基于混沌离散PSO算法的乙烯生产过程模型变量的选择

管式炉裂解技术是当今乙烯生产的主要技术,乙烯生产过程中有多种影响质量指标的变量,将全部变量参与建模显然会增加建模难度和复杂性,并且大量的冗余信息会降低模型的精度;针对这一问题,提出了基于混沌思想的离散粒子群(PSO)算法进行模型变量的选择;首先,采用混沌离散PSO算法得到建模的最优输入变量集合,再通过偏最小二乘法(PLS)对所选变量进行建模;结果表明,该方法可更有效地克服传统粒子群算法容易陷入局部最优的问题并建立较高的模型精度。     

软门限去噪法在X射线能谱分析中的应用

从函数空间的剖分和理想滤波器组的角度分析了多分辨率信号的分解与重构，提出了一种X射线能谱去噪的方法，即应用Mallat算法对谱信号进行小波分解，然后应用一个非线性软门限函数在小波域内将噪声抑制和消除，最后重构得到去噪后的能谱。该方法明显改善了能谱定量分析的结果。     

利用可见近红外光谱多指标综合预测生鲜牛肉储存期

建立了牛肉基于TVB-N、菌落总数、pH值和肉色参数L*多个指标的储存期预测模型,利用可见近红外光谱(Vis/NIR)技术结合区间偏最小二乘(iPLS)和遗传算法(GA)建立了各个指标的PLS预测模型,实现了多指标综合无损快速预测4 ℃下牛肉的储存期。用iPLS和iPLS-GA提取有效波长变量建立PLS预测模型,以预测相关系数和预测标准差作为模型评价标准,结果表明用iPLS-GA选择变量建立的各个指标的PLS预测模型均优于全波段和iPLS组合的PLS模型。由多个指标的预测值和储存期的预测模型,对校正集和预测集样品储存期进行预测,其预测相关系数和标准差分别是0.903, 0.897和1.88, 2.24。说明利用光谱技术结合得出的储存期预测模型可以实现多指标综合预测牛肉储存期,为无损快速检测牛肉储存期或货架期提供了一种新方法。      

飞秒激光多光束干涉光刻硅表面减反微结构

为了得到均匀分布的硅表面微结构,提出了一种利用多束激光干涉光刻的方法来实现对硅表面微结构分布特征的控制.利用空间光调制器实现飞秒激光多光束干涉,形成分布均匀、周期可控的空间点阵,利用聚焦的空间点阵在单晶硅表面烧蚀得到规则分布的凹坑状结构,并通过改变附加给空间光调制器的相位实现对微结构分布特征及间距的控制.用扫描电子显微镜和分光光度计分别对结构的形貌特征和光学特性进行了测量,结果表明:采用底角为2°的四棱锥镜相位形成四光束干涉,通过10×物镜聚焦,在激光功率25 mW、曝光时间30 s时,可以形成间距约为3.3 μm的密排凹坑微结构,所形成的凹坑结构具有良好的减反效果,在1.2～2μm近红外波段的透过率相对抛光硅平均提高了11.5％o.     

����ͨ���豸��ר�ó������X�ź����ݲɼ��������

采用了通用高速A/D采集器采集信号数据,用软件的方法开发出了具备多道能谱脉冲识别和计数分析能力的软件.用此软件实现了每次托卡马克放电后,在较短的时间内从庞大的原始采集数据中提取出能谱脉冲数据,计算和显示能谱图,这为下一步测量电子温度打下了基础,并同时实现了数据共享.     

多光轴光学系统光轴平行度野外试验方法

基于激光测距的基本原理及激光能量分布情况，利用测距的方法进行对角度的测量，在野外全系统工作状态下，实现了多光轴系统平行度的测试，并对该方法的测试精度进行了分析。     

多节摆的自由振动分析

利用拉格朗日方程,导出了多节摆系统的运动微分方程.根据三对角阵的性质,给出了振动系统的特征多项式和特征矢量的递推公式,并以三节摆为例,说明了结果的应用,用此方法验证了<力学与实践>2002年第24期<多自由度振动系统的简正坐标和简正振动模式>一文中的结果.     

基于二代curvelet变换的图像融合研究

曲波(Curvelet)作为一种新的多尺度分析方法比小波更加适合分析二维图像中的曲线或直线状边缘特征,而且具有更高的逼近精度和更好的稀疏表达能力.将curvelet变换引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息.第二代curvelet理论的提出也使得其理论更易理解和实现.因此,提出了一种基于第二代curvelet变换的图像融合方法,首先将图像进行curvelet变换,然后在相应尺度上利用融合规则将curvelet系数融合,最后进行重构得到融合结果.对多聚焦图像进行了实验,采用均方误差、偏差指数和相关系数对融合结果进行了客观评价,并与基于小波变换的融合进行了比较,实验结果表明该方法除分解2层时与小波性能相当,取其他分解层数时均获得更好的融合效果.     

基于无信息变量和偏最小二乘投影分析的高光谱散射图像最优波段选择

提出了一种无信息变量消除和偏最小二乘投影分析相结合的苹果高光谱散射图像最优波段选择方法.经该算法提取后的波段降为全谱的26%,将选择后的波段作为输入变量建立了苹果硬度的偏最小二乘预测模型.预测均方根误差由6.00N降为5.73N,相关系数也有所提高,并与遗传算法作了比较.结果表明,该算法能有效消除原光谱矩阵中冗余的信息...     

基于无信息变量消除法与岭极限学习机的新型变量选择方法：以CO气体浓度反演为例

变量选择是光谱分析领域一个重要的组成部分。为了克服传统区间选择法的缺点与不足,基于无信息变量消除法和岭极限学习机提出一种新型的变量选择与评价方法。首先,利用无信息变量消除法剔除整个光谱区间中无信息的波长点;其次,为了解决传统建模方法(偏最小二乘法、BP神经网络等)存在的共线性问题,采用岭极限学习机方法建立回归模型;最后,最佳的特征光谱波长点组合利用特征选择路径图和稀疏度-误差折中曲线进行确定。CO气体的浓度反演实验结果表明：(1)利用无信息变量消除法可以有效筛选出最能表征CO气体透过光谱的特征波长点;(2)岭极限学习机方法具有快速建模、避免共线性和高精度等优点(CO气体浓度反演模型的决定系数可达0.995);(3)特征选择路径图和稀疏度-误差折中曲线可以直观地帮助用户寻找出最佳的特征波长点组合。