基于核脊回归方法预测的中子俘获率在s-过程模拟中的应用

慢中子俘获过程(s-过程)产生了自然界中约一半比Fe重的元素,中子俘获率是s-过程研究的关键核物理输入量。近年来,机器学习方法在核物理研究中的应用取得了很大的成功,其中包括了机器学习核脊回归方法对中子俘获率的研究。为了探究机器学习方法对中子俘获率的修正对s-过程研究的影响,本文分别利用修正前后的中子俘获率数据,基于核反应网络进行了s-过程模拟,并对所得s-过程丰度进行了对比分析。结果表明,机器学习对中子俘获率的修正对s-过程模拟所得的丰度分布整体影响较小,但对处于s-过程路径上的个别重要核素的丰度影响可达30%左右。

基于非线性核脊回归算法的海洋微生物发酵参数软测量

针对海洋微生物溶菌酶发酵工艺中参数实时测量,采用根据发酵过程中主辅变量关系的相关灵敏度矩阵绝对值最大元素排序选择辅助变量,运用非线性核脊回归(NKRR)算法预测主导参数的软测量方法。相关灵敏度矩阵反映主辅变量联系,根据发酵实际实验得到。改进直接优化的非线性核脊回归算法辨识发酵非线性系统,将空间Rn中主导变量和辅助变量非线性函数映射关系转化为空间H中的线性划分,运用M ercer条件的核函数求解回归方程,避免直接计算变量映射函数及其内积。通过仿真研究和比对SVM、径向基神经网络(RBFNN)两种算法的实际运行结果表明,该软测量方法具有较好的泛化性能,实时性和准确性可以满足要求。

使用自适应背景约束改进的颜色属性跟踪算法

颜色属性跟踪算法使用的核脊回归分类器对于背景信息的利用过少,导致算法在目标快速运动、局部遮挡和背景相似物干扰等情形下容易发生漂移。针对此问题,首先,通过计算响应矩阵峰值旁瓣比确定干扰峰所在位置;然后,在核脊回归分类器上引入对应的背景约束项来加强分类器对背景信息的利用;最后,使用构建尺度空间滤波器的方法实现对多尺度变化的支持。在Visual Tracker Benchmark数据集上的对比实验结果表明,该方法在不过多损失算法速度的前提下,能够有较高的跟踪精度。