藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究北大核心CSCD

利用近红外光谱技术和自建的在线检测系统,实现了藏药五脉绿绒蒿提取过程中总黄酮含量的在线近红外光谱监测和提取终点的判定。以403个样品为建模集,分别获得了主成分回归(PCR)、偏最小二乘(PLS)、决策树(DT)、随机森林(RF)算法下的最佳光谱预处理方法和建模区间,以残差预测偏差(RPD)值为指标选择最佳建模方法。以62个样品为外部验证集,考察模型应用于总黄酮含量实时监测的可行性。此外,还探讨了利用模型预测值进行相对浓度变化率(RCCR)分析直接判定提取终点的可行性,并比较了标准偏差绝对距离法(ADSD)和移动窗口标准偏差法(MBSD)对提取终点判定的适用性。结果表明,在预处理方法为Constant+一阶导数+SG平滑、建模区间5300~9000 cm^(-1)条件下所建的总黄酮含量的PLS模型效果最好,其校正集和验证集的误差均方根均小于0.14、相关系数均大于0.97,RPD值为4.68。所建PLS模型对未知样品的平均预测率为79%,实际值与预测值的相关系数大于0.98,表明模型有较好的预测效果。外部验证集中RCCR法判定的预测提取终点和ADSD法判定的提取终点均与实际提取终点一致。所建模型性能较好,通过对未知样品进行准确快速的定量分析,实现了五脉绿绒蒿提取过程中总黄酮含量的实时监测,同时,以RCCR和ADSD作为提取终点的判定方法较为准确,可为藏药材提取过程在线近红外光谱分析技术的研究提供有益借鉴。     

基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

多自适应波束天线节点的最优组网拓扑控制

自适应波束天线由于其发射接收具有强指向性的特点,其网络拓扑控制问题、方法与全向天线存在较大不同。针对节点安装有多个空间均匀分布的自适应波束天线进行组网通信时的拓扑优化控制问题,建立了自适应波束天线和网络节点通信的数学模型;对拓扑优化控制的问题进行了分析,其问题本质是对节点安装的多部天线进行最优化链路分配。以网络通信质量的量化计算作为目标函数,提出了一种基于0-1规划的拓扑控制优化模型,并对网络连通性进行了分析,给出了两节点连通以及整个网络连通的充要判决条件。最后给出了2种不同节点数情况下的仿真计算结果,并通过穷举法验证了模型计算结果的正确性。     

质量成本控制的数学模型

通过对质量成本的构成分析,给出了一个对质量成本进行定量分析计算的数学模型,并讨论了如何进行质量成本控制的方法。     

基于小脑模型关节控制器的神经元离散滑模控制

针对常规滑模控制中,在状态轨迹沿滑模面运动过程中易产生抖振的现象,将小脑模型关节控制器与滑模控制相结合,提出了一种新的控制策略,即基于小脑模型关节控制器的神经元离散滑模控制,并对该方法进行了计算机仿真。仿真结果表明,采用本文所提出的方法,不仅有效地抑制了抖振,而且系统具有良好的动态品质。     

负载扰动观测器在SF型矢量控制系统中的应用

文章提出广义逆矩阵来设计离散型状态观测器的方法,用该法设计的观测器,可对SF型矢量控制系统的负载力矩进行估计,再进行前馈补偿。实验证明,该法可有效改善系统的动态性能。     

由单片机AT89C51构成的定时控制系统

介绍了单片机ＡＴ８９Ｃ５１,给出了由ＡＴ８９Ｃ５１构成的定时控制系统,并将此系统与ＣＰＵ８０３１构成的单片机系统比较,具有结构简单、可靠性高的特点．     

油库发油控制及管理系统的研究

阐述了油库发油体积及重量的测量过程,讨论了控制及管理的功能要求,提出了设定关阀提前量ΔＸ,并控制调整其大小以提高发油精度的思想。系统采用主从式上下两级微机网络。文中给出了该系统的实现方法,同时论述了保证系统安全运行的措施。     

冷库温湿度微机自动测控系统的研究

应用冷库对果品,蔬菜、肉、禽、蛋、奶等进行冷藏保鲜是保证和提高人民生产水平的重要手段之一,然而,冷库中低温状态下的湿度控制问题多年来一直没有得到较好地解决。本文研究一种温湿度微机全自动测控系统,该系统不仅可成功地解决冷库的恒温问题,而且能够合理地利用自然冷源节能节电,进一步降低运行费用 。     

联想记忆系统的学习算法设计（Ⅰ）

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法,用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比,具有学习精度高和记忆空间小的特点;且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明,这种ＮＦＩ－ＡＭＳ在信号处理,模式识别,及高精度的实时智能控制等领域具有很大的应用潜力。