一种稀疏最小二乘支持向量分类机

一般的支持向量分类机需要求解二次规划问题,最小二乘支持向量机只需求解一个线性方程组,但其缺乏稀疏性.为了改进最小二乘支持向量分类机,本文结合中心距离比值及增量学习的思想提出一种基于预选、筛选支持向量的稀疏最小二乘支持向量机.该方法既能弥补最小二乘向量机的稀疏性,减少计算机的存储量和计算量,加快最小二乘支持向量机的训练速度和决策速度,又能对非均衡训练数据造成的分类面的偏移进行纠正,还不影响最小二乘支持向量机的分类能力.3组实验结果也证实了这一点.     

碳化钼的制备与表征

以MoO₃为前体, CH₄/H₂为还原碳化气, 经程序升温还原碳化反应制备了Mo₂C样品, 并用TG-DTA、XRD、BET、SEM、XPS进行了表征. 结果表明, MoO₃在CH₄/H₂气氛中的还原碳化历程为MoO₃→MoO₂→MoO_xC_y→Mo₂C, 适宜的还原碳化温度为675℃. 实验条件下制得的碳化钼晶相为β-Mo₂C, 表面呈现出形状规整、大小相对均一的片状颗粒, 平均粒径约3.9μm. 碳化钼表面有两种不同价态的钼原子, 分别归属于Mo--C 物种的Mo²⁺和Mo--O物种的Mo^δ+ , 以前者为主; 碳物种由四种不同价态的碳原子组成, 分别归属于C--Mo、C--C、C--H和C--O物种, 以前者为主. 随还原碳化反应温度的升高, 制备的碳化钼颗粒增大, 比表面积下降, C--C物种和C--H物种增加, 表面积炭增多. 由于积炭的覆盖和保护作用, 碳化钼表面的Mo原子主要以Mo²⁺ 的Mo--C物种存在, 只有少部分被氧钝化.     

扩散模型在时间序列的应用综述（英文）

扩散模型,一类基于深度学习的生成模型家族,在前沿机器学习研究中变得日益重要。扩散模型以在生成与观察数据相似样本方面的卓越性能而著称,如今广泛用于图像、视频和文本合成。近年来,扩散的概念已扩展到时间序列应用领域,涌现出许多强大的模型。鉴于这些模型缺乏系统性总结和讨论,我们提供此综述作为此领域新研究人员的基础资源,并为激发未来研究提供灵感。为更好理解,引入了有关扩散模型基础知识的介绍。除此之外,主要关注基于扩散的时间序列预测、插补和生成方法,并将它们分别在三个独立章节中呈现。还比较了同一应用的不同方法,并强调它们之间的关联（若适用）。最后,总结了扩散方法的共同局限性,并突出强调潜在的未来研究方向。