蒙特卡罗无信息变量消除方法用于近红外光谱预测果品硬度和表面色泽的研究

近红外光谱(NIRS)分析方法用于梨的硬度和表面色泽的无损快速定量分析,提高了分析方法的预测精度,消除无信息建模变量对模型稳定性的影响。分别采用蒙特卡罗无信息变量消除(Monte Carlo unin-formative variables elimination,MC-UVE)和基于小波变换(wavelet transform,WT)的蒙特卡罗无信息变量消除(WT-MC-UVE)方法对梨的硬度和表面色泽的建模变量进行筛选。结果表明,对于硬度模型,采用WT-MC-UVE方法,210个变量可以得到和原始光谱(1 451个变量)近似的预测结果;对于表面色泽的预测模型,采用WT-MC-UVE方法后,建模变量减少为220,模型的预测均方根误差从1.06减小为0.90,预测相关系数从0.975提高为0.981。因此,WT-MC-UVE方法可以有效地选择建模变量,既能提高模型的稳定性,又能提高多元校正的预测精度。

基于无信息变量消除法和连续投影算法的可见-近红外光谱技术白虾种分类方法研究

应用无信息变量消除法结合连续投影算法对可见-近红外光谱区进行有效波长的选择,选择后的波长作为输入变量建立最小二乘-支持向量机模型,对白虾属中三种典型种,脊尾白虾、秀丽白虾和东方白虾进行鉴别分类.实验采用Kennard-Stone算法选取150个样本作为建模集,50个样本作为预测集,通过UVE-SPA优选了数值分别为392、431、517、551、595、627、676、734、760、861、943和1018 nm的12个波长为LS-SVM的输入变量,建立了白虾种分类模型.该模型对50个预测集样本检验的准确率达到了92.00%.结果表明,采用可见-近红外光谱对白虾种进行鉴别是可行的,UVE-SPA能够有效地进行波长选择,使LS-SVM模型获得最优的分类结果.

无信息变量消除法变量筛选优化烟草中总氮和总糖的定量模型

应用近红外光谱技术对烟草常规化学成分中总氮和总糖进行了测定。无信息变量消除(UVE)剔除光谱矩阵中没有有效信息的数据点,并用偏最小二乘方法(PLS)建立总氮和总糖的定量分析模型,外部检验对模型效果进行了评价。总氮定量模型校正集的决定系数R2为93.35%,标准偏差SEC为0.10;外部检验集的决定系数R2为94.09%,标准偏差SEP为0.11,相对标准偏差RSD为6.12%;总糖的定量模型校正集的决定系数R2为98.20%,标准偏差SEC为0.95;外部检验集样品的决定系数R2为98.01%,标准偏差SEP为0.78,相对标准偏差RSD为2.93%。结果表明:采用UVE建立的总氮与总糖的模型优于用全谱建立的模型,UVE提高了PLS模型的预测能力。

无信息泄漏的比较协议

关于安全多方计算的研究是目前国际密码学界的研究热点.如果能够安全地计算任何函数,就掌握了一个很强大的工具,实际上任何一个密码协议都可以化归一个特殊的安全多方计算协议.特殊的安全多方计算协议的设计与分析又是当前人们致力研究的课题.基于F-隐藏假设以及同态公钥加密体制的语义安全性假设,给出了一个特殊的安全双方计算协议棗无信息泄漏的比较相等协议.该协议具有公平性:一方知道最后结果的等价条件为另一方也知道这个结果;安全性:除了最后结果以外,不泄露有关双方输入的任何信息;有效性:借助于茫然第三方协助完成计算任务,使协议简单有效,但这个第三方不知道最后结果及参与方的秘密,也不能与参与方串谋作弊;并对协议的正确性与安全性进行了理论证明.该协议在网上投标(拍卖)、网上商业谈判、电子选举等领域中有着广阔的应用前景.

无信息先验下几种不同Bayes估计的比较

讨论了在二项分布场合关于成功率的不同无信息先验分布下的Bayes估计 。

基于无信息变量消除法与岭极限学习机的新型变量选择方法:以CO气体浓度反演为例（英文）

变量选择是光谱分析领域一个重要的组成部分。为了克服传统区间选择法的缺点与不足,基于无信息变量消除法和岭极限学习机提出一种新型的变量选择与评价方法。首先,利用无信息变量消除法剔除整个光谱区间中无信息的波长点;其次,为了解决传统建模方法(偏最小二乘法、BP神经网络等)存在的共线性问题,采用岭极限学习机方法建立回归模型;最后,最佳的特征光谱波长点组合利用特征选择路径图和稀疏度-误差折中曲线进行确定。CO气体的浓度反演实验结果表明:(1)利用无信息变量消除法可以有效筛选出最能表征CO气体透过光谱的特征波长点;(2)岭极限学习机方法具有快速建模、避免共线性和高精度等优点(CO气体浓度反演模型的决定系数可达0.995);(3)特征选择路径图和稀疏度-误差折中曲线可以直观地帮助用户寻找出最佳的特征波长点组合。

无信息变量消除法在糙米直链淀粉波长选择中的应用

为挑选信息含量大、与样品组成或性质相关性较强的光谱区域参与建模,以提高校正模型的精度,采用无信息变量消除法对糙米直链淀粉的近红外光谱进行分析。无信息变量消除法是基于PLS回归系数b建立起来的一种光谱区间选择方法,考虑了噪声和浓度矩阵的影响。结果表明:进行波长选择后,波长点数由1102减小到726,交叉验证预测值与标准值的相关系数R由0.9212提高到0.9654,交叉验证标准差SECV由2.4142减小到1.3725,预测标准差SEP由2.4572减小到2.2001,预测能力得到明显提高。

应用Jeffreys方法计算可靠性参数和始发事件频率的无信息先验

在核电厂概率安全评价(PSA)分析中,有些始发事件频率或设备失效记录在工业界几乎无历史数据。为了计算这些无信息先验的可靠性参数和始发事件频率,可采用Bayesian统计学中的Jeffreys方法。本文阐述了Jeffreys先验和简化的受限无信息先验分布(SCNID)的数学原理,分别导出了Gamma-Poisson模型和Beta-Binomial模型的Jeffreys无信息先验公式和不确定性区间。结合反应堆冷却剂小破口失水事故(SLOCA)实例介绍了如何应用Jeffreys先验计算始发事件频率。结果表明,Jeffreys方法是一种计算无信息先验的有效方法。

不同损失函数下不同无信息先验的Bayes估计及比较

讨论了采用损失函数L2(θ,δ)=aθm(δ(x)-x)2时,在二项分布场合下关于产品合格率的不同无信息先验分布下的Bayes估计,并从Bayes风险的角度,对损失函数为L2*(θ,δ)=θ(δ(x)-x)2的Bayes估计与[1]中所得的Bayes估计进行了比较。从而得出了采用损失函数L2*(θ,δ)=θ(δ(x)-x)2进行Bayes估计较优的结论。

无信息变量消除法在近红外光谱测定的应用

本文通过讨论了无信息变量消除法(uninformative variables elimination,UVE)的原理,并用此算法对玉米的近红外光谱数据进行波长变量选择,再使用偏最小二乘法(partial least squares,PLS)建立模型。结果表明,与使用全谱数据建立的模型相比较,筛选变量后建立的校正模型不仅简化了,而且增强了预测能力。

个人投资者对无信息事件的反应研究

本文选取上证综合指数穿过整百点作为无信息事件代表,针对个人投资者非理性行为中的一种——无信息反应,检验了个人投资者的交易行为与无信息事件的关系,验证了无信息事件的存在并揭示了它的特征。主要结论显示:第一,个人投资者存在无信息反应,他们的交易行为受到指数穿过整百点的影响。第二,由指数穿过整百点引起的个人投资者交易行为的变化主要发生在事件发生的当天。第三,个人投资者的交易行为也受到指数穿过非整百点的影响,但他们对指数向上穿过整百点比对指数向上穿过非整百点更为敏感,而指数向下穿过整百点与非整百点对投资者的影响却没有显著差异。

基于无信息先验分布的高可靠性产品可靠性评估方法研究

高可靠性产品检验项目中存在大量的无失效数据,使得整机的可靠性评估更加困难,为准确评估高价值产品的可靠性,在多层Bayes方法基础上,重点研究了在小子样的情况下,没有验前信息或者验前信息不足以确定先验分布时,充分利用生产和研制过程中零部件及单元的各种信息对系统可靠性进行精确评估,确定了二项分布无信息先验分布的方法,探讨了综合评判法在多层Bayes方法中的应用,为可靠性要求高、结构复杂、单元信息分布多样化复杂系统的可靠性评估奠定了基础.该方法适用于造价昂贵的高价值产品可靠性评估,在工程上有一定的实用和推广价值.

无信息图搜索算法的改进研究

研究和探讨了深度优先搜索算法和宽度优先搜索算法的缺点和不足,提出了相应的改进方法并加以例证。

无信息先验下平稳AR(1)模型的贝叶斯推断

研究AR(1)时间序列模型在平稳条件下的贝叶斯推断理论,构造了模型自回归系数和尺度参数的无信息先验分布,推导得到了其后验分布、后验均值、众数、中位数、分位数和最大后验区间估计,最后对几组仿真数据进行了贝叶斯分析.

“万能画面”是无信息画面

什么是“万能”画面呢?就是怎么用都可以的画面。比如,某电视台的一名摄像师拍摄了一个反映劳动模范如何抓企业的片子,画面上是这个劳模一个劲地走。一会儿走在厂区的大道上,一会儿走在回家的小路上,一会儿在公园的树林中徘徊,一会儿又在路灯下漫步。解说词的大意是:改革开放后,他在苦苦思索工厂的未来,他酝酿出一份宏伟蓝图,要在今后五年内。

基于蒙特卡罗无信息变量消除的烟气指标预测

使用近红外光谱(NIRS)分析方法对烟叶的CO、烟碱、焦油含量进行无损快速定量分析,可以提高分析方法的预测精度,消除无信息建模变量对模型稳定性的影响。在此以烟叶为研究对象,利用蒙特卡罗无信息变量消除方法(MC-UVE)对烟叶的近红外光谱进行了波段点的筛选,并利用筛选出的波段建立PLS校正模型。结果表明利用蒙特卡罗无信息变量消除方法可以有效选择建模变量,既克服了复杂样品各信息区间对PLS建模贡献率不一样的问题,又能提高模型的稳定性和多元校正的预测精度。

傅里叶变换红外光谱结合无信息变量消除鉴别河南小石斛和霍山石斛鲜条品种的方法研究

采用傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FT-IR)仪结合衰减全反射(Attenuated Total Reflection,ATR)附件采集石斛茎部(近根部)横断面的中红外光谱,原始光谱经标准正态变换(Standard Normal Variate,SNV)和均值中心化(Mean Center,MNCN)预处理后,采用偏最小二乘法判别分析法(Partial Least Squares Discriminant Analysis,PLSDA)建立两种石斛的鉴别模型。结果显示,全谱PLSDA方法所建模型校正集、校正集交叉验证和预测识别率分别为96.25%、92.69%和91.82%。采用无信息变量消除法(Uninformative Variable Elimination,UVE)优选敏感波长后,建立PLSDA模型的准确性更高,校正集、校正集交叉验证和预测集识别正确率分别达到了99.28%、95.72%和95.02%。

基于无信息变量和偏最小二乘投影分析的高光谱散射图像最优波段选择

提出了一种无信息变量消除和偏最小二乘投影分析相结合的苹果高光谱散射图像最优波段选择方法.经该算法提取后的波段降为全谱的26%,将选择后的波段作为输入变量建立了苹果硬度的偏最小二乘预测模型.预测均方根误差由6.00N降为5.73N,相关系数也有所提高,并与遗传算法作了比较.结果表明,该算法能有效消除原光谱矩阵中冗余的信息,且不存在遗传算法中的参量选择随机性等缺点.该算法为高光谱散射图像最优波段选择提供了一个理想的方法.

基于无信息变量消除法的水稻种子发芽率测定

为了解决常规的水稻种子发芽率测定方法存在的试验周期长且操作繁琐等问题,实现水稻种子发芽率的快速检测。本研究以黑龙江省五常市五优稻四号粳稻种子为研究对象,首先将7组种子样本(每组60个样本,共计420个样本)置于温度为45℃,湿度为90%的环境中分别进行为期0d、1d、2d、3d、4d、5d、6d的不同时段的人工老化,然后采集每个水稻种子样本的光谱数据后进行发芽试验。对光谱数据使用蒙特卡洛交叉验证法进行异常样本剔除,并应用UVE法对全光谱数据进行特征波长选择,使光谱数据由全光谱的1845个数据点缩减为524个数据点,最后建立PLSR预测模型。所建模型的预测集决定系数R 2为0.8170、RMSEP为2.1830。试验结果表明,经UVE法降维后建立PLSR模型的各项参数均优于全光谱模型,因此,UVE特征波长选择算法为提高水稻种子发芽率测定模型的预测能力提供了一种新的途径。

Jeffreys无信息先验分布下参数的Bayes估计

随着Bayes统计学的快速发展,分布族参数的Bayes估计问题越来越多,本文通过两个分布族,得出在Jeffreys无信息先验分布情况下参数的Bayes估计的精确形式,并证明出其结果的可效性.