能量选择中子成像技术及其应用

能量选择中子成像技术是利用特定范围波长(能量)的中子进行成像。在热/冷中子范围内(<25meV),能量选择中子成像技术主要基于布拉格边效应和衍射机制,相比常规中子成像技术不但可以显著提高图像对比度,而且能分析应变、应力、织构。在超热中子范围内(>1eV),能量选择中子成像技术主要基于中子共振吸收,中子截面随能量变化是同位素特有的,存在明显的共振吸收峰,因此可以进行同位素的“指纹”识别。能量选择中子成像技术在工程、材料、化学、物理、生物、考古等众多科研领域中有着非常广阔的应用前景。     

EGFAFS: A Novel Feature Selection Algorithm Based on Explosion Gravitation Field Algorithm

Feature selection (FS) is a vital step in data mining and machine learning, especially for analyzing the data in high-dimensional feature space. Gene expression data usually consist of a few samples characterized by high-dimensional feature space. As a result, they are not suitable to be processed by simple methods, such as the filter-based method. In this study, we propose a novel feature selection algorithm based on the Explosion Gravitation Field Algorithm, called EGFAFS. To reduce the dimensions of the feature space to acceptable dimensions, we constructed a recommended feature pool by a series of Random Forests based on the Gini index. Furthermore, by paying more attention to the features in the recommended feature pool, we can find the best subset more efficiently. To verify the performance of EGFAFS for FS, we tested EGFAFS on eight gene expression datasets compared with four heuristic-based FS methods (GA, PSO, SA, and DE) and four other FS methods (Boruta, HSICLasso, DNN-FS, and EGSG). The results show that EGFAFS has better performance for FS on gene expression data in terms of evaluation metrics, having more than the other eight FS algorithms. The genes selected by EGFAGS play an essential role in the differential co-expression network and some biological functions further demonstrate the success of EGFAFS for solving FS problems on gene expression data.     

一种超高耐久混凝土——梯度结构混凝土

分析超高耐久混凝土的研究现状,提出了一种高耐久、低成本的超高耐久混凝土--梯度结构混凝土(Gradient Structural Concrete,简称GSC),采用电量法和氯离子扩散系数法来评价梯度结构混凝土的抗氯离子渗透性能,最后进行梯度结构混凝土的寿命预测与成本分析.结果表明,高性能混凝土(High Performance Concrete,简称HPC)、无细观界面过渡区水泥基复合材料(Meso-interfacial transition zone-free cement-based materials,简称 MIF)和梯度结构混凝土MIF-HPC的6 h导电量和氯离子扩散系数的排列顺序均为:HPC>MIF-HPC>MIF,其抗氯离子渗透性能排列顺序为:MIF>MIF-HPC>HPC.梯度结构混凝土的成本会有所增加,但由于其氯离子渗透性能大幅降低,其使用寿命得到大幅延长,使得其年损耗费用大幅下降.     

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。      

����ͨ���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.     

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。     

考虑罚金政策的众包物流服务质量网络均衡模型

为优化众包物流服务质量,考虑平台罚金政策,构建了包括发包方、众包平台和接包方在内的三层众包物流服务网络模型,并进行算例分析。结果表明,众包平台实施罚金政策并加大自身服务质量投入成本会促使接包方改善自身的服务质量,众包平台的服务质量和利润随之增大,但一味的增大罚金不但会使得接包方利润下降,众包平台的服务质量和利润也呈稍微下降趋势,因此平台应该选择合适的罚金区间;平台在竞争的同时也要进行一定的合作,因为平台间同步协调改进罚金政策以及质量投入会取得更大的收益和更高的平均服务质量。     

Non parametric estimation of the diffusion coefficients of a diffusion with jumps

In this article, we consider a jump diffusion process ${\left(X_t\right)}_{t\ge 0}$, with drift function $b$, diffusion coefficient $\sigma$ and jump coefficient ${\xi }^2$. This process is observed at discrete times $t=0,\Delta ,\dots ,n\Delta$. The sampling interval $\Delta$ tends to 0 and the time interval $n\Delta$ tends to infinity. We assume that ${\left(X_t\right)}_{t\ge 0}$ is ergodic, strictly stationary and exponentially $\beta$-mixing. We use a penalized least-square approach to compute adaptive estimators of the functions ${\sigma }^2+{\xi }^2$ and ${\sigma }^2$. We provide bounds for the risks of the two estimators.