过碳酸钠热分解动力学研究—(Ⅰ)模型判别

采用等温法对文献中提及的两种分解动力学模型—核形成、核增长模型和自催化模型进行了判别。对于一条α-t曲线,t_1/t_2=Const时,t_1和t_2对应的分解率α_1和α_2是不同的,以α_1对α_2作图,并与理论曲线进行比较。结果表明,过碳酸钠的分解动力学模型为自催化模型。

多响应模型判别的试验设计

Atkinson和Fedorov在1975年给出了对两个单响应线性模型进行判别试验设计的一些结论。基于这些结论,通过Khuri(1985)采用的对多响应模型进行线性组合的方法,针对两组多响应模型判别作出试验设计,并给出了判别准则、等价定理以及构造最优设计的一种序贯方法;最后也对多组多响应模型判别的试验设计作出进一步的讨论。

我国世界级女子竞走明星队员腾空犯规的模型判别

本文运用运动学、测量学、数学的理论和方法,对造成我国高层次最优秀女子竞走运动员腾空犯规的诸多技术因素进行了灰色关联层次分析和因果分析。作者认为造成其腾空犯规的原因主要与以下技术问题有关:①主要由于前摆大腿高,使摆动时间加长。②支撑技术和摆动技术不稳定,造成左、右两个单步步长大小不一,使复步步长相对变小,同时使步长较大的单步腾空时间加长。③高频技术不够完善,忽视了减少腾空时间对步频提高的促进作用。④构成步长的可靠成份(支撑水平位移)不够大,而其非可靠成份(腾空水平位移)偏大,造成腾空时间长。⑤支撑技术不够合理,采用“

符号模型判别系统的一种实用反例生成策略

描述一个在模型判别器中实现的实用的反例生成策略。该策略利用电路性质描述语言的特点 ,将所有的“反例”生成算法归结为三种基本的“正例”生成算法。

针对同步时序电路VHDL设计的有效模型判别器VERIS

介绍了一个针对同步时序电路 VHDL 设计的性质验证的解决方案——一个有效的符号模型判别器VERIS.该模型判别器利用同步时序电路设计的特点以及待验证性质的局部性 ,可显著地减少有限状态机 (FSM)的状态空间 ;大大地提高可达性分析和性质验证的速度 ;同时 ,实现了反例生成机制 .实验结果表明 ,与 Deharbe的模型判别器相比 。

基于模块的层次化模型判别

模型判别技术是验证时序电路的一种重要手段。使用高层次描述的电路设计,往往是由多个相互关联的部分组成,利用此特点,本文提出一种基于模块的层次化建模方法,通过对设计描述进行分析,并结合待验证的性质,达到提高模型判别器性能的目的。实验表明,用这种模型可以实现状态数的有效减少。

基于可见光-近红外高光谱信息与数据融合的木质化鸡胸肉的判别模型构建

木质化鸡胸肉(wooden breast,WB)制约肉鸡行业发展,传统触诊检测方法耗时且效率低,为提升高光谱成像(hyperspectral imaging,HSI)技术检测鸡胸肉木质化程度的效果,本论文以白羽鸡鸡胸肉为研究对象,将其划分4个木质化等级,采集其在400~1000和1000~2000 nm内的HSI信息,通过不同光谱预处理算法和特征波段筛选方法,建立基于全波段、特征波段和HSI数据融合的偏最小二乘判别分析(Partial least squares-discriminant analysis,PLS-DA)模型和支持向量机(Support vector machine,SVM)模型。结果显示,SVM模型比PLSDA模型更适于判别鸡胸肉木质化程度,基于1000~2000 nm内全波段和特征波段的最佳模型预测集总体正确率均高于400~1000 nm内的模型,基于两波段HSI数据融合的木质化判别模型优于基于单一波段(包括全波段和特征波段)的模型,最佳模型预测集总体正确率为96.7%,能较好地区分出4个木质化等级,且对4个等级的判别准确率均可达90%以上。研究结果为HSI实现木质化鸡胸肉的准确无损检测提供技术支持。

基于临床检验指标建立肺腺癌患者浸润程度判别模型

目的·利用肿瘤标志物、凝血功能指标、血常规指标与生化指标等临床易得检验指标,建立非小细胞肺腺癌患者浸润程度的多因素判别模型。方法·回顾性选取2022年上海交通大学医学院附属胸科医院收治的肺腺癌患者,通过多因素Logistic回归分析筛选预测肺腺癌患者浸润程度的独立影响因素并建立回归模型,同时引入人工智能算法构建判别模型,采用受试者工作特征曲线下面积(area under curve,AUC)评价模型对肺腺癌患者浸润程度的判别能力。结果·共纳入肺腺癌患者202例,分为浸润前病变组(59例)以及浸润性病变组(143例)。多因素Logistic回归分析结果显示,尿素、嗜碱性粒细胞百分比、白蛋白浓度是预测肺腺癌患者浸润程度的独立影响因素(均P<0.05)。预测模型表达式为P=e^(X)/(1+e^(X)),其中X=(0.534×尿素浓度)+(1.527×嗜碱性粒细胞百分比)−(1.916×白蛋白浓度)+6.373。机器学习结果显示,纳入尿素、纤维蛋白原、白蛋白浓度、嗜碱性粒细胞百分比、前白蛋白、癌胚抗原(carcino embryonic antigen,CEA)6个指标时模型判别性能最佳。通过DeLong检验比较8种机器学习算法(分别基于岭回归、最小绝对收缩和选择算子、神经网络、随机森林、k近邻、支持向量机、决策树和自适应增强算法)的判别性能,选择AUC最高的岭回归算法,预测模型AUC为0.744(95%CI 0.656~0.832),敏感度为70.8%,特异度为70.2%。结论·使用尿素、纤维蛋白原、白蛋白浓度、嗜碱性粒细胞百分比、前白蛋白、CEA这6个指标建立综合判别模型,可有效预测肺腺癌患者肿瘤浸润程度,有望为临床肺腺癌分级判别和辅助治疗提供更精确的指导。

改进Fisher判别法的突水水源快速判别模型

为快速有效地判别矿井突水水源位置,预防水害事故的发生,根据平煤五矿实际水文地质特征,针对砂岩、太灰和寒灰含水层水质差异性,收集34组水样资料,并选取K^(+)+Na^(+)、Ca^(2+)、Mg^(2+)、SO_(4)^(2-)、Cl^(-)、HCO_(3)^(-)六大常规水化学离子作为判别因子,开展水化学特征分析;结合PCA降维统计算法,建立改进的Fisher水源判别模型,并利用待测样本对比改进前后Fisher模型的判别结果,同时将训练样本回代到改进模型中进行验证。结果表明,根据水化学类型无法准确区分寒灰水与太灰水;利用改进Fisher判别模型测试10组待测样本,判别准确率为100%,相较于基础Fisher模型,准确率提高了20%,应用改进Fisher判别模型可大幅提升水源识别准确率;已知训练样本的回代结果显示,改进Fisher判别结果与实际情况基本吻合。通过2种模型的对比分析,采用改进Fisher模型进行矿井水源识别准确率及可靠性高,具有一定研究价值,可为矿井水源识别提供新的思路。

BP神经网络判别模型在中关铁矿突水水源预测中的应用

中关铁矿属国内典型大水矿床,其地下水系统相对复杂,为保障工作人员的生命财产安全,需及时分析、准确预测矿井生产过程中突水水源。依据在中关铁矿三个开采水平面现有出水点采集水样的水质测试结果,分析中关铁矿地区水质特征,以BP神经网络判别模型建立矿井水源判别模型,根据测试结果数据分析,BP神经网络判别模型对于奥陶系灰岩水与闪长岩裂隙水判别正确率为100%、对于混水判别的正确率为80%。BP神经网络判别模型在中关铁矿突水水源预测中具有较高的准确性,为防治水提供理论依据。

药品快速鉴别近红外光谱判别模型的研究

目的:建立用于药品快速鉴别的近红外光谱模型。方法:利用主成分分析计算已知类别药品近红外光谱的特征和残差并利用二者统计参数的对数建立二维空间logTQ判别模型,应用模型时,将未知类别药品的近红外光谱投影到模型的主成分空间并计算特征和残差的统计参数,根据未知药品统计参数与模型参数的统计检验进行定性鉴别。结果:logTQ模型对不同品种、不同厂家、不同规格的药品具有较好的判别结果,但对于某些处方较复杂的剂型(如颗粒剂),判别结果受处方特点的影响,表现出与化学分布特点相对应的区分能力。结论:利用近红外光谱结合准确的化学计量学模型的应用,可以实现药品品种、生产厂家、规格三个层次的快速鉴别,为药品科学监管提供有效的手段。

基于机器视觉的烤烟鲜烟成熟度判别模型优选

为解决目前靠人为主观经验判别鲜烟成熟度并不准确的问题,对不同成熟度鲜烟叶进行图像处理、特征提取,并建立鲜烟叶成熟度判别模型,以实现鲜烟成熟度的智能判别。通过采集云烟87品种不同成熟度上部烟叶图像的10种颜色特征和纹理特征,分别进行变量聚类分析以及相关性分析,筛选出每类特征与成熟度相关性最强的1个特征组成特征子集,利用基于遗传算法的支持向量机(GA-SVM)、基于粒子群算法的反向传播(PSO-BP)神经网络和极限学习机(ELM)进行鲜烟成熟度的判别研究。结果表明:以优选后5个烟叶图像特征作为模型输入时,所建立的GA-SVM、PSO-BP、ELM模型的判别准确率分别为92.00%、90.00%、84.00%。证明利用机器视觉技术判别鲜烟成熟度是可行的,为之后烟叶智能采收提供理论基础和技术支持。

应用判别分析模型预测女性盆腔肿物性质的研究

目的探讨依据患者肿瘤标志物及一般资料建立的判别预测模型对于盆腔肿物性质诊断的价值。方法回顾性分析124例因盆腔肿物住院接受手术的患者,依据术后病理分为卵巢良性肿物组85例,子宫平滑肌瘤组25例,卵巢恶性肿瘤组14例,将所有的数据随机分成两个数据集,分别为训练集104例和验证集20例。收集上述所有患者的一般资料并检测其肿瘤标志物水平,建立判别预测模型并对其进行验证。结果本研究将训练集通过以下变量建立了判别预测模型-1:年龄、孕次、产次、身高、体重、BMI、初潮年龄、绝经与否、CA153、CA125、AFP、CEA、CYFRA21-1、SCCAg、CA199、抑制素B,通过交叉验证得到其准确率为91.3%。同时,将上述数据采用Logistic回归分析,寻找有统计学意义的变量,发现年龄、孕次、抑制素B、CA125等统计资料差异有统计学意义(P<0.05)。再将上述变量建立判别预测模型-2,通过交叉验证后得到其准确率为93.3%。最后应用验证集将两个模型进行验证。结论判别预测模型-1和判别预测模型-2均可用于盆腔肿物性质的预测,但后者对盆腔肿物性质的预测具有数据简化、灵敏度高等优势,对于术前临床辅助诊断具有重要的临床意义。

基于高光谱技术的黑果腺肋花楸成熟度判别及多酚含量检测模型构建

为了无损检测黑果腺肋花楸(Aronia melanocarpa,简称黑果)果实成熟度和多酚含量,本研究构建了基于高光谱成像技术的黑果成熟度判别模型以及多酚含量检测模型。采用高光谱成像技术采集不同成熟度的富康源1号黑果图像信息,福林酚法测定其多酚含量。通过蒙特卡洛法剔除异常值;滑动平均、中值滤波、归一化、基线校准、多元散射校正、消除趋势和标准正态变量变换对原始图像信息进行预处理;光谱-理化值共生距法进行样本划分;竞争性自适应重加权算法和无信息变量消除法提取特征波长,分别建立偏最小二乘模型(PLS)和支持向量机(SVM)模型并进行比较。结果表明,本研究建立的判别模型中效果最好的模型为经多元散射校正预处理后的UVE-SVM模型,综合识别率94.62%,R_(c)^(2)=0.9712,根据该模型判别的准确度为100%。多酚含量检测效果最好的模型为中值滤波预处理后的CARSSVM模型,R_(c)^(2)=0.8331。此外,本研究还证明了黑果多酚含量的可视化是可行的。本研究为高光谱成像技术在浆果领域的应用提供了理论基础。

网约车感知等待时间判别模型及影响因素分析

作为社会出行的重要组成部分,大学生早已成为网约车行业的主要用户对象,探究大学生等候网约车到达时间的感知行为,对进一步推动网约车新业态规范发展是十分必要的。首先,在线调查492位大学生的候车行为和感知状态;然后,使用Cronbach’sα和验证性因子分析检验问卷的信效度;最后,将感知时间划分为3个分类,采用判别分析方法,建立网约车感知等待时间判别模型,并对判别分类结果及其影响因素进行了实证分析。研究发现,个人特征、环境因素、候车行为以及移动设备四个因素所包含的35个变量都会影响感知等待时间;在同组分类函数中,候车行为对感知等待时间的影响最大,其次是环境因素,最低是移动设备。研究结果为探究影响大学生感知等待时间长度的具体因素及潜在心理提供了有效支撑,为有效提高网约车的服务水平和吸引力提供了一定的理论价值和现实指导意义。

农作物生长的胁迫因素光谱甄别模型研究

玉米作为中国重要的粮食产物之一,其生长期间的健康检测一直是农业生产的重要问题。以受不同因素影响下生长的玉米叶片为研究对象,采用ASD光谱仪进行叶片光谱采集;对原始光谱数据进行导数(derivative,D)处理,针对经过求导后光谱部分数据无限趋向0的现象,引入压缩感知(compressed sensing,CS)方法,并采用迭代重加权最小二乘(iterative re-weighted least squares,IRLS)数据重建的方法对光谱数据进行恢复;然后选取竞争性自适应重加权算法(competitive adapative reweighted sampling,CARS),结合不同试验下的影响因素作为标签提取光谱特征;最后通过多层感知机分类模型(multi-layer perceptron,MLP),以达到判别生长状态不佳的农作物所受影响因素的目的。本次试验生成的D-CS-CARS-MLP模型的精度相较于传统模型精度有所提高,可以高达99%以上,可以看出该模型可以针对农作物生长状态不佳所受的影响因素进行判别。经过验证,D-CS-CARS-MLP模型具有较好的稳定性和精度,为植被健康生长监测提供了新的思路与方法。

基于多元统计分析黄芪道地与非道地产区判别研究

为判别道地与非道地产区黄芪的差异,利用干法消解结合ICP-OES测定6个产区黄芪中的Se、Ni等13种元素的含量。结果表明,黑龙江产黄芪As、Ni重金属元素含量均比其他地区的黄芪重金属元素含量高;相关性分析结果表明,重金属元素的吸收与富集存在一定的协同作用,PCA和MLR分析均可以实现道地与非道地黄芪的判别,且正确识别率为100%。基于ICP-OES结合多元统计分析可以实现道地与非道地产区黄芪的判别,为道地产区黄芪的鉴别提供了快速、准确的新方法。

基于可见/近红外光谱技术的红提成熟度判别模型

成熟度是水果评价的重要标准,直接影响水果的品质和经济价值。针对红提采摘成熟度评判困难,果肉营养价值参差不齐、产品竞争力低等问题,建立基于可见/近红外光谱技术的红提成熟度判别模型。该研究选取红提生长过程的4个阶段(分别为:未成熟、半成熟、成熟、过熟)的样本并进行光谱信息采集。选择550 nm~1000 nm的光谱波段建模,分别将经过预处理的光谱用竞争性自适应加权算法(Competitive Adaptive Reweighted Sampling,CARS)、无信息变量消除算法(Uniformative Variable Elimination,UVE)和连续投影算法(Successive Projection Algorithm,SPA)进行特征波长提取,建立支持向量机(Support Vector Machines,SVM)、极限学习机(Extreme Learning Machine,ELM)和偏最小二乘判别分析(Partial Least Squares Discriminant Analysis,PLS-DA)的判别模型,最终建立可见/近红外光谱技术的红提成熟度的最佳判别分类模型。研究结果表明,在Savitzky-Golay(SG)卷积平滑处理算法光谱预处理后运用SPA算法进行特征波段提取建立的ELM模型成熟度判别分类效果最佳,SVM模型次之,PLS-DA模型最差。因此,红提成熟度的最佳判别分类模型为SG-SPA-ELM,该模型的训练集和测试集的准确率分别为97.50%和96.67%。利用可见/近红外光谱技术对红提成熟度进行判别是可行的,该研究为红提成熟度的判别找到了一种新的无损检测方法。

基于遗传算法BP神经网络芒果成熟度判别模型的构建与优化

【目的】基于遗传算法,构建及优化BP神经网络芒果成熟度判别模型。【方法】以小台芒为试验材料,测定不同成熟度芒果的硬度、糖度以及拍摄RGB图像,分析芒果硬度、糖度及图像特征变量(R、G、B、H、S、V分量)与芒果成熟度之间的相关性;利用遗传算法得到最优网络权值及阈值,构建BP神经网络芒果成熟度判别模型,并对其进行优化。【结果】随着芒果成熟度的增加,糖度表现出较明显的增长趋势、硬度表现出较明显的下降趋势;图像的特征分量(R、G、B、H、S分量)在不同成熟度阶段呈显著性差异(P<0.05);基于遗传算法优化BP神经网络的芒果成熟度判别模型经过预测后,分类准确率为96.3%。【结论】基于遗传算法优化BP神经网络的芒果成熟度判别模型能较为准确地判断不同成熟度的芒果。

中药砂仁“品与质”电子鼻判别模型的建立

目的建立一种快速、有效识别中药砂仁品质的科学评价方法。方法引入电子鼻建立中药砂仁的气味指纹图谱,以不同品种、不同产地的25批砂仁样品为研究对象,采用不同分类器建立其"品与质"的电子鼻判别模型,并基于盲样回判进行模型的验证。结果经十折交叉验证法、外部测试集验证法验证,所建立的气味判别模型正判率分别为78%和84%,表明电子鼻可以完成对阳春砂道地与非道地样品的定性分析;此外,传感器响应值为0.04和0.03的砂仁,预测其主要挥发性成分(乙酸龙脑酯)含量情况分别为>3.5 mg/g和<1.8 mg/g,表明电子鼻还可进行定量分析。结论电子鼻技术可作为一种快速、有效鉴别中药"品与质"的潜在分析方法。