磷化液的简便分析方法

介绍磷化液化学分析机制和常用试剂的配置方法。找出了一种连续测试和计算磷化液成分的方法,与常规的各个参数分别测试相比,简化了操作过程,节约了大量试剂。通过优化指示剂,控制了终点误差,结果表明该方法完全可行。     

基于测地线距离的广义高斯型Laplacian 特征映射

传统的Laplacian 特征映射是基于欧氏距离的近邻数据点的保持,近邻的高维数据点映射到内在低维空间后仍为近邻点,高维数据点的近邻选取最终将影响全局低维坐标.将测地线距离和广义高斯函数融合到传统的Laplacian 特征映射算法中,首先提出了一种基于测地线距离的广义高斯型Laplacian 特征映射算法(geodesicdistance-based generalized Gaussian LE,简称GGLE),该算法在用不同的广义高斯函数度量高维数据点间的相似度时,获得的全局低维坐标呈现出不同的聚类特性;然后,利用这种特性进一步提出了它的集成判别算法,该集成判别算法的主要优点是:近邻参数K 固定,邻接图和测地线距离矩阵都只构造一次.在木纹数据集上的识别实验结果表明,这是一种有效的基于流形的集成判别算法.     

基于Bayesian的期望最大化方法——BEM算法

通过对标准EM算法收敛于局部极值的原因进行分析,提出了基于Bayesian方法的神经网络新学习算法－－BEM算法。该算法解决了标准EM算法的上述缺陷,同时还可防止标准EM算法Overfitting情况的出现,并可防止标准EM算法有时只响应第一模式而失去泛化能力情况的出现。实验结果表明了该算正确性和有效性。该算法对研究和发展标准EM学习算法理论具有一定的学习意义。     

基于局部复杂度和初级视觉特征的自底向上注意信息提取算法

借鉴心理学中有关视觉注意的研究成果,提出了一种新的自底向上的注意信息提取算法.自底向上的注意信息由图像中每个点对应区域的显著性构成,区域的尺度自适应于局部特征的复杂度.新的显著性度量标准综合考虑了局部复杂度、统计不相似和初级视觉特征这3个方面的特性.显著区域在特征空间和尺度空间中同时显著.获取的自底向上的注意信息具有旋转、平移、比例缩放不变性和一定的抗噪能力.以该算法为核心,构建了一个注意模型,将其应用于多幅自然图像的实验证明了算法的有效性.     

基于神经网络的混沌加密算法

首先用神经网络来训练已知混沌序列,并利用该模型产生的非线性序列实现了明文、密文之间的转换,该算法的优点之一是神经网络（NN）隐式混沌映射关系使直接获取映射关系变得困难,经理论分析选择了较好的神经网络学习方法,实验进一步表明,该算法产生的序列随机性、抗破译性能良好;加密弹性大,可扩展性好;加密速度快。     

通过创建虚拟样本的小样本人脸识别统计学习方法

研究了人脸识别方法．在传统的“特征脸”方法基础上，提出了一种基于贝叶斯方法的小样本人脸识别方法，该方法对于经过预处理的标准人脸图像，通过原型脸创建虚拟样本，扩充样本数量，然后用PCA降维并提取人脸图像的特征．对提取的特征用BEM算法学习该类样本的概率密度分布参数，构建贝叶斯混合网络分类器．该方法可以有效地解决统计学习方法中样本数量不足问题，提高小样本人脸识别方法的识别率，同样可以运用于模式识别中其它对象识别．实验表明，该方法能提高小样本人脸识别率，有实际应用价值。