PSO-LSSVM对LIBS定量分析精度的提高

针对土壤定量分析受基体效应影响大，LIBS定量分析精度不佳等问题，采用粒子群算法对LSSVM进行优化，提高模型的精确度。选取Pb Ⅰ 405.78 nm和Cr Ⅰ 425.44 nm作为分析谱线进行分析。采集十二个不同浓度样品的特征光谱，每个浓度样品在不同点采集20组数据，将其中17组数据设为训练集，3组数据设为预测集，用LSSVM和PSO-LSSVM两种方法建立定标模型。对比两种模型的拟合相关系数（R2）、训练集均方根误差（RMSEC）和预测集均方根误差(RMSEP)。由于自吸收效应的影响，随着浓度的增加，预测值逐渐低于实际值，LSSVM定标模型的拟合程度较低，无法达到实验要求，模型性能有待提高。利用粒子群算法对LSSVM的模型参数惩罚系数和核函数参数进行优化，得到最佳的参数组合，Pb元素为(8 096.8, 138.865 7)，Cr元素为(4 908.6, 393.563 5)，用最佳的参数组合构建LSSVM的定标模型。相比于LSSVM，PSO-LSSVM定标模型的精确度更高，Pb和Cr元素的R2提高到了0.982 8和0.985 0，拟合效果明显提升。Pb和Cr元素的训练集均方根误差由0.026 0 Wt%和0.027 2 Wt%下降到0.022 4 Wt%和0.019 1 Wt%，预测集均方根误差由0.101 8 Wt%和0.078 8 Wt% 下降到0.045 8 Wt%和0.042 0 Wt%，模型的稳定性进一步提高。说明PSO-LSSVM算法能够更好地降低土壤基体效应和自吸收效应带来的影响，提高分析结果的精确度与稳定性。     

向量运算:数与形一个也不能少

数学课上,万老师在黑板上写了两组题,分别交给两个兴趣小组的同学来做,做完后说说这组题的意图是什么,并谈谈自己的解题体会.     

例谈解析法在平面向量与解三角形问题中的运用

大家知道,平面向量和解三角形这两部分知识各有特点,因此在解决相关问题时也就各有方法.在解决平面向量问题时,我们经常采用的方法是寻找组成向量的回路或基向量等来帮助解决问题;在解关于三角形的问题时,我们则常常运用     

利用图形巧解平面向量高考题

向量知识的引入体现了向量作为数学工具的重要性,它与函数、三角函数、解析几何等数学分支都有联系,利用向量这个工具可以解决数学中的许多问题,深化了数学知识间的关联性,为更好地学好高中数学奠定了良好的基础.向量具有代     

向量回路法简解竞赛题

例1(第23届"希望杯"全国数学邀请赛培训题高一41题)△ABC中,已知AB=4,BC=5,AC=6,若点O是△ABC的外心,则→AO.→AC的值是.分析标准解答给出的解法是应用余弦定理、正弦定理和向量数量积的定义,繁琐冗长.事实上,若注意到题设条件AC=6及向量回路A→M→O,便有如下简解.简解取AC的中点M,则必有MO⊥AC,     

串联双路图的亏格分布

计算双路图的亏格分布是拓扑图论关注的一个问题,利用传递矩阵与向量积矩阵,给出了两类由双路图串联构建而成的两类闭链图的亏格分布.     

空间解析几何中“向量代数”内容的处理方法

讨论了空间解析几何中"向量代数"内容的处理方法,给出了从向量的代数形式到几何形式的具体处理方法,这种方法较传统方法更为简洁易懂,便于将二维与三维几何向量推广到n维向量,有利于大学数学与中学数学的衔接.对大学数学教学与教材改革都具有积极的意义.     

对数平均和双参数广义Muirhead平均之间的比较

本文讨论了两个不同正实数x和y的对数平均L(x,y)=(x-y)/(logx-logy)与双参数广义Muirhead平均M(a,b;x,y)=[(x~ay~b+x~by~a)/2]~(1/(a+b))之间的比较,得到了如下三个结论:(11)若(a,b)∈D_1∪E_1∪L_0,则M(a,b;x,y)L(x,y);(2)若(a,b)∈D_2∪E_2,则M(a,b;x,y)L(x,y);(3)若(a,b)∈D_3∪E_3,则存在x_1,y_1,x_2,y_2,使得M(a,b;x_1;y_1)L(x_1,y_1)和M(a,b;x_2,y_2)L(x_2,y_2).其中D_1={(a,b)∈R~2:a+b≠0,ba,ω_1(a,b)≤0,ω_2(a,b)≤0},E_1={(a,b)∈R~2:a+b≠0,ba,ω_1(a,b)≤0,ω_2(a,b)≤0},D_2={(a,b)∈R~2:ab≤0,ba,ω_1(a,b)≥0},E_2={(a,b)∈R~2:ab≤0,ba,ω_1(a,b)≥0},D_3={(a,b)∈R~2:ba0,ω_1(a,b)0)∪{(a,b)∈R~2:ba0,ω_1(a,b)=0,ω_2(a,b)0}∪{(a,b)∈R~2:ba,ab≤0,ω_1(a,b)0,ω_2(a,b)0},E_3={(a,b)∈R~2:ab0,ω_1(a,b)0}∪{(a,b)∈R~2:ab0,ω_1(a,b)=0,ω_2(a,b)0}∪{(a,b)∈R~2:ab,ab≤0,ω_1(a,b)0,ω_2(a,b)0},L_0={(a,b)∈R~2:a=b≠0},ω_1(a,b)=(a+b)[3(a-b)~2-(a+b)],ω_2(a,b)=(a+b)[2(a-b)~2+1]-3(a~2+b~2).