一种生成对抗网络半监督回归的废纺样品中羊毛含量的预测方法

针对废旧纺织品回收在线分拣的需求,提出了一种基于生成对抗网络的半监督回归方法,使用少量标记样本和大量未标记样本来训练半监督回归器。半监督回归器由神经网络组成的生成器和由神经网络构成的判别器组成。生成器用于生成尽可能接近实际标记和未标记训练数据集内容的混合样本。鉴别器用于验证生成器生成的样本并预测这些样本的连续标记。生成的网络通过特征匹配损失进行训练,损失函数是鉴别器中间层真实样本的输出与生成样本之间的误差平均值。判别式有两个输出,一个用于预测序列标记,另一个用于确定生成的样本是真样本还是假样本的概率。通过使用传统的无监督生成对抗性网络损失函数和监督回归损失的组合来训练判别式。生成的网络通过特征匹配损失进行训练,损失函数是鉴别器中间层真实样本的输出与生成样本之间的误差平均值。先后收集了400个不同羊毛含量的混纺样品和3000个未知成分的混纺样品。70%的标记和未标记的混合样本被随机选择作为训练集,其余30%的标记样本被用作重复实验的测试集。开展了多个实验进行验证。第一个实验为混纺光谱生成实验,用于验证生成对抗网络能够根据内在规律有效生成混合样本光谱。第二个实验为半监督对抗网络定量分析性能对比实验,对羊毛成分分析模型训练与测试,并将本半监督对抗网络定量分析模型与其他定量模型进行性能对比。第三个实验为现场高羊毛含量混纺细分模型预测对比实验,用羊毛含量在80%到99%之间的混纺样品进行成分分析,并将本文的半监督对抗网络定量分析模型与其他定量模型进行性能对比。第四个实验为中高羊毛含量混纺细分综合模型现场预测实验,用羊毛含量在40%到99%之间的混纺样品训练半监督对抗网络定量分析模型并部署在分拣系统,由操作员进行现场测试数据进行准确率、分析时间等测试。实验结果表明,基于生成对抗网络的半监督回归方法优于PCR、PLSR、SVR、BPNN等模型,该模型的预测R2达到0.964。经过现场反复测试,该模型能快速提取出40%以上羊毛含量的混纺样品。

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱(NIR)分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象,建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM,BP,AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。

益气温阳、活血化瘀法治疗湿热瘀结证盆腔炎性疾病后遗症疗效观察及对血液流变学、血清GM-CSF的影响

目的:探讨益气温阳、活血化瘀法治疗湿热瘀结证盆腔炎性疾病后遗症的临床疗效及作用机制。方法:将80例患者按随机数字表法分为观察组和对照组,每组40例。观察组予益气温阳、活血化瘀中药汤剂,对照组予妇科千金片。两组疗程均为2个月。观察两组的临床疗效及中医证候评分、血液流变学指标、血清GMCSF含量的变化,进行比较分析。结果:观察组的总有效率为92.50%,与对照组比较,差异有统计学意义(P<0.05);治疗后两组的中医证候评分、血液流变学指标及血清GM-CSF含量均下降(P<0.05),组间比较,观察组改善更明显,差异有统计学意义(P<0.05)。结论:益气温阳、活血化瘀法治疗湿热瘀结证盆腔炎性疾病后遗症疗效确切,其作用机制可能与患者血液流变学指标改善及血清GM-CSF含量降低有关。

论中医术语标准化

溯本探源,让中医理论中最基本的术语概念标准化,是目前中医基础理论研究和发展亟需解决的重要问题之一,是中医基础理论展开现代研究的根本前提,否则,任何形式和层次上的中医现代研究都将成为无源之流、无本之木,到最后都是徒劳。因此,开展中医术语标准化研究具有重要的现实意义。

排毒消痤饮治疗寻常性痤疮135例

用排毒消痤饮随机对照法治疗寻常性痤疮135例,同时设中药对照组98例,结果治疗组治愈率72.59％,总有效率为93.33％,对照组治愈率27.55％,总有效率79.59％,两组相比较差异有显著性（P<0.05）。且中药在杀螨和调整体内激素水平方面亦有明显的作用,提示中医中药治疗寻常性痤疮有明显的优势。

自拟增膜促排汤治疗排卵障碍性不孕症的临床观察

[目的]观察自拟增膜促排汤治疗排卵障碍性不孕症的临床疗效。[方法]将73例患者随机分为两组,观察组38例给予自拟增膜促排汤(鹿角片15 g,仙茅10 g,淫羊藿15 g,葛根30 g,菟丝子20 g,覆盆子15 g,枸杞子15 g,荆芥10 g,五灵脂10 g,当归12 g,炙甘草5 g)治疗,自月经的第5天开始口服,每天1剂,每次服200 ml,每日两次,连用7天。对照组35例予克罗米芬促排卵治疗。两组均以1个月经周期为1个疗程,共治疗3个疗程。[结果]优势卵泡及排卵率两组比较有显著差异性(P<0.05),治疗组优于对照组,治疗组子宫内膜明显较对照组厚(P<0.01),妊娠率明显高于对照组(P<0.05),流产率明显低于对照组(P<0.05)。[结论]自拟增膜促排汤治疗排卵障碍性不孕症疗效好,具有促进卵泡发育、子宫内膜生长及促进排卵作用,妊娠率高,对卵巢刺激小。

迁移成分分析结合直接校正的模型传递方法

近红外光谱因快速、不破坏样品等优点,被广泛应用。近红外光谱仪之间存在一致性现象会导致主机模型预测其从机仪器光谱时准确度不够,如果重新建模则会成本较高。为解决上述问题,提出了一种迁移成分分析直接校正算法(TCADS),首先采用改进后的TCA算法对服从不同分布的主机光谱和从机光谱进行变换,将其映射到高维的再生核希伯尔特空间,再将两者的光谱矩阵进行降维,最后对经过TCA变换后的主机光谱和从机光谱再次采用直接校正算法,进一步提高模型传递性能。该算法将非线性校正与线性校正相结合,相比于传统的线性校正算法有效缓解了过校正问题,具有较好的鲁棒性。为验证算法有效性,在公开数据集进行实验,并与传统的直接校正法(DS)、分段直接校正法(PDS)、斜率偏差校正法(SBC)进行比较。研究表明所提出的TCADS算法有效降低了不同仪器之间的光谱差异,相比于传统的模型传递算法进一步提高了模型传递效果,实现了主机上建立的近红外光谱模型在从机上共享。

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。

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。

基于ILS-CS优化算法的个性化旅游线路研究

针对迭代局部搜索(iterated local search,ILS)算法求解旅游线路时间花费较长的问题,提出了一种ILS结合布谷鸟搜索(cuckoo search,CS)的优化算法,来优化旅游线路的时间花费。该算法首先根据相关目标和约束采用ILS算法求解旅游景点及初始旅游线路,然后在满足旅游景点时间窗约束及景点总数不变的情况下采用CS算法进一步最小化旅游线路的时间花费。该研究获得的线路更符合旅游习惯,并且旅游时间花费更少。通过Daminaos数据集和桂林景点数据集进行验证,结果表明该优化算法相比于仅使用ILS算法所规划出的旅游线路,平均时间花费减少8%,更符合用户旅游选择习惯。

基于极限学习机的短期电力负荷预测

研究电力负荷预测准确性问题,由于电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,传统方法无法描述其变化规律,导致电力负荷预测精度低。为了提高电力负荷预测精度,提出一种基于时间序列编码的相似日选择和极限学习机(ELM)相结合的电力负荷预测方法。基于时间序列编码的相似日选择方法在每个编码点中融入了整个序列的信息,不仅可以描述出序列的趋势,还可以描述出节点在序列中的相对位置。采用ELM进行预测,只需要设置网络的隐层节点个数。在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解。以某建筑电网的电力负荷数据进行仿真。并将上述方法与支持向量机(SVM)和BP神经网络进行对比。实验结果表明,改进方法具有较高的预测精度和较强的适应性,并且运行时间较短。

光栅光谱衍射效率测量新技术的误差分析与校正方法研究

衍射光栅是非常重要的色散元件,在光谱分析领域中有着广泛的应用,光栅光谱衍射效率的测量对于评估光栅性能和改进光栅制备工艺有着重要的作用。在目前常见光栅光谱衍射效率的测量技术中,由于存在两种需要重复数百次的机械运动,因而光栅光谱衍射效率的测量速度比较缓慢,如获取700~900 nm波段范围内的光谱衍射效率,大约需要5~8 min的时间。在之前的研究中,报道了一种快速测量光栅光谱衍射效率的新方法,新方法采用声光可调谐滤波器、积分球探测器和高速数据采集系统,可以完全消除现有测量方法中存在的两种耗时的机械运动,由于测量过程中没有任何机械运动的参与,新方法能在10 ms量级获得700~900 nm波段范围内的光谱衍射效率。首先对光栅光谱衍射效率测量新方法的主要误差来源进行了系统分析,发现新方法一个比较明显的误差来源是凸透镜的透过率与入射角相关;然后结合光学模拟,得到了激光光束以不同入射角度传播通过凸透镜时的透过率,并提出了相应的误差校正方法;最后结合实验测量数据,我们对光栅光谱衍射效率新测量技术的误差校正方法进行了实验验证。数据分析结果表明,在550~750 nm波段范围内测得的光栅光谱衍射效率,经过误差校正后,新方法与传统测量方法之间绝对误差的平均值从校正前的0.207%降低到校正后的0.099%,由于传统光栅光谱衍射效率测量方法的测量精度约为0.1%,结果表明,提出的误差校准方法能成功消除光栅光谱衍射效率新测量方法的主要误差来源。

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;利用卷积神经网络获得初步分割结果;将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。

SIFT算法在CUDA加速下的实时人物识别与定位

首先采用Directshow技术对视频图像中的运动目标进行差分检测,然后在此基础上对视频图像进行分割和识别,最后实现人体图像及头部图像的识别和定位。视频图像的处理和识别主要采用差分法和SIFT特征的模式匹配来完成人体和头部的识别和定位。经实验验证,SIFT算法在CUDA加速下具有较好的识别速度和准确率,解决了图像识别技术上的一些问题。

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。

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。

添加有机酸对Clostridium acetobutylicum合成丙酮和丁醇的影响

为提高丙酮-丁醇梭菌厌氧发酵生产丙酮和丁醇的能力,在发酵过程中添加有机酸(乙酸和丁酸),考察其对菌体生长、溶剂合成影响。实验表明:当添加1.5 g/L乙酸时能够促进菌体的生长,促进丙酮的合成,在600 nm处的最大OD值比参照值高出18.4%,丙酮的最终质量分数提高了21.05%,但不能促进丁醇的合成;当添加1.0g/L丁酸时能够促进菌体生长,促进丁醇的合成,在600 nm处的最大OD比参照值高22.29%,丁醇的最终质量分数比对照组提高了24.32%,但不能促进丙酮的合成。