连续小波变换高光谱数据的土壤有机质含量反演模型构建

土壤有机质含量是反映土壤肥力的重要指标,对其进行动态监测是实施精准农业的重要措施。近年来,众多学者尝试采用土壤近地传感(proximal soil sensing),尤其是近地高光谱技术,在田间和实验室获取不同形态土壤的高光谱数据,不断引入新方法建立适用于不同地域和不同土壤类型的有机质含量的反演模型。该研究在实验室内利用ASD FS3采集了土壤高光谱数据,采用“重铬酸钾-外加热法”测得了土壤有机质含量;分析了土壤原始光谱反射率(R)与有机质含量的相关性,选取R2>0.15的敏感波段的反射率;利用CWT对土壤原始光谱反射率(R)、光谱反射率的连续统去除(CR)进行不同尺度的分解,分析小波系数与土壤有机质含量的相关性,选取R2>0.3的敏感波段的小波系数;利用R选取的波段信息和R-CWT,CR-CWT的选取的小波系数,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、支持向量机回归(SVMR)三种不同的土壤有机质含量反演模型。结果表明：相比R与土壤有机质含量的决定系数R2,R-CWT,CR-CWT变换后得到的小波系数与土壤有机质含量的决定系数R2分别提高了0.15和0.2左右;CR-CWT-SVMR的模型效果最为显著,预测集的R2和RMSE分别为0.83,4.02,RPD值为2.48,具有较高的估测精度,能够全面稳定地估算土壤有机质含量;CR-CWT-PLSR的模型精度与CR-CWT-BPNN,CR-CWT-SVMR相比虽有一定差距,但是其计算量要明显小于非线性的BPNN和SVMR方法,具有模型简单、运算速度快等特点,对开发与设计田间传感器具有较大的应用价值。     

水泥生料品质激光在线检测设备研制

水泥质量的优劣直接影响到建筑工程的安全,使用品质合格的水泥材料是保证工程结构质量的必要前提,因此快速检测水泥生料成份对于及时指导调整原料配比和保障水泥产品品质具有重要意义。传统的生料检测需要经过取样、制样、化验等环节,检测结果严重滞后于生产。我们通过产学研协同攻关,研制了一套基于激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)技术的水泥生料品质在线检测设备,该设备由LIBS光学检测系统和气动取送样系统两部分组成,实现了对水泥生产线上水泥生料品质的实时连续测量,避免了传统的取制样环节,从而大大缩短了化验时间,所测水泥生料成分的实时数据能够及时指导调整水泥原料的配比,保证水泥质量的合格。我们利用该LIBS水泥品质在线检测设备对水泥生产线上生料中的主成分Al₂O₃,CaO,Fe₂O₃,MgO和SiO₂进行了定量分析,利用全谱归一化和支持向量机(support vector machine,SVM)对水泥生料建立定标模型,对水泥生料中Al₂O₃,CaO,Fe₂O₃,MgO和SiO₂测量的最大误差分别是0.34%,0.35%,0.07%,0.14%和0.55%。现场实验结果表明,本水泥生料品质激光在线检测设备的测量结果与传统化验法的结果相吻合,测量精度与X射线荧光光谱法(XRF)相接近,从而证实了LIBS可以作为水泥在线检测的一种有前景的方法。     

基于RS和SVM的动态供应链成员选择算法

良好的成员选择方法是动态供应链平稳运行的重要基础,针对动态供应链成员选择时面临决策属性多且可供决策分析数据样本少的难题,提出了基于粗糙集和支持向量机的动态供应链成员选择算法,核心是应用粗糙集进行属性约简,然后结合支持向量机进行链上成员分类.方法在保证不会降低分类性能的前提下,达到降低数据维数和分类过程中复杂度的目的.     

ISG-FHEV等效燃油消耗最小控制策略

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法。首先在 颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别。算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法。仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

模糊支撑向量分类的几何方法

在支撑向量分类几何方法中考虑了数据的置信度,建立了基于模糊数据的支撑向量分类的几何方法.方法易于理解,实施方便,且兼顾了数据的重要性.数值分析表明,模型相对于Lin的模糊支撑向量分类,同样可体现数据置信度的差异,而实施更直接.     

一种改进二叉树支持向量机在故障诊断中的应用

考虑到构建二叉树支持向量机时样本的分布情况对分类器推广能力具有较大影响,提出一种改进的二叉树支持向量机层次结构构建方法.以类间样本距离和带权值的类内样本距离与其标准差的比值作为类的分类度.将类间距离大且类内样本平均分布广的类最先分离.利用标准数据集,通过与不同多类分类算法比较,验证了改进的二叉树支持向量机的优越性.对双转子涡喷发动机气路部件进行应用改进的算法进行故障诊断,得到了较好的故障识别率.     

基于特征投影图的小麦近红外光谱变量选择方法研究

为了简化模型,提高模型预测精度,利用特征投影图(LPG)进行变量选择。对原始光谱进行连续小波变换(CWT),利用主成分分析(PCA)得到LPG,假定LPG中共线性光谱变量对建模作用相同,选出少数特征光谱变量建立预测模型,所得模型预测均方根误差(RMSEP)为0.345 4,优于其他建模方法,研究结果表明,LPG变量选择可有效简化近红外光谱模型,提高模型预测精度。     

基于改进型相关向量机的高光谱图像分类

相关向量机(RVM)高光谱图像分类算法是一种基于贝叶斯概率模型的监督机器学习算法,其分类精度较高、测试时间较短。然而算法本身存在训练时间随着训练样本增加直线上升、分类效率整体降低等问题。针对这种情况,提出一种基于改进型相关向量机(VRVM)的高光谱图像分类算法。本算法在传统概率模型中引入一个新的分布,使得计算复杂度较高的积分运算可近似地拆分成两个较为简单的对数和形式。实验结果表明,VRVM高光谱图像分类算法的总体分类精度和相关向量的数量与RVM基本相同,但训练时间随样本数的增加有明显的减少。     

无定型钼硫化物/还原氧化石墨烯的辐射合成及其电催化析氢性能

钼硫化物被认为是一种高效的电催化析氢反应的催化剂,因此其合成方法受到了广泛的研究和关注。本文以四硫代钼酸铵和氧化石墨为前驱体,利用γ射线对其辐照还原,一步法制备了钼硫化物/还原氧化石墨烯(Mo S_x/RGO)复合材料。通过X射线光电子能谱、X射线衍射、透射电子显微镜、Raman光谱等表征手段确认复合材料中的Mo Sx为无定型结构,且氧化石墨烯得到了有效的还原。同时系统研究了吸收剂量、前驱体配比对复合材料作为析氢反应催化剂性能的影响。结果发现,Mo Sx/RGO复合材料具有优异的催化性能,其催化起始电压为110 m V,在电流密度为10 m A·cm~(-2)时过电势仅为160 m V,Tafel斜率为46 m V·dec~(-1),说明该催化剂催化析氢机理为Volmer-Heyrovesy机理。此外,Mo Sx/RGO复合材料还具有良好的催化稳定性。     

新型无机-有机杂化微孔晶体Cd3(BDC)0.5(BTC)2(DMF)(H2O)·3DMF·H3O·H2O的合成与结构

传统分子筛是以硅氧四面体和铝氧四面体为骨架的微孔晶体材料. 近年来, 以无机-有机结构单元为骨架组成的微孔晶体材料已引起人们的广泛关注[1～19]. 该类材料是由金属离子(或金属氧簇)与有机配体(大多数是芳香多酸和多碱)构成的建筑单元通过共价键或者分子间作用力构成的. 无机-有机杂化晶体材料有多种结构类型, 如1-D, 2-D, 3-D和笼状结构等.