基于自适应布谷鸟搜索算法的K-means聚类算法及其应用

针对原始K-means聚类算法受初始聚类中心影响过大以及容易陷入局部最优的不足,提出一种基于改进布谷鸟搜索(CS)的K-means聚类算法(ACS-K-means)。其中,自适应CS(ACS)算法在标准CS算法的基础上引入步长自适应调整,以提高搜索精度和收敛速度。在UCI标准数据集上,ACS-K-means算法可得到比K-means、基于遗传算法的K-means(GA-K-means)、基于布谷鸟搜索的K-means(CS-K-means)和基于粒子群优化的K-means(PSO-K-means)算法更优的聚类质量和更高的收敛速度。将ACS-K-means聚类算法应用到南宁市青秀区"城管通"系统的城管案件热图的开发中,在地图上对案件地理坐标进行聚类并显示,应用结果表明,聚类效果良好,算法收敛速度快。

一种近红外光谱在线监测新方法及其在中药柱层析过程中的应用

近红外光谱(NIRS)广泛应用于生产过程分析与监测,常需事先建立定量校正或定性判别模型,并需在生产条件变化后调整模型,使用较复杂。本文从相异度和相似度两个对立互补的角度,提出自适应移动窗口标准差法和过程光谱相似度法,并以此为基础建立一种针对生产过程的无需校正模型的简易光谱在线监测方法。论文以中药柱层析过程为例,对监测过程作NIRS自适应移动窗口标准差趋势图和过程光谱相似度趋势图,并通过HPLC离线分析所得的多指标成分含量变化趋势图进行对比验证,发现可用于工艺状况实时监测,指导收集起点、终点、溶液相变点的判断,表明论文提出的方法合理可行。该方法亦可用于紫外/可见、红外、拉曼、荧光等光谱及色谱、质谱等其他过程分析技术。

NIR光谱的Isomap-PLS非线性建模方法

针对样品的近红外（NIR）光谱与其物理化学性质之间存在的非线性关系,提出了一种结合等距映射（Isomap）和偏最小二乘（PLS）的非线性建模新方法。Isomap是一种新的非线性降维方法,属于流形学习方法,能有效地发现高维数据中的本真低维结构。Isomap-PLS建模方法首先用Isomap对高维NIR光谱数据作非线性降维,再用PLS降维并建立校正模型。将Isomap-PLS建模方法分别应用于两个公开的NIR光谱标准数据集,并与PLS单独建模进行比较。结果表明,在两个数据集上,用Isomap-PLS方法建立的校正模型比单独用PLS算法建立的校正模型具有更小的交叉验证均方根误差（RMSECV）;对某些性质数据,Isomap-PLS模型比PLS模型的RMSECV值要小2-5倍。因此,Isomap能够有效反映NIR光谱中存在的非线性结构,Isomap-PLS比PLS具有更好的建模与预测能力。

基于KPLS的网络入侵特征抽取及检测方法

从特征抽取的角度研究提高入侵检测性能问题,提出应用核偏最小二乘(KPLS)进行入侵特征抽取和检测的方法.其优点在于KPLS能非线性地抽取输入特征的多个正交分量,并保持与输出类别的相关性,可同时完成入侵特征抽取和判别.将该方法应用于基于Linux主机的入侵检测实验,取得了比SVM和KPCR等方法更好的效果.

保证多指标成分含量稳定的中药材最优化调配方法

提出了一种利用HPLC指纹图谱测定中药材多指标成分含量,再运用线性、非线性最优化理论调配中药材,从而保证中药材调配物多指标成分含量稳定的新方法.方法的核心是所提出的7种最优化调配目标函数及相应的约束条件.实验验证,以10批板蓝根药材为基础,在7种最优化目标下,控制5个主要HPLC色谱峰面积稳定均一,结果显示,峰面积最大相对偏差的绝对值为6·3%.

丹参多酚酸盐柱层析过程的近红外光谱在线检测及质量控制

目的:研究利用近红外光谱(NIR)结合HPLC含量测定对丹参多酚酸盐生产的关键工艺——柱层析进行在线质量分析及控制的可行性。方法:对NIR透射光谱和丹酚酸B的含量进行PLS回归分析,并系统考察光程、波数选择、预处理方法对建模效果的影响。结果:2 mm光程优于1 mm光程,在2 mm光程下,最优的波数范围为6 102.1-5 446.3cm-1、预处理方法为矢量归一化,对预测集样本的均方根误差为0.234 mg/mL、R2为0.995 2。结论:该方法快速、简便、准确,可用于生产过程在线检测及质量控制。

求解多目标优化问题的改进布谷鸟搜索算法

针对求解多目标优化问题,提出一种改进的多目标布谷鸟搜索算法(IMOCS).相比于标准多目标布谷鸟搜索算法(MOCS),IMOCS在莱维飞行中使用动态自适应的步长控制量,并基于层级和拥挤度距离选择下一次莱维飞行的种群.为了验证算法的有效性,通过在测试实例(SCH,ZDT系列,LZ)计算所求Pareto前沿与真实Pareto前沿的广义距离和所求Pareto前沿的多样性来测试IMOCS的性能.结果表明,与MOCS,NSPSO,NSGA-II比较,IMOCS所求的广义距离更小,即由IMOCS所求Pareto前沿更加接近于真实Pareto前沿,同时IMOCS的Pareto前沿分布更加广泛和均匀,即多样性更好.

NIR光谱的LLE-PLS非线性建模方法及应用

传统的偏最小二乘(PLS)建模方法不能有效反映近红外(NIR)光谱与分析样本的物理化学性质之间存在的非线性关系。局部线性嵌入(LLE)是一种新的非线性降维方法,属于流形学习方法,它能有效地发现高维数据中的本真低维结构。结合LLE和PLS,提出一种近红外光谱非线性建模的新方法,并用于建立丹参多酚酸盐柱层析过程中丹酚酸B含量的回归校正模型。该方法首先用LLE对NIR光谱数据降维,再用PLS建立校正模型。结果表明,与多元散射校正、一阶导等预处理方法结合PLS建模比较,参数优化后的LLE-PLS方法能更准确地预测丹酚酸B的含量,其交叉验证均方根误差为0.128mg.mL-1、决定系数为0.9988。基于NIR光谱及LLE-PLS建模,可实现丹参多酚酸盐柱层析过程的在线检测。

基于一元线性回归的近红外光谱模型传递研究

为解决近红外光谱分析中的模型传递问题,本研究提出了一元线性回归直接标准化算法(Simple linear regression direct standardization,SLRDS)。为验证算法的有效性,采用玉米样品的近红外光谱集进行实验,并与传统的直接标准化算法(Direct standardization,DS)、分段直接标准化算法(Piecewise direct standardization,PDS)进行比较。实验结果表明,SLRDS算法不仅能够有效消除近红外光谱仪之间的差异,很好地实现玉米样品的PLS校正模型在3台仪器之间的共享,而且与DS和PDS算法相比,具有传递性能高、模型简单及所求参数少等优点。

并行MapReduce PLS算法及其在光谱分析中的应用

偏最小二乘(PLS)算法是常用的光谱建模算法,然而对于海量光谱处理情形,在单台计算机上建模及优化时间开销很大。基于MapReduce编程模式,提出了并行MapReduce PLS回归算法,包括并行数据标准化和并行主成分提取两个过程。在多台普通计算机上搭建Hadoop云计算集群平台,以近红外光谱处理为例,开展了算法验证实验。实验结果表明,基于MapReduce编程模式的并行PLS算法对海量近红外光谱数据集进行回归建模时,能有效提高建模速度,随计算机台数的增多可得到接近线性的加速比,并具有良好的扩展性。

稀疏降噪自编码算法用于近红外光谱鉴别真假药的研究

近红外光谱分析技术作为一种快速、无损检测技术十分适用于真假药品现场鉴别。自编码网络作为当前机器学习领域研究的热点受到广泛关注,自编码网络是一种典型的深度学习网络模型,它比传统的潜层学习方法具有更强的模型表示能力。自编码网络使用贪婪逐层预训练算法,通过最小化各层网络的重构误差,依次训练网络的每一层,进而训练整个网络。通过对数据进行白化预处理并使用无监督算法对输入数据进行逐层重构,使网络更有效的学习到数据的内部结构特征。之后使用带标签数据通过监督学习算法对整个网络进行调优。首先对真假琥乙红霉素片的近红外光谱数据进行预处理以及白化预处理,通过白化处理降低数据特征之间的相关性,使数据各特征具有相同的方差。数据处理之后利用稀疏降噪自编码网络针对真假药品光谱数据建立分类模型,并将稀疏降噪自编码网络模型与BP神经网络以及SVM算法在分类准确率及算法稳定性方面进行对比。结果表明对光谱数据进行白化预处理能有效提升稀疏降噪自编码网络的分类准确率。并且自编码网络分类准确率在不同训练样本数量下均高于BP神经网络,SVM算法在少量训练样本的情况下更有优势,但在训练数据集样本数达到一定数量后,自编码网络的分类准确率将优于SVM算法。在算法稳定性方面,自编码网络较之BP神经网络和SVM算法也更稳定。使用稀疏降噪自编码网络对真假药品近红外光谱数据进行建模,能对真假药品进行有效的鉴别。

基于GPU计算的并行PLS算法研究与实现

偏最小二乘算法(PLS)是与红外、近红外光谱分析结合使用最为广泛的化学计量学算法,然而当前PLS算法通常采用单线程方式实现,当校正模型数量多或样本数量大、波长点数和主成分数较多,模型需对光谱预处理和波长选择方法反复优化时,计算十分缓慢。为大幅提高建模速度,该文提出了一种基于图形处理器(GPU)的并行计算策略,利用具有大规模并行计算特性的GPU作为计算设备,结合CUBLAS库函数实现了基于GPU并行的PLS建模算法(CUPLS)。利用近红外光谱数据集进行性能对比实验,结果表明CUPLS建模算法较传统单线程实现的PLS算法,加速比可达近42倍,极大地提升了化学计量学算法的建模效率。该方法亦可用于其它化学计量学算法的加速。

热式质量流量计特性曲线及其拟合方法的研究

讨论了热式质量流量计的特性曲线，着重对其ＵｂＶ（电桥电压流速）特性曲线和ＩＵｂ（输出电流电桥电压）特性曲线的函数形式及其拟合方法进行了研究。提出了ＵｂＶ特性曲线的一般描述方程，并运用以正交多项式为基的最小二乘法成功地进行了高次曲线的精确拟合。

基于Sector/Sphere的气相色谱质谱联用多样本并行对齐算法

针对气相色谱质谱联用(GC-MS)数据处理过程复杂且计算量大、处理时间过长而严重拖延实验进度的问题,以多样本保留时间对齐为例,设计了基于分布式平台Sector/Sphere的GC-MS数据处理并行框架,实现了多样本并行对齐算法。首先分布式计算所有样本的相似度矩阵;然后依据层次聚类原理将原样本集划分为小样本集,分布式对齐各小样本集内部的样本;最后以各小样本集的平均样本作为对齐依据合并各样本集的对齐结果。实验结果表明:多样本并行对齐算法的错误率为2.9%,由4台PC组成的集群处理大量样本时,最高加速比达到3.29;能够在保证较高正确率的前提下提升计算速度,解决处理时间过长的问题。

基于布谷鸟搜索的多处理器任务调度算法

多处理器系统在高性能计算中扮演着重要角色。为提高系统的并行性能,基于布谷鸟搜索算法,提出一种新的多处理器任务调度算法。该算法以全部任务的最晚完成时间最小为目标,利用基于任务优先权的编码方式使连续的布谷鸟搜索算法适用于离散的多处理器任务调度问题。实验结果表明,所提算法不仅求解质量高,而且求解速度最快,与目前广泛采用的遗传算法和粒子群算法相比其执行时间缩短超过60%。

正则化最小二乘分类的AlignLoo模型选择方法

正则化最小二乘分类(RLSC)是一种基于二次损失函数的正则化网络,其推广能力受模型参数影响,传统的模型选择方法是耗时的参数网格搜索.为此,提出一种新颖的A lignLoo模型选择方法,其关键在于将核参数与超参数分开优化,即最大化核-目标配准以选择最优核参数,最小化RLSC的留一法误差的界以选择最优超参数.该方法效率高且不需验证样本,并在IDA数据集上进行了测试,结果表明方法有效.

一种新颖的电子商务模式:高效消费者响应系统

ECR系统是降低快速消费品行业物流成本的有效途径。该文简要分析了ECR系统实现的关键及难点:以著名学者T.Poggio和S.Smale提出的学习理论的一个关键算法(Akeyalgorithm)为基础,进一步提出一种在预测中集成行业背景知识与高阶推理的方法,成功解决销售滚动预测问题;提出了ECR系统的最优化发货策略及其实现方法。基于上述方案,以某大型乳业公司和某大型连锁超市之间业务关系为背景,构建了一种无纸、自动化的新型电子商务模式,能够有效降低物流成本。

新形势下的高校教材管理模式探索

在高等教育大众化和加入WTO的新形势下,高等学校的办学形式、办学层次日趋多样,特别是学分制、双语教学等改革的引入与深化,给教材管理带来严峻的挑战,传统的综合型教材管理模式已不再适应新形势下的教材管理需要。为应对这些挑战,本文提出双轨运作的教材管理模式,其要点在于充分利用专业化的社会分工,将教材的管理和经营分开,在管理上专业化,遵循教学规律,削除供应冗务,强化质量管理;在经营上社会化,遵循市场规律,通过引入竞争来获得优质服务,从而以最小的代价达到最优的管理目标。

基于多核Cortex-A9的汽车三维全液晶仪表研究

随着汽车向智能化、自动驾驶以及新能源的不断发展,采用三维全液晶仪表成为一个重要趋势。本文研究提出一套基于多核Cortex-A9的三维汽车全液晶仪表盘设计方法,并针对渲染过程中出现的形变和边缘锯齿等关键技术问题,提出一种基于三角网格模型的面片分割方法,即在三维模型局部变化的高曲率处进行面片分割,并利用最小二乘保角映射的参数化方法,有效抑制了纹理映射后模型的锯齿现象,提高了三维全液晶仪表的视觉效果。实验证明,该方法很好地表现了三维全液晶仪表的纹理细节,本文在MATLAB上对算法可行性进行了验证。最后,以电动汽车应用场景为例,在嵌入式Linux环境下应用Open GL|ES技术对模型进行了算法实现,并在TFT-LCD上进行三维渲染显示。本文运用的三角网格模型的纹理映射技术,使三维全液晶仪表具有真实感,并提高了渲染速度。

在ATM网上开展流媒体服务初探

流媒体技术是应用前景极好的Ｗｅｂ 多媒体新技术，而ＡＴＭ 则是当今优秀的网络技术，据此，拟将两者结合起来，探讨在ＡＴＭ 网上开展流媒体应用。详细分析并制定了相应的实验方案，使用ＳＭＩＬ控制流媒体表现的时间和空间布局，以ＴｏｏｌＶｏｘ 和ＲｅａｌＳｙｓｔｅｍ Ｇ２ 为例阐述了建立流媒体应用的一般方法，并给出了实验结果。最后得出ＡＴＭ