LLE-GC-MS法同时测定甘磷酸胆碱中的缩水甘油和3-氯-1,2-丙二醇

目的 建立液液萃取-气相色谱-质谱法(LLE-GC-MS)同时测定甘磷酸胆碱原料药中的基因毒性杂质缩水甘油和3-氯-1,2-丙二醇。方法 采用酸性氯化钠溶液和酸性无水硫酸钠溶液分别处理甘磷酸胆碱原料药,经硅藻土柱净化、富集后用七氟丁酰基咪唑衍生,采用气相色谱-质谱法(SIM模式)进行检测,以D5-3-氯-1,2丙二醇作为内标,通过双样本差减法计算样品中缩水甘油和3-氯-1,2-丙二醇的含量。结果 2种基因毒性杂质与内标物的峰面积比值在0.1~2 mg·L^(-1)浓度范围内呈线性相关,相关系数(r)均不小于0.999 2,样品的加样回收率为86.4%~103.3%(RSD<6.0%,n=9)。结论 该方法灵敏度高、专属性强,适用于甘磷酸胆碱原料药中缩水甘油和3-氯-1,2-丙二醇的测定。

基于LLE的边缘保持图像平滑算法

现有全局优化算法都使用不同范数约束输出图像梯度来实现图像平滑,但会牺牲图像中的弱结构信息来达到较好的平滑性能,导致输出图像出现颜色失真和细节模糊的情况。针对上述问题,提出一种基于LLE的边缘保持图像平滑算法(edge preserving image smoothing algorithm based on LLE,Ep-LLE),引入局部线性嵌入(LLE)的思想作为优化函数的正则化项并采用L_(2)范数进行惩罚。该方法利用图像局部区域内像素存在的相互关系,通过约束局部相似以实现图像平滑任务。最后通过各个算法的实验对比验证,基于LLE的边缘保持图像平滑算法能在实现图像边缘保持平滑的同时,保留图像局部结构特征,并有效避免区域内颜色一致导致的边缘阶梯状现象,避免图像颜色失真。

基于LLE-FOA-SVR模型的煤矿突水预测

针对煤矿突水预测精度低、训练速度慢的问题,提出基于局部线性嵌入(LLE)—果蝇优化算法(FOA)—支持向量回归(SVR)的煤矿突水预测模型。首先,利用LLE在非线性数据特征提取方面的优势,提取煤矿突水影响因素原始数据的本质特征,形成重构因子,减少数据间的冗余信息和噪声。然后,利用FOA对SVR的参数进行迭代优化,并将最优参数代入SVR中,以解决传统SVR参数优化困难的问题。最后,结合实例并将LLE-FOA-SVR模型的预测结果与反向传播(BP)、SVR、LLE-SVR模型的预测结果进行对比。实验结果表明:该模型的预测精度高于其他3种模型,预测精度可达90%,且建模时间和运算时间更短。

阿根廷专属经济区海域阿根廷滑柔鱼(Illex argentinus)渔业管理现状及发展趋势

阿根廷滑柔鱼(Illex argentinus)(以下简称“阿鱿”)属浅海-大洋“跨界”头足类,主要分布在阿根廷大陆架和陆坡海域。阿鱿属单一种群种类,可分为4个亚种群。阿鱿亚种群的栖息、分布与阿鱿渔业及管理密切相关。阿鱿渔业由鱿钓和拖网2类渔业组成,分别为专业捕捞阿鱿和底拖网兼捕阿鱿。阿根廷专属经济区海域分为44°S以南(南渔区)、44°S以北(北渔区)2个阿鱿管理区域。阿根廷鱿钓渔业管理措施主要有:规定南、北渔区对鱿钓渔汛不同的开捕与关闭日期;在渔汛中开展阿鱿资源调查与评估;安排观察员登临渔船检查以及渔业检查员在港口核查、记录阿鱿的卸鱼量。拖网渔业规定航次阿鱿兼捕率不超过10%。近年来,阿根廷鱿钓渔业管理出现新的趋势,南、北渔区鱿钓渔汛开捕与关闭日期不断提前,鼓励鱿钓船进入毗邻公海作业,强化履行阿鱿陆地加工规定,暂不开放外国鱿钓船入籍阿根廷。最后,分析认为阿根廷南渔区鱿钓渔汛开捕提前将影响公海鱿钓船队的可利用资源,阿根廷渔业当局鼓励阿根廷鱿钓船进入公海作业的政策难以奏效,建议加强中国公海作业渔船阿鱿资源调查与监测并简要地探讨了中资企业阿根廷鱿钓船的发展对策。

液液萃取--超高效液相色谱串联质谱法同时测定尿中11种羟基多环芳烃

目的建立可同时测定尿中11种羟基多环芳烃(hydroxy-polycyclic aromatic hydrocarbons,OH-PAHs)的超高效液相色谱串联质谱分析(ultra-high performance liquid chromatography tandem with mass spectrometry,UPLC-MS/MS)法。方法尿液样品在pH=5.5条件下,在37℃水浴中经β-葡萄糖苷酸酶—芳基硫酸酯酶避光水解16 h,3.0 mL正己烷萃取、涡旋、离心,取上层有机相,重复萃取两次,合并萃取液,氮吹至近干,再复溶于20%乙腈水溶液中。流动相为水和10%异丙醇甲醇溶液,梯度洗脱模式洗脱,CORTECS C18色谱柱分离,ESI-模式测定尿液中11种羟基多环芳烃浓度,内标法定量分析。结果11种羟基多环芳烃线性关系良好,相关系数(r)均大于0.997。方法的检出限为0.01~0.10 ng/mL;日间回收率为79.8%~97.3%,精密度为1.9%~4.7%(n=3);日内回收率为78.6%~92.3%,精密度为3.7%~7.1%(n=3)。结论该方灵敏度高,准确可靠,适用于人群中多种羟基多环芳烃的监测。

基于分维LLE和Fisher判别的故障诊断方法

针对非线性系统故障诊断难以解决的问题,通过改进的局部线性嵌入映射算法解决了非线性数据的特征映射问题。首先,通过线性拟合改进了基于分形维估计的内在维数的估计。然后,将故障状态与空间分布结合起来,通过确定数据点在空间超球内的分布完成故障的检测,在这个过程中将超球的确定与LLE算法中基于核函数的样本外数据扩展结合起来,大大减少了计算量,提高了算法的实时性。然后,利用Fisher判别分析进行故障匹配,通过计算最优的投影向量与历史故障数据投影向量的相似度的计算,完成故障识别,从而为复杂非线性系统故障诊断提供了一种新的有效的方法。

基于LLE方法的地震属性特征提取技术及其应用(英文)

从大量的地震属性中提取最能反映地质特征的综合属性是储层预测技术的关键,通常选用降维方法来优选属性。目前应用最为广泛的线性降维方法。但是,由于地震属性与地质特征的关系通常是非线性的,基于线性变换的地震属性降维优化方法不能充分地反映这种非线性关系,降低了储层预测的精度。流形学习是一种新的非线性学习方法,它是通过保持数据局部结构的方式将高维数据投影到低维空间,挖掘和发现隐藏在数据中的内在特征与规律性,开拓了地震属性降维优化研究的新领域。本文首次实现了3D地震数据的层问属性特征提取,讨论了LLE方法及其关键技术,并以奥陶系礁滩相储层实例说明LLE和PCA两种方法降维及聚类的不同效果。理论模型分析和实例应用表明:LLE较好地保持了数据本身的原始结构;提取的综合属性和聚类相图较好地刻画了沉积相带、储层和流体的特征。这说明流形学习具有更好的特征提取性能。

基于LLE及其改进算法的人耳识别

通过分析现有人耳识别方法的不足,将局部线性嵌入(LLE)算法应用于人耳识别。但LLE算法对近邻点个数K的依赖性很强,通常K较大时才能获得良好的降维效果,而计算量也随之增加。为了减弱LLE算法对K的依赖,本文对LLE算法的距离进行了改进,使样本集分布更均匀。在K值比较小时,改进LLE就能得到良好的降维效果,在一定程度上扩大了K的取值范围。改进LLE算法和原始LLE算法的人耳识别实验结果表明,改进LLE能获得更高的识别率,从而验证了该算法的有效性。

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。

基于正交迭代的增量LLE算法

LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.

肿瘤基因选择方法LLE Score

针对处理肿瘤基因表达数据特征选择问题,提出了一种特征选择方法 LLE Score.该方法是典型的过滤器类型特征选择方法,在样本类别信息的基础上,LLE Score针对特征向量的局部邻域保存能力进行评价,并且根据评价结果进行特征的选取,以此达到良好的特征选择效果.在实验部分对肿瘤数据集进行特征选择,并采用支持向量机分类器计算分类准确率.通过分类准确率说明了该方法的有效性.

基于LLE的彩色图象人脸检测

分析了人脸与非人脸之间的本质区别,提出了运用局部线形嵌入(LLE)的非线性降维方法,解决非线性结构的高维数据(图象)低维表示的问题,实现了高维输入数据点映射到一个全局低维坐标系,同时保留了邻接点之间的空间关系(即高维空间的几何结构).此算法不仅能够有效地发现数据的非线性结构,同时还具有平移、旋转不变性.运用LLE算法对图象进行降维,再对降维后的数据运用支持向量机(SVM)分类器进行人脸和非人脸的分类.实验结果表明,该人脸检测方法测率较高,并且不受姿态、表情和光照的影响.

自组织LLE算法及其在人脸识别中的应用

提出了一种改进了的自组织LLE算法（SO—LLE），该算法不仅能自动确定数据点邻域值、减少运算量，而且能有效地发现嵌入于高维人脸图像的低维子流形。对SO-LLE算法进行了详细的理论分析，并应用多种数据集进行了仿真实验。在Yale和PIE人脸数据库的仿真实验结果表明：SO—LLE方法的平均识别率提高了5％～40％，有效地提高了人脸识别的性能。

基于LLE和SVM的人像识别方法

在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE(Locally Linear Em- bedding)和SVM(support Vector Machine)结合的人像识别方法,采用PCA(Principal Component Analysis)与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL(Olivetti Research Laboratory)人脸数据库上实验表明,该算法稳健、快速,识别率达到了90%以上。

基于LLE和BP神经网络的人脸识别

利用LLE非线性降维方法提取人脸特征,然后将提取出来的特征输入到BP神经网络进行训练得到人脸类间的判别信息,进行人脸识别。利用LLE降维方法既能够降低数据维数,减少运算量,又很好的保留了各类人脸样本的拓扑结构,避免人脸图像光照、姿态等因素对人脸识别的影响。在ORL人脸库上的实验结果表明了,这种方法是有效的。

基于LLE的多姿态人耳识别

多姿态人耳识别是人耳识别技术面临的一个难题,目前这方面的研究并不多见.通过分析国内外2-D人耳识别方法在解决姿态问题时存在的不足,引入流形学习算法,提出一种基于局部线性嵌入的多姿态人耳识别方法.实验结果表明,这种方法在人耳姿态变化时能够取得非常理想的识别率,提高了人耳识别的鲁棒性,增强了人耳识别技术的实用性.

基于LLE降维和BP_Adaboost分类器的GIS局部放电模式识别

在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型中分别放置了针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒放电模型,用超声波传感器采集到其放电波形。对放电波形提取的特征向量进行局部线性嵌入(local linear embedding,LLE)算法降维处理,用降维后的向量作为输入对BP_Adaboost分类器进行训练和测试类型识别。识别结果表明,用这样方法进行GIS绝缘缺陷类型识别可以在减少计算量的同时保持较高的识别率,说明了其在局部放电模式识别应用中的有效性。

融合Gabor小波和双层LLE的人耳图像识别

针对局部线性嵌入(LLE)算法易受偏转角度和近邻选取的影响,提出了一种双层LLE(DLLE)的人耳图像识别方法,并结合Gabor小波和DLLE提出了GDLLE。DLLE首先计算各样本与每类样本中心的欧氏距离,再把欧氏距离最小的K类所有样本作为LLE的近邻,提取出鉴别特征,最后由最近近邻分类器对鉴别特征进行分类。在USTB3人耳图像库上的实验结果表明,本文提出DLLE能够减小偏转角度和近邻对LLE算法的影响,结合Gabor小波后进一步改善了算法的识别率。

LLE重构和SVD分解的地震信号降噪方法

针对现有地震信号降噪方法处理地震剖面的弯曲同相轴效果不佳,提出联合局部线性嵌入(LLE)和奇异值分解(SVD)方法的地震信号降噪技术。利用LLE的重构思想,对地震数据采样点用其近邻进行重构,实现非线性模式的弯曲同相轴的线性化处理,并去除一定程度的随机噪声;根据地震资料有效信号具有良好相关性的特性,采用SVD分解对LLE重构后的地震数据进行有效信号和噪声分离,剔除不相干的噪声,最终实现地震数据的随机噪声压制。在正演模型和真实地震资料上进行了实验,实验结果表明:与传统SVD方法相比,提出的方法很好地消除了随机噪声,有效信号基本上无丢失。

慢性前庭综合征的机器学习分类方法

目的 通过最大Lyapunov指数(the largest Lyapunov exponents,LLE)计算慢性前庭综合征(chronic vestibular syndrome,CVS)患者运动的非线性特征,并通过机器学习算法验证分类模型的有效性。方法 使用三维运动捕捉系统捕捉受试者的关节运动轨迹,通过LLE判断混沌态,计算混沌轨迹的特征作为输入,采用ID3决策树、Adaboost、C45决策树、贝叶斯分类、朴素贝叶斯、支持向量机7种分类器进行分类。结果 共有16个关节点的17组轨迹处在混沌态,实验组运动轨迹的平均能量、增强波长、峰度表现出显著性差异(P<0.05),ID3决策树分类器表现出了最优性能,预测精度、召回率、F_(1)分数均为100%。结论 混沌特征可能包含了CVS患者更多的个性差异,能够提高机器学习算法识别的准确性。研究结果可为CVS患者的早期识别和运动康复提供参考。