利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。     

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析（linear discriminant analysis,LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。     

基于ABC-SV R算法的拉曼光谱检测混合油脂肪酸含量

提出了一种基于激光拉曼光谱和人工蜂群智能优化支持向量回归机(ABC-SVR)算法的快速定量检测三组分混和油中3种脂肪酸含量的方法。该方法针对光谱数据信息与样本之间非线性、高维度的关系,建立了预测精度及建模效率均高于同类对比算法的数学模型,同时避免了气相色谱法、液相色谱法等对混合油脂肪酸含量的检测方式,根据纯种油中3种脂肪酸含量的国际标准,由油品配置体积得到脂肪酸质量,有效降低了检测成本与实验复杂程度,提高了检测工作的实用价值。首先根据一定梯度配置66组混合油检测样品,使用便携式拉曼光谱仪采集样本的拉曼光谱信息,扣除背景噪声;观察多组样本的拉曼光谱图可知,由于官能团浓度的差异,食用油的拉曼特征峰位移基本相同,特征峰的峰值明显不同,因此基于特征峰信息可以区分食用调和油的不同混合物;其次对拉曼光谱做背景扣除、光谱平滑、最大值谱线归一化三步预处理,以降低实验中不可控的外界因素及背景荧光的影响,准确提取光谱特征峰强度信息;然后根据纯种油中3种脂肪酸的国际标准含量,结合国家食品法典委员会标准CODEX STAN210-1999《指定的植物油法典标准》中规定的纯种油密度中值,由油品体积得到脂肪酸质量数;随机选取56组样本数据作为训练集,剩余10组样本数据作为预测集;以训练集光谱特征峰强度和脂肪酸质量分别作为回归模型的输入及输出值,建立SVR和PSO-SVR,ABC-SVR三种混合优化算法对比的定量分析模型,对测试集的3种脂肪酸含量分别进行预测;最后通过均方误差(MSE)、相关系数(r)及建模时间(Elapsed time)分别进行对比,建立数据表对模型精准度进行检验。实验结果表明,通过ABC-SVR定量分析模型效果最佳,3种脂肪酸含量预测值与真实值的均方差分别为0.88×10-4,16×10-4和8×10-4,均低于0.002;相关系数分别为93.43%,99.65%和99.43%,均高于93%;预测时间(Elapsed time)分别为1.26,2.42和2.14 s。因此,所提出的检测方法,具备较高的精确度、较快的建模时间,且在理论上的类似条件下可适用于其他样品检测工作,可为振动光谱学对食用油掺伪分析的进一步工作提供可行的理论依据。     

湿法超微粉碎程度对白蕉鲈鱼鱼骨架浆理化性质及内含成分的影响

以白蕉鲈鱼鱼骨架为研究对象,分析湿法超微粉碎程度对白蕉鲈鱼鱼骨架浆理化性质、内含成分、微观结构和感官品质的影响。实验采用pH计、紫外分光光度计、色度仪、质构仪、激光粒径分析仪分析鱼骨架浆的基本理化性质,氨基酸自动分析仪测定氨基酸的种类和含量,扫描电镜观察其微观结构。结果显示:经过湿法超微粉碎之后,大于100目的样品粒径主要分布在50~100μm,而小于等于100目的样品主要分布在100~300μm。随着粉碎程度的增加,鱼骨架浆的pH值、紫外吸光度、白度、堆密度逐步增加,凝胶强度则呈现先增加后减少的趋势。当粉碎程度从20目增大到180目以上,钙溶出量从151.23mg/kg增长到270.06mg/kg,胶原蛋白的含量由0.01%增长到0.04%,游离氨基酸的含量从181.07ng/μL增长到462.70ng/μL,盐溶性蛋白含量从6.95mg/g增长到16.12mg/g,水溶性蛋白含量从2.15mg/g增长到7.13mg/g。扫描电镜结果显示:大于100目的样品颗粒较为平整均一,而小于等于100目的样品可以明显看到鱼刺。挥发性盐基氮的含量符合国家有关标准。综合感官评价认为,100目以上的鱼骨架浆可作为鱼粉、鱼丸等产品配料,而100目及以下的鱼骨架浆只适合添加到汤料包、酱料等原料颗粒大的产品之中。     

强磁场陶瓷结合剂CBN砂轮制备及磨削性能

针对陶瓷结合剂CBN砂轮磨粒取向随机,砂轮强度低的问题,将强磁场引入砂轮制备工艺.制备过程中添加了镀镍CBN磨粒,研究发现,适当磁场强度可以实现镀镍CBN磨粒的偏转;另外,适宜的磁场强度有利于提高陶瓷CBN复合材料的强度,当磁感应强度为6 T时,陶瓷CBN复合材料的抗折强度最高,强度值达到79.5MPa.通过开展磨削试验,证实了强磁场陶瓷结合剂CBN砂轮在磨削钛合金TC4时,其磨削比能略低于普通陶瓷结合剂CBN砂轮的比能,此项研究对提高陶瓷结合剂CBN砂轮性能以及探索新的制备工艺均有现实意义.     

考虑周期性维护与工时恶化的单机调度研究

机械加工的"个性化定制"和"多品种小批量生产"需求与日俱增,生产的高度灵活性和设备维护的必要性给调度工作带来了巨大挑战,实际生产伴随的工时恶化效应使得调度问题更加复杂。为了解决周期性维护策略下考虑工时恶化的单机调度和维护决策问题,利用分段线性函数对工时恶化进行描述,分别基于固定周期维护与柔性周期维护的特点,以最小化最大拖期成本和维护成本为目标建立模型,通过数值实验和调参分析,确定了维护决策的关键和非关键因素。结果表明:柔性周期维护没有批次空闲,目标函数值随β/α比值的增大呈阶梯增长状,能实现成本的"自适应"调节,较固定周期维护有显著优势。构建生产与维护的联合调度模型,可实现维护策略的优劣对比和生产与维护的联合决策,降低企业生产和维护的运营成本。     

应用局部自适应阈值方法检测圆形标志点

利用圆形标志点的几何和灰度特征,在图像中搜索具有符合该特征描述的区域,对圆形标志点进行粗定位.对粗定位区域的扩展区域使用最大类间方差阈值分割法分割出圆形标志点轮廓,并对像素轮廓进行最小二乘拟合,计算出圆形标志点的中心坐标及拟合轮廓各参数,根据该参数筛选保留所需标志点中心坐标.结果表明:该方法使用局部的大津阈值检测圆形标志点,能够避免全局阈值的缺陷,提高标志点检测的检出率;采用最小二乘椭圆拟合提取标志点中心,能够达到亚像素级精度.     

大数据时代的车牌汉字识别

在大数据时代, 交通信息成为网络数据量最大的数据来源之一, 智能交通成为必然需求. 车牌识别是智能交通的基础, 可广泛应用于车库管理、交通监控等工程中, 然而识别的准确率还有待加强, 已有算法对于字母、数字的识别准确率都非常高, 而对于中国特有的汉字识别却效果不佳. 提出用受限玻尔兹曼机组成的深信度网络算法来识别车牌字符, 大大提升了汉字识别的准确率, 使准确率达到99.44%.     

基于k近邻和最小二乘支持向量机的Android恶意行为识别

针对单一k近邻算法(KNN)和最小二乘支持向量机(LSSVM)存在的缺陷, 提出一种基于KNN LSSVM的Android恶意行为识别模型. 先采集Android用户行为样本, 并提取相应特征组成特征向量; 再将训练集输入LSSVM中进行学习, 计算测试样本与最优分类平面间的距离, 如果该距离小于阈值, 则直接采用LSSVM恶意行为识别, 否则采用KNN算法进行恶意行为识别; 最后采用仿真实验测试KNN LSSVM的性能. 实验结果表明, 相对于单一KNN算法和LSSVM, KNN LSSVM提高了Android恶意行为的识别正确率,可以满足Android[KG*6]恶意行为的在线识别要求.