DARPA研究类脑图像处理器,提高大数据处理能力

正2013年8月,美国国防先期研究计划局(DARPA)授予美国密歇根大学570万美元,开展"传感与分析稀疏自适应局部学习(Sparse Adaptive Local Learning for Sensing and Analytics)"项目研究,开发一种处理速度比目前图像处理器快1000倍,而功耗仅是其万分之一的类脑图像处理器。1传统图像处理器无法满足     

长杆高速侵彻的特征控制参量分析

针对理想长杆侵彻,通过对长杆侵彻Alekseevskii-Tate模型近似解进行分析,指出单一的无量纲速度衰减系数α（deceleration index）不足以完全表征长杆高速侵彻的准定常阶段。在此基础上,重新定义了2个无量纲特征参量:Johnson破坏数Φ_Jp和特征时间系数β,2个参量之间的关系为α=β/Φ_Jp。分析表明,Φ_Jp和β（或α和β）可实现对长杆高速侵彻准定常阶段的弹尾速度的完全表征;若再引入长杆弹相对临界速度v_c*,则可完全表征长杆侵彻的准定常阶段。此外,还证明了α能够判定侵彻过程偏离定常状态的程度,并指出通过确定Φ_Jp和β（或α和β）,可针对攻防需求对长杆弹侵彻设计进行指导。     

数学实验:让数学学习深度发生——以“探索角平分线的性质”数学实验为例

作为数学知识探索和建构的重要方式,数学实验不仅能够增强学生的动手能力,激发学生数学学习的兴趣,促使学生获得更多亲历和体验数学探索的机会,而且有助于学生验证数学原理,进行深度思考,透过数学表象洞察数学本质规律,达到对知识的深度提取和迁移,获得数学学习力与数学素养的提升.然而,初中阶段的学生工具理性大于概念理性,形象思维大于抽象思维,致使初中生在数学实验探究时对相关知识的理解往往处于浅层学习状态,因此,如何结合数学实验的实践特征,促使学生发生深度学习具有重要的意义.     

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外（372.53~1 038.57 nm）范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G（Savitzky-Golay）平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机（ELM）中进行分类。此外,还和基于灰度共生矩阵（GLCM）的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个：一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。     

基于红外光谱对野生冬虫夏草不同部位的识别

冬虫夏草作为著名的传统中药材,由于其良好的药用价值而备受青睐。目前多数工作集中研究其活性成分含量以及药理药效。而对其不同部位的识别研究较为匮乏。基于红外光谱数据,结合化学计量学对多维度复杂体系的解析优势对冬虫夏草不同部位进行分类识别。首先对野生冬虫夏草五个不同部位包括子座头、子座中、头部、虫体中段、虫体尾段总共808个光谱数据使用标准正态变换(SNV)、多元散射矫正(MSC)进行数据预处理。而后用竞争自适应再权重取样(CARS)、变量组合种群分析(VCPA)挑选具有代表意义的特征变量。最后使用偏最小二乘判别分析(PLS-DA)、线性判别分析(LDA)进行建模预测分析。模型对训练集使用十倍交叉验证,以准确率(Acc)作为评价指标。结果表明,在该数据上PLS-DA模型在10倍交叉验证和独立测试集上的预测准确率分别是90.1%和92.0%,而使用LDA模型时,预测准确率分别降低到86.7%和85.8%。采用CARS和VCPA特征挑选方法可有效将特征从3 601维分别降到699和420维,同时保持预测准确率与全部特征的预测准确率相当。而挑选的特征波数630,625,1 024,1 028,1 084和1 089 cm-1与虫草的甘露醇相关,879和874 cm-1与虫草的多糖相关。通过对挑选的波数进行Wilcoxon rank-sum检验进一步表明虫草五个部位之间存在显著差异。研究表明化学计量学方法结合红外光谱能够有效识别冬虫夏草不同部位,有助于在分子层面上加深对冬虫夏草形成的认识,为针对虫草不同部位高效利用提供参考。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

刚竹毒蛾危害下的毛竹叶片光谱特征及虫害等级检测研究

探讨刚竹毒蛾危害下的毛竹叶片光谱特征可为建立竹林生态安全监测体系提供重要的理论指导。相比于传统的多光谱数据,高光谱遥感能够准确探测不同刚竹毒蛾危害等级间寄主光谱的细微变化。然而,当前有关此方面的研究甚少,其寄主的光谱变化机理还有待进一步总结。为此,基于实测的552条竹叶光谱,分析了健康、受刚竹毒蛾危害、小年叶片之间的光谱差异,选择可反映其健康状况的特征变量,并利用XGBoost模型建立了叶片尺度的刚竹毒蛾危害检测模型。研究结果显示：（1）随着虫害等级的上升,受害叶片在可见光范围内的反射率逐渐出现“绿低红高”的特征,其近红外波段的反射率则不断降低,而短波红外的反射率则明显高于健康叶片,尤其在两个水汽吸收波段（1 450和1 940 nm）的差异最为明显;（2）小年叶片于可见光-近红外波段的反射率显著高于健康、受害叶片;（3）根据不同受害类型叶片的光谱特征可知,较之健康叶片,缺刻型叶片的光谱并未出现太大的变化,红褐色病斑型叶片在红光波段的反射率出现了一定程度的上升,灰白色病斑型叶片则已经完全失去了植被的基本光谱特征;（4）根据XGBoost模型给出的变量重要性排序可知,各特征变量的贡献度依次为PRI（光化学反射率指数）＞FDVI_{576, 717}（植被健康程度评估指数）＞NPCI（归一化色素叶绿素指数）＞DSWI（疾病水胁迫指数）＞VOG 1（红边指数1）＞RVSI（红边植被胁迫指数）＞NDWI（归一化差值水分指数）;（5）模型对刚竹毒蛾危害识别的总平均精度为74.39%,其中健康叶片的识别精度达到了94.55%,轻度危害叶片为74.93%,重度危害为84.12%,小年叶片则为71.10%,而中度危害叶片的识别精度较差,仅为33.48%。     

基于优选NIR光谱波数的绿豆产地无损检测方法

产地是影响农作物生产的重要环境因素,产地溯源对于食品安全具有重要意义。针对传统农产品产地检测一般采用化学分析法,其操作繁琐且存在破坏性和耗时较长等不足的问题,以北方寒地绿豆为研究对象,分别在白城、杜蒙、泰来等优质绿豆主产区,获取绿豆的籽粒和粉末两种状态的近红外光谱数据（NIR）,利用优选NIR光谱特征波数,建立了绿豆产地无损检测的新方法。首先在吸光度值较强的10 105.37~4 078.655 cm-1波数范围内,采用多元散射校正法（MSC）,对不同产地的绿豆原始光谱数据进行预处理,以消除光谱干扰信息。应用竞争性自适应重加权采样算法（CARS）,优选不同产地绿豆籽粒和粉末状态的光谱特征波数,以减少光谱曲线的特征向量维度。最后利用前馈神经网络（BP）自适应推理机制,建立了绿豆产地与其光谱特征波数之间非线性映射模型,并将网络输出的编码向量解析至产地名称,作为绿豆产地检测的输出结果。研究结果表明：（1）原始光谱经过多元散射校正预处理后,绿豆粉末光谱曲线的误差从12.87降到3.20,绿豆籽粒光谱曲线的误差从153.04降到27.73,提供有效可靠的光谱数据。（2）通过竞争性自适应重加权采样算法,提取绿豆光谱曲线的重要特征波数,从籽粒和粉末状态原始2 114个波数中,分别优化为61个和107个特征波数,波段总数目减少了94.94%以上,并将其作为绿豆产地识别的特征指标。（3）创新性提出了MSC-CARS-BP绿豆产地检测模型,以优选出的光谱特征波数为定量依据,分别对绿豆籽粒和粉末进行产地检测,预测集准确率为92.59%和98.63%,相关系数均达到0.99以上。该方法能够利用近红外光谱处理技术,实现绿豆产地无损检测的目标,为农产品产地自动快速溯源提供了技术支持和参考。     

基于光谱和图像特征的阔叶木材与针叶木材同时分类算法研究

木材是人们生活中必不可少的可再生资源,同时在建筑、工艺、家具、结构材料等方面有着举足轻重的地位。市场中常见的木材品种繁多,其品质和价格千差万别,使用智能化技术对木材进行正确的分类不仅可以防止不法商贩“以次充好”,也可以大幅度降低木材分类人员的工作难度。通过木材的遗传信息和解剖学信息可以得到较为准确的木材分类结果,这类方法识别工艺相对复杂,对非专业人员并不友好。借助木材切面的图像信息或光谱信息可以简单方便地对木材进行分类,然而由于不同种木材之间存在的近似性,这类方法往往分类精度不高或只适用于某些阔叶木材。提出了一种基于木材横切面图像信息和光谱信息的多特征木材分类算法,首先分别采集木材横切面的光谱信息以及图像信息;再使用Segnet图像分割方法将待分类样本分成含管孔木材和不含管孔木材两组,并对含管孔样本组中的木材进行管孔分割;然后对含管孔样本组中的木材提取管孔特征、光谱特征以及纹理特征,对无管孔样本组木材提取光谱特征和纹理特征;最后根据这些特征使用支持向量机分别对木材进行分类并记录其木材的分类结果,对分类结果不一致的样本使用相似性判据判断最佳分类结果。为了验证该方法的有效性,以20种常见的阔叶木材和针叶木材的混合样本集为研究对象,对其进行了分类。实验结果显示三种特征均可以对木材进行分类,单独使用光谱特征、纹理特征以及管孔特征对木材进行分类的最高正确率分别为93.00%,89.33% 和69.23%,通过相似测度的判断后三个特征可以相互补充从而进一步提高木材的分类正确率,最高正确率可达98.00%。综上所述,该方法可以对包含阔叶木材和针叶木材的混合样本集中的木材进行分类,木材横切面的光谱特征、纹理特征以及管孔特征可以相互补充,从而使分类正确率进一步的提高。与目前的主流木材分类方法进行对比,发现该算法的分类正确率高于其他算法。     

湖北十堰绿松石中杂质矿物自然硒的谱学研究

近期在湖北绿松石市场上出现一种带有肉眼可见的灰黑色异形杂质的绿松石,于此种绿松石的研究甚少。故选取来自湖北省十堰的一块该种绿松石原石,蓝色绿松石基底上布满形态各异、大小不一的灰黑色杂质,放大观察可见灰黑色杂质矿物呈金属光泽。对灰黑色杂质采用激光剥蚀电感耦合等离子体质谱仪进行原位微区微量元素测试、背散射电子图像物相观察、主量化学成分测试采用能谱仪进行半定量测试和电子探针定量测试以及显微激光拉曼光谱仪测试。灰黑色杂质矿物的LA-ICP-MS测试激光剥蚀束斑直径及深度的影响,测试结果表现为灰黑色杂质矿物和少量绿松石的混合物的化学成分含量,灰黑色杂质矿物处Se含量为95 927～221 394 μg·g-1明显高于蓝色基底绿松石中Se的含量（146～212 μg·g-1）,灰黑色杂质处的测试结果中CuO含量为7.47%～9.28%、Al₂O₃含量为28.1%～35.7%,P₂O₅含量为30.1%～37.8%为少量绿松石混杂产生;背散射电子图像表明杂质矿物结晶颗粒细小,细小的杂质矿物与绿松石混杂在一起,他形的杂质矿物为多个晶体集合在一起形成的集合体,能谱测试结果表明杂质矿物主要含有Al,P,Fe,Cu和Se,电子探针主量化学成分定量测试结果表明杂质矿物主要含有Se,含量为79.34%～87.97%,此外,由于杂质矿物结晶颗粒细小,杂质矿物集合体中可见杂质矿物与绿松石混杂,因此化学成分定量测试结果中还呈现有绿松石中的Al,P,Fe,Cu和Al含量约为0.93%～4.13%,Cu含量约为1.30%～2.04%,P含量约为0.66%～2.40%,Fe含量约为0.31%;杂质矿物的显微激光拉曼光谱峰为位于144和235 cm-1处的尖锐拉曼谱峰,结合化学成分谱学测试结果可鉴别该杂质矿物主要为自然硒。硒矿物是绿松石中新发现的杂质矿物,绿松石中杂质矿物自然硒的发现可以为珠宝从业者鉴别绿松石提供有效的鉴定依据。