色特征和纹理特征以表征茶叶图像的外形特征，利用随机森林算法对茶叶外形特征属性进行重要性排序；筛选出重要性较大的特征及随机森林算法中最优的决策树棵数建立感官评价模型，并与建立的支持向量机(SVM)模型性能相比较。结果表明：色调均值、色调标准差、绿体均值、平均灰度级、饱和度均值、红体均值、饱和度标准差、亮度均值、一致性等9个特征属性的重要性较大，且与感官审评特征描述结果相一致；当采用优选出的9个重要性较大的特征及决策数棵数为500时，建立的模型性能最优，模型总体判别率为95.75%，Kappa系数为0.933，OOB误差为5%，较SVM模型分别提高了3.5%，0.066，优选的9个重要性较大的图像特征与感官审评特征描述相一致。研究表明：利用随机森林方法筛选出对茶叶外形特征属性贡献最大的少数几个特征建立模型，模型性能就能达到很好的识别效果，模型得到简化，同时模型精度和稳定性都高于其他方法。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据，难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC），并实现精细制图的可行性。研究剖面位于江苏省东台市，我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测，共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后，提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)]，Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后，采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型，并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明，光谱反射率随SMC增加逐渐降低，不同光谱预处理方法的预测精度有所差异，除MSC方法外，同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型，并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高，其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%，预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88，1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图，通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%），且两者在剖面中的变化趋势基本一致，说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息，也可反映出同一位置处不同天数间的含量差异。因此，利用近红外高光谱成像结合优化的预测模型，能够实现土壤剖面SMC的定量预测及精细制图，有助于快速、有效监测田间剖面土壤水分状况。