深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM, BP, AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

高光谱成像的垃圾分类识别研究

高光谱成像因光谱分辨率高、图谱合一、可实现快速无损检测等特点现已广泛应用于农业、医学、遥感等领域。现有的对可回收生活垃圾检测与分类的方法,都存在检测时间长,分类效率低,而大量多种垃圾无法同时快速分拣等问题。考虑到不同类别的生活垃圾由于其主要组成分子结构的差异,对不同波长的光有不同的吸收特性。高光谱图像在记录待分类垃圾的空间信息的同时,可以获得垃圾对不同波长的光的反射率光谱信息,通过建立识别分类模型对反射率光谱信息进行分析可以实现对高光谱图像中待分类垃圾的识别与分类。收集常见纸质、塑料、木质三种材料的可回收的垃圾样本,包括塑料瓶、食品包装袋、塑料玩具(饰品)碎片、一次性筷子、雪糕棒、木制家具碎片、木制包装盒、废旧课本、广告纸、办公用纸等多种物品共30个样本,进行清洗和裁剪处理,避免样本表面污渍对样本反射率产生影响。利用高光谱成像系统采集样本在近红外(780～1 000 nm)范围内的高光谱图像,其中18个样本做训练样本集,12个样本做测试样本集。对采集的样本图像数据做预处理,包括去噪声以及黑白校正反演反射率信息等处理;通过主成分分析(PCA)方法对训练样本集感兴趣区域(ROI)进行分析,提取到的特征波段为795.815,836.869,885.619,916.409,929.239,934.37,957.463,972.858和988.253 nm;在特征波段下分别提取这三种类别垃圾的参考光谱,通过光谱角度填图法(SAM)对测试样本ROI区域内提取的测试样本点集在特征波段下与参考光谱进行匹配,由匹配程度进行样本点归类,分析结果表明,测试样本集中纸制样本(A类别)、塑料样本(B类别)、木制样本(C类别)的分类准确度分别为100%,98%和100%,测试样本点集整体的分类准确度为99.33%;通过Fisher判别方法分析训练样本集得出判别函数式和判别准则,对测试样本点集分类,评价结果为A,B和C类样本分类准确度分别为100%,100%和97%,测试样本点集整体分类准确度为99%。通过SAM和Fisher两种判别方法对测试样本集的光谱图像进行目标物的检测与分类,结果表明,利用SAM判别方法在可回收垃圾的高光谱图像中实现检测与分类有更高的分类准确度,可达到99.33%。同时,也验证了使用高光谱成像进行可回收垃圾快速分类的科学性以及可行性,对未来系统化、机械化、智能化地解决生活中可回收垃圾的分类具有一定的实用意义。     

基于形态学成分分析的静态极光图像分类算法

为了解决海量极光图像手工分类效率低下的问题,提出一种静态极光图像自动分类系统,使用形态学成分分析将极光纹理从复杂背景中分离出来,从纹理中提取特征并利用支持向量机进行分类.实验结果表明:该算法分类正确率较之于传统方法均提高约10%,当分类器支持向量机+线性核函数时,分类速度最快,最适合于海量数据的处理.     

智能电网的10G-EPON中基于贝叶斯分类的业务感知机制

随着智能电网的发展及其多种信息业务的涌现,10G-EPON作为业务接入技术日益成为重要支撑;然而业务的多元化对10G-EPON的多业务支撑能力提出了重要挑战.为了适应电力系统中多种不同类型业务的需求,本文对智能电网的信息业务特性进行分析,提出了一种基于贝叶斯分类的10G-EPON业务感知机制;并且根据10G-EPON中OLT与ONU的主从式网络架构特点,提出了业务感知的主从式实现方式.该机制使用贝叶斯网络分析数据包的特征,进而确认待传送业务的类型.在贝叶斯业务分类的基础上,通过OLT和ONU之间的交互决定业务的资源分配和传输策略.为了验证新机制的有效性,分别从时延和丢包率两方面进行系统仿真.仿真结果表明,所提出的基于贝叶斯分类的业务感知机制在时延和丢包率具有显著的优势,能够实现业务与10G-EPON的高效匹配,提高10G-EPON在智能电网应用中多业务的区分支持能力.     

成像光谱技术的研究与发展

成像光谱技术是20世纪70年代末发展起来的一项新型航天航空遥感技术。综述了成像光谱技术的发展背景,在海洋、大气、植被、地质研究等领域的应用现状。介绍了成像光谱技术的几种主要分类、各种类型的特点以及国内外具有代表性的方案。提出了大孔径干涉型成像光谱仪的原理,并展示了攻关样机和实验数据。     

基于激光诱导击穿光谱对长白山黑猪肉部位分类

猪肉内部结构成分复杂,各部位的成分相似,分辨较为困难。结合激光诱导击穿光谱技术,通过光谱分析的方式提高分类精度。以5种不同部位的长白山黑猪肉（里脊肉、梅花肉、后腿肉、前腿肉、五花肉）作为待测样品,通过冷藏、切片等预处理方法,探究激光诱导击穿光谱技术鉴别猪肉脂肪与肌肉及其不同部位的可行性。首先通过采集猪肉脂肪样品与肌肉样品的LIBS谱线信息发现,猪肉中Mg,K,Fe,Cu,Ca和Na等元素较为丰富,并在脂肪样品光谱中发现C-N键,与肌肉样品LIBS谱线信息相比,脂肪样品受其内部水分、有机质成分影响致使其谱线信息背景和噪声信号干扰较大,二者谱线信息存在一定差异,说明LIBS可对脂肪组织与肌肉组织进行鉴别。通过对目标元素Ca,Na,Mg,K和Al其LIBS特征谱线强度进行检测,计算Mg/Ca,Al/Ca,Na/Ca和K/Ca比值,发现与Al/Ca和Mg/Ca相比,Na/Ca和K/Ca各部位元素比值分布差异明显,在此基础上,根据Na/Ca和K/Ca比值,计算猪肉各部位元素分布决策阈值[（1-α）=90%]。发现与Al/Ca和Mg/Ca比值相比,Na/Ca和K/Ca更能明显的反应出各部位元素分布的不同。其比值分布阈值基本可对猪肉各部位进行区分。以前腿肉与后腿肉为例,前腿肉Na/Ca和K/Ca比值分别分布在1.29～1.58和0.31～0.42,后腿肉Na/Ca和K/Ca比值分别分布在0.98～1.18和0.15～0.23。其元素比值分布无明显重叠。最后,为提高LIBS技术对猪肉不同组织分类的可靠性,将光谱元素强度比值数据与主成分分析法相结合,基本可以实现对猪肉各部位的分类,说明元素特征谱线强度比值在对猪肉各部位分类时具有一定的预测精度。该工作证明,使用激光诱导击穿光谱技术对猪肉进行分类识别等定性分析时具有一定可行性,有望适用于其他生物组织检测分析。     

基于卷积神经网络特征提取的拉曼光谱分类研究

拉曼光谱物质定性识别已被广泛的应用于化工、安防、缉毒等行业和研究领域,但是传统的拉曼光谱分析技术依赖于光谱数据库,通过光谱特征提取进行识别。特征提取是拉曼识别的关键处理步骤,通常利用主成分分析,因子分析等方法进行特征提取,而后通过KNN,SVM和随机森林等方法进行光谱特征定性识别,当拉曼数据库不存在待定性物质时,易造成待检测物质的错误分类。针对此问题,提出一种基于卷积神经网络的对数据库缺少物质光谱识别方法。在实验过程中,采用九类,200余种精神类药品拉曼光谱作为测试对象,通过搭建卷积神经网络自动特征提取并利用Softmax分类器将200余种物质,按照Amphetamine, cathinone, cannabinoids等九种类别进行定性分析。通过与传统机器学习方法如K近邻,支持向量机等方法进行比较,基于卷积神经网络的模型识别准确性有显著提高,该方法可为拉曼光谱数据库的光谱识别检索提供一种新的识别方法。     

多美“概率”

概率密切联系生活与现实世界，使数学问题情景新颖别致，丰富多彩．纵观近几年各省、市高考和模拟题，概率好题不胜枚举，俯拾皆是，它们像一颗颗璀璨的珍珠在数学题海中闪闪发光．本文特精选举例予以分类解析，旨在探究题型规律，揭示解题方法、提供解题规律，供读者参考．     

决策树分类模型在工程项目评标风险预警中的应用

本文将数据挖掘中的决策树分类方法运用到工程项目评标数据分析,从200多个天津市工程项目招投标打分数据中,随机抽取15个招投标项目中的67个承包商的评标专家打分数据进行分析,得到中标承包商技术和商务评分分界点,进而得到工程项目潜在风险的预警阈值,然后借助因子分析辨识出风险来源并进行预警。