基于拉曼光谱技术的可燃液体快速检测研究

拉曼光谱作为一种分子“指纹”图谱,能够根据物质分子间的振动对物质进行定性分析,广泛应用在很多领域。拉曼光谱可应用于便携式监测系统,但其数据量偏大,如果不对其数据处理,会增加后续的分析时间,影响自动识别的速度。文中选取九种常见可燃液体90#汽油、93#汽油、97#汽油、丙酮、二甲苯、甲醇、乙醇、乙二醇、叔丁醇为例,对其进行数据预处理分析,特征峰提取效果显著,进而对数据进行512点的压缩,然后选取支持向量机(support vector machine,SVM)分类算法和随机森林分类算法进行模型训练。研究结果表明,随机森林算法的识别可燃液体样品的交叉验证精度高于SVM算法,随机森林算法的均方误差的结果也都优于SVM算法。运用拉曼光谱技术可明显检测出可燃液体样品的谱峰,对数据进行压缩,提高分析速度,可为后续仪器小型化提供技术参考。     

基于拉曼光谱的口罩物证检验方法研究

为分析口罩材质,建立口罩物证鉴别方法,试验用拉曼光谱仪检测107个口罩纤维样品,研究黑色、粉红色、蓝色染料对口罩纤维拉曼光谱的影响程度,基于主成分分析和相关性检验法对不同品牌、相同品牌不同批次的口罩进行区分,并实现未知品牌口罩的预测。研究表明,在拉曼特征峰相同的条件下,通过分析口罩纤维拉曼强度的差异和主成分得分图可快速找到与未知品牌相关性最强的口罩。在犯罪现场模拟试验中,未知品牌与相似品牌在主成分得分图中显示的距离最近,Pearson、Kendall Rank和Spearman 3种相关系数最大分别为0.932、0.799、0.942,据此找到了与未知品牌相似度较高的口罩。该方法缩小了物证搜查范围,可为公安办案寻找线索提供依据。     

基于太赫兹时域光谱技术与PCA-SVM的转基因大豆油鉴别研究

太赫兹时域光谱（THz-TDS）技术是基于飞秒超快激光技术的THz波段光谱测量新技术,具有较强的光谱分辨本领以及良好的透视性和安全性,在物质检测方面具有广泛的应用价值。文中在采用太赫兹时域光谱技术对转基因大豆油光谱检测的基础上结合主成分分析方法（PCA）及支持向量机（SVM）,构建PCA-SVM模型对转基因大豆油进行鉴别。首先,从样品在太赫兹波段测得的时域光谱中得到其吸光度光谱;然后,将其作为输入源导入PCA-SVM模型中,剔除冗余数据、降低数据维数并鉴别。实验结果表明,所建立的PCA-SVM模型能准确识别校验集,可以准确地对转基因大豆油进行鉴别。研究结果表明:太赫兹时域光谱技术可以实现转基因大豆油的快速、无损检测,在食品安全领域有广泛的应用前景。     

基于拉曼光谱的鼻咽癌与正常鼻咽细胞株的分类研究

高空间分辨率的共聚焦显微拉曼光谱技术从分子水平上提供了生物分子成分和结构的指纹性信息。以鼻咽癌细胞株C666-1、CNE2和正常鼻咽细胞株NP69为对象,利用拉曼光谱探索和分析癌细胞株与正常细胞株之间的差别。结果表明:谱峰比I1449/I1657(1.10)可以准确地将鼻咽癌与正常鼻咽细胞株分成两组,这一结论与相关支气管癌组织的报道结果一致;此外,采用主成分分析方法说明3种细胞株的拉曼光谱之间存在统计学差异,并以线性判别分析方法对其进行统计划分,灵敏度和特异性分别达到90%和100%。这些结论可以为拉曼光谱技术用于NPC的临床诊断提供依据,并有可能为鼻咽癌的早期诊断提供有益参考。     

基于ACO-SVM的光谱分类算法研究

为了实现胡萝卜汁品牌的快速无损鉴别,文章以市售两种品牌的胡萝卜汁为研究对象,通过采集拉曼光谱,并结合支持向量机算法,建立了快速判断胡萝卜汁品牌的分类模型。两种品牌的胡萝卜汁光谱主要在1007 cm^-1,1157 cm^-1,1516 cm^-1这3个谱峰存在差异。先对拉曼光谱进行预处理,再选用蚁群优化算法进行特征选择,最后结合SVM构建分类模型。结果显示,相比SVM直接分类,模型ACO-SVM的最优分类准确率为96.67%,提高了2.5%;其分类时间为7.17 s,缩短了163.31 s。研究表明,基于拉曼光谱分析技术和模式识别算法构建的分类模型能够有效地鉴别胡萝卜汁品牌。     

基于KPCA和LSSVM的蜂蜜近红外光谱鉴别分析

为快速鉴别普通植物源与中草药植物源蜂蜜,提出一种核主成分析和最小二乘支持向量机相结合的蜂蜜近红外光谱定性分析新方法。利用傅里叶变换近红外光谱仪测定普通洋槐蜂蜜和益母草、黄连两种中药植物源蜂蜜样本的近红外光谱并预处理,然后对光谱进行核主成分分析,提取非线性特征,最后设计基于纠错编码最小二乘支持向量机的多类分类器模型。采用网格搜索法确定模型最优参数,利用最优分类模型对未知类别蜂蜜样本进行识别,正确率可达96.67%。结果表明,基于KPCA和LSSVM的近红外光谱定性分析算法鉴别普通植物源与中草药植物源蜂蜜是可行的。     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量的人脸识别方法。该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的能力强,达到了很高的人脸识识别率。在对训练图像进行预处理之后,使用主成分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向最训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别。文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比。发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同。总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能。     

基于PSO_SVM的射频功率放大器模型研究

针对神经网络和支持向量机在射频功率放大器建模领域存在的优缺点,提出一种利用PSO_SVM算法对射频功率放大器进行建模的方法.从理论上分析了支持向量机(SVM)及粒子群优化(PSO)算法的相关原理,并将PSO_SVM算法应用到功放器件建模中.仿真结果表明,基于PSO_SVM的射频功放模型在模型精度、小样本学习和逼近能力方面均优于传统SVM模型和BP神经网络(BPNN)模型.     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机（SVM）方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数。基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高。     

基于支持向量机算法的多环芳烃表面增强拉曼光谱的定量分析

以硫氰化钾(KSCN)为内标物,利用主成分分析(PCA)降维,利用支持向量机(SVM)算法建立定量分析模型——支持向量回归(SVR),并结合网格搜索(GS)、遗传算法(GA)和粒子群优化算法(PSO)三种参数优化方法,实现了芘、菲单一溶液和混合溶液的定量分析。研究结果表明:以KSCN为内标物,提高了定量分析结果的准确性;利用PCA降维提高了建模速度;三种优化模型对芘预测的平均相对误差(ARE)在7.6%以内,对菲预测的ARE在11.3%以内;三种参数优化方法对同一物质的预测结果相近,但GS的运算速度最快;综合考虑误差和分析速度后,采用GS-SVR模型获得了菲、芘混合溶液的最佳结果。表面增强拉曼光谱(SERS)技术结合SVM算法有望实现多环芳烃的定量分析。     

基于参数优化支持向量机的火焰图像识别

图像型火灾探测的主要问题是关于火焰和干扰物的识别。通过提取火灾图像特征,利用支持向量机来进行识别。为提高火灾准确预报率,用参数优化后的支持向量机来预报。提出一种混沌粒子群算法对支持向量机进行参数优化。实验表明,改进的粒子群算法比传统方法的火灾准确预报率有大幅提高,可以进一步降低火灾探测系统的误报。     

基于数据挖掘技术的云环境服务分类算法

为了提高Web服务的分类效果,提出了一种基于数据挖掘技术的云环境Web服务分类算法.首先提取服务特征向量,并进行相应预处理得到服务特征向量集,然后采用最小二乘支持向量机训练特征向量集,并采用萤火虫算法优化最小二乘支持向量机参数,建立最优的服务分类模型,最后采用标准数据进行仿真实验,对本文算法性能进行测试.仿真实验结果表明,相对于其它Web服务分类算法,本文算法不仅提高了Web服务分类的精度,而且提高了Web服务分类效率.     

乙型和丙型病毒性肝炎肝脏相关淋巴细胞的超微结构观察

应用透射电子显微镜对病毒肝炎肝穿标本进行观察,肝脏相关淋巴细胞大致存在三种形态：典型的Ｐｉｔ细胞、小淋巴细胞和混合型淋巴细胞三类。丙型病毒性肝炎标本上的淋巴细胞数量高于乙型病毒性肝炎（Ｐ〈０．０５）,在攻击肝细胞时的形态学表现亦不相同,在慢性乙型病毒性肝炎活动期,小淋巴细胞明显增多（４７．１％）。结果提示,乙型病毒性肝炎和丙型病毒性肝炎的肝相关淋巴细胞构成比及生物学效应存在差异。     

基于S3C44B0的触摸屏技术的研究与设计

触摸屏(Touch Screen Panel,TSP)做为一种最新的电脑输入输出设备,因具有简单、方便的特点而逐步被广泛使用.在对TSP技术介绍的基础上,详细叙述了基于S3C44B0的四线电阻式TSP控制电路和驱动程序设计过程.这种触摸屏使用逐次逼近式的A/D转换器来获取触摸点的坐标,并通过平均值法修正误差而得到最后结果.     

基于支持向量机的调制模式识别技术研究

为了完成对8种模拟数字混合信号的调制模式识别,采用了基于二叉树扩展的支持向量机作为分类器,从待识别的信号的瞬时幅度,瞬时频率和瞬时相位中提取七类特征作为特征参量的方法,获得了对8种调制模式精确稳定估计的结果,具有实时性好、分类模式多和扩展性能好的特点。