半透射高光谱结合流形学习算法同时识别马铃薯内外部缺陷多项指标

针对马铃薯内外部缺陷多项指标难以同时识别的问题,提出了一种半透射高光谱成像技术采用流形学习降维算法与最小二乘支持向量机(LSSVM)相结合的方法,该方法可同时识别马铃薯内外部缺陷的多项指标。试验以315个马铃薯样本为研究对象,分别采集合格、外部缺陷(发芽和绿皮)和内部缺陷(空心)马铃薯样本的半透射高光谱图像,同时为了符合生产实际,将外部缺陷马铃薯的缺陷部位以正对、侧对和背对采集探头的随机放置方式进行高光谱图像采集。提取马铃薯样本高光谱图像的平均光谱(390~1 040nm)进行光谱预处理,然后分别采用有监督局部线性嵌入(SLLE)、局部线性嵌入(LLE)和等距映射(Isomap)三种流形学习算法对预处理光谱进行降维,并分别建立基于纠错输出编码的最小二乘支持向量机(ECOC-LSSVM)多分类模型。通过分析和比较建模结果,确定SLLE为最优降维算法,SLLE-LSSVM为最优马铃薯内外部缺陷识别模型,该方法对测试集合格、发芽、绿皮和空心马铃薯样本的识别率分别达到96.83%,86.96%,86.96%和95%,混合识别率达到93.02%。试验结果表明:基于半透射高光谱成像技术结合SLLE-LSSVM的定性分析方法能够同时识别马铃薯内外部缺陷的多项指标,为马铃薯内外部缺陷的快速在线无损检测提供了技术参考。     

电喷雾推力器锥射流形成的电流体力学仿真

以G往关于电喷雾过程仿真研究对象多局限于低电导率液体,而电喷雾推力器使用的工质主要为高电导率离子液体,推力器工作时,离子液体在强电场作用下形成锥形,并在末端发射出锥形等离子体荷电喷雾。但离子液体受空间电荷、液体内部电流及液面电流的影响较大,电流体力学过程更为复杂,相关仿真研究极为匮乏。本文通过加入未简化的电荷守恒方程,考虑空间电荷及电流对锥射流形成与演化的影响,并耦合高斯定律和Navier-Stokes(N-S)方程求解流场及电荷分布,使用volume of fluid(VOF:流体体积)方法追踪液-气界面的变化,对高电导率液体的电喷雾锥射流形成过程开展了仿真研究。本次仿真工作以庚烷为工质模拟了锥射流形成与演化过程,得到电荷、电势和流场的分布,并与未考虑空间电荷的理想电介质模型进行对比。仿真结果表明,在低电导率情况下,本文模型与理想电介质模型的结果相近;高电导率情况下,本文模型得到的结果与相关实验更加吻合。     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题, 提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine, SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个, 空心75个)作为研究对象, 搭建了马铃薯半透射高光谱图像采集系统, 采集了马铃薯样本半透射高光谱图像(390~1 040 nm), 对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理, 建立了全波段的SVM判别模型, 模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能, 采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择, 最终确定了8个光谱特征变量(454, 601, 639, 664, 748, 827, 874和936 nm), 所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm, AFSA)、遗传算法(genetic algorithm, GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析, 确定AFSA为最优优化算法, 最优模型参数为c=10.659 1, g=0.349 7, 确定AFSA-SVM模型为马铃薯空心病的最优识别模型, 该模型总体识别率达到100%。试验结果表明: 基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测, 也为马铃薯空心病的快速无损检测提供技术支持。     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题,提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine,SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个,空心75个)作为研究对象,搭建了马铃薯半透射高光谱图像采集系统,采集了马铃薯样本半透射高光谱图像(390~1 040nm),对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理,建立了全波段的SVM判别模型,模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能,采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm,CARS)结合连续投影算法(successive projection algorithm,SPA)对光谱全波段520个变量进行变量选择,最终确定了8个光谱特征变量(454,601,639,664,748,827,874和936nm),所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm,AFSA)、遗传算法(genetic algorithm,GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析,确定AFSA为最优优化算法,最优模型参数为c=10.659 1,g=0.349 7,确定AFSASVM模型为马铃薯空心病的最优识别模型,该模型总体识别率达到100%。试验结果表明:基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测,也为马铃薯空心病的快速无损检测提供技术支持。     

波导终端短路法测量固体材料的电容率

波导终端短路,采用反射法,通过测量填充固体材料后波节点的偏移和驻波比,计算得到电容率.实验结果与微波网络分析仪的测试结果相符.实验确定填充固体材料最适长度为波长的1/4.     

吡啶-2-甲醛共价接枝UiO-66-NH2负载铁系催化剂的合成及催化乙烯齐聚性能

以金属有机骨架UiO-66-NH2和吡啶-2-甲醛为原料,经后合成修饰法,合成出吡啶-2-甲醛共价接枝UiO-66-NH2配体,然后利用吡啶-2-甲醛作为桥联基将FeCl2负载到UiO-66-NH2上,制备出一种新型吡啶-2-甲醛共价接枝UiO-66-NH2负载铁系催化剂。傅里叶红外变换光谱(FT-IR)、X射线衍射(XRD)、扫描电子显微镜(SEM)、电感耦合等离子体质谱(ICP)和氮气吸附-脱附等分析方法证实合成出产物的结构与理论设计的结构相符。在合成与表征的基础上,对其催化乙烯齐聚性能进行研究。实验结果表明,随反应温度和Al/Fe摩尔比升高,催化活性先升高后降低,丁烯选择性升高;随乙烯压力增加,催化活性持续升高,丁烯选择性降低。最佳反应条件下,该催化剂的活性可达6.43×104 g·(mol Fe·h)-1,丁烯的选择性高达91.01%以上。     

提倡珠算编题注重珠算电算两结合

1995年第六期《黑龙江珠算》刊出《珠算智能出题系统20版》(作者张金钊、张金镝)。用计算机编题是一种先进方法,比之手工编题无疑是快速的,但我这里提醒一下是:电脑目前不能完全代替人们的脑力劳动,不能迷信它完美无缺的。为什么这样讲呢?因     

不同品种冷鲜猪肉pH值高光谱检测模型的传递方法研究

针对目前模型传递方法研究大多在不同仪器之间且均采用近红外光谱建立模型,采用高光谱技术建立猪肉pH值定量检测模型,并针对不同品种间的模型传递提出了一种光谱和预测值同步校正(sync correction of spectrum and prediction value,CSPV)的传递算法,并与模型更新方法进行比较。当模型满足预测相关系数(correlation coefficient of prediction,rp)rp≥0.837,且剩余预测偏差(residual prediction deviation,RPD)RPD≥1.9时,表明预测结果可靠。以杜长大、茂佳山黑猪和零号土猪3个品种猪肉样品为研究对象,以杜长大作为主品种,茂佳山黑猪和零号土猪作为从品种,采用偏最小二乘(partial least squares regression,PLS)法建立主品种猪肉pH值定量检测模型,模型校正相关系数(correlation coefficient of cross-validation rc)和预测相关系数rp分别达到0.922和0.904,交互验证均方根误差(root mean squared error of cross validation,RMSECV)和预测均方根误差(root mean squared error of prediction,RMSEP)分别为0.045和0.046,RPD为2.380。用主模型分别对茂佳山黑猪和零号土猪pH值进行预测,rp仅达到0.770和0.731,RMSEP分别为0.111和0.209,RPD分别为1.533和1.234,预测精度较差。分别采用CSPV传递算法和模型更新方法对主模型进行传递和修正,比较并验证了两种方法的模型传递和修正结果。采用CSPV算法对模型传递后,当标样个数分别为9个和10个时,rp可提高到0.889和0.900,RPD提高到2.071和2.213,均满足rp≥0.837,且RPD≥1.9;而采用模型更新方法对模型修正后,当添加的代表性样品分别为11个和9个时,rp分别达到0.869和0.845,但RPD仅达到1.934和1.804,不满足RPD≥1.9的条件。结果表明,CSPV传递算法能实现主模型对茂佳山黑猪和零号土猪样品的预测,而模型更新方法只能实现对茂佳山黑猪品种的预测,不能实现对零号土猪样品的预测,且CSPV传递算法预测结果优于模型更新方法。     

微波水热改性制备S_2O_8~(2-)/Fe_2O_3-SiO_2固体酸及催化性能

对共沉淀法得到的Fe2O3-SiO2混合氧化物前驱物进行微波水热改性处理,经浸渍(NH4)2S2O8后再焙烧得S2O82-/Fe2O3-SiO2固体酸催化剂。用XRD、TEM、N2气吸附/脱附及化学分析方法对其进行了表征,用乙酸/丁醇酯化催化反应评估固体酸的催化性能,并与通常条件下制得的催化剂进行了比较。结果显示,引入SiO2会延迟Fe2O3晶体的形成与长大;对前驱物用250W的微波水热改性处理1.5h,制得的固体酸具有适中的比表面积、均匀的孔径分布,含硫量为6.02%,比表面积为37.1m2/g。该固体酸对乙酸丁醇酯化反应有很高的催化活性,催化酯化反应3h,乙酸的转化率高达97.7%。