基于积分宽度法测量发光二极管结温方法的研究

本文提出了一种基于光谱积分宽度法来测量发光二极管(light emitting diode, LED)结温的新方法,并进行了理论分析和实验研究。本方法主要分为光谱数据采集、定标函数的测定和结温测量三个过程。首先,为了测量成本的降低和精度的提高而采用在正常工作电流下采集LED光谱数据,并通过采用不同温度下的光谱积分宽度与选定的某一基准状态下的值逐差可得到线性度达0.99以上的定标函数,并通过此定标函数可实时测定任意状态下的结温。其次,为了比较本方法测量结温的精确性,分别对单色和白光LED采用本方法和业界主流的正向电压法,通过自行设计的基于积分宽度法结温测量系统和美国Mentor Graphics公司的T3Ster型仪器的测量结果进行比较,两种方法测出的结温最大偏差为2.1℃,在可接受的误差范围内。实验结果表明积分宽度法测结温具有高效便捷且低成本的的特点,具有一定的应用前景。     

基于黎曼流形的多视角谱聚类算法

现有的多视角谱聚类算法大多只线性结合了各视角的基拉普拉斯矩阵,未考虑不同视角数据的差异性对最优拉普拉斯矩阵的影响,存在聚类性能受限的问题。提出一种基于黎曼几何均值与高阶拉普拉斯矩阵的谱聚类算法(RMMSC),挖掘多视角数据中的高阶连接信息与流形信息,提高最优拉普拉斯矩阵对各视角的信息利用率。按一定的权重线性结合数据单一视角的各阶拉普拉斯矩阵,得到每个视角的基拉普拉斯矩阵,通过低阶与高阶连接信息的结合使用,充分体现多视角数据集的全局结构。在此基础上,计算各视角基拉普拉斯矩阵的黎曼几何均值,将其作为最优拉普拉斯矩阵输入谱聚类算法,得到聚类结果。相比于传统矩阵算数均值的计算,基于黎曼流形的黎曼几何均值能够更好地恢复互补层数据的流形信息。实验结果表明,RMMSC在多组标准数据集上聚类效果优于ONMSC、MLAN、AMGL等算法。其中,在Flower17数据集上,精确度较基准算法ONMSC提高了2.14%,纯度提高了1.7%,且收敛性较好。     

基于谱聚类的在线数据库垂直分区多阶段生成方法

垂直数据分区技术从逻辑上将满足一定语义条件的数据库表属性存放在同一个物理块中,进而降低数据访问成本,提高查询效率.数据库查询负载中的每条查询通常只与数据库表中的部分属性有关,因此只需使用数据库表的某个属性子集便可以得到准确的查询结果.合理的垂直数据分区方式可以使大多数查询负载不需要扫描完整数据库就可以完成查询任务,从而达到减少数据访问量,提高查询处理效率的目的.传统的数据库垂直分区方法主要基于专家设置的启发式规则,分区策略粒度较粗,且不能根据负载的特征进行有针对性的分区优化.同时,当负载规模较大或者属性个数较多时,现有垂直分区方法执行时间过长,尤其无法满足数据库在线实时调优的性能需求.为此,提出在线环境下基于谱聚类的垂直数据分区方法（spectral clustering based vertical partitioning,SCVP）,采用分阶段求解的思想,减少算法时间复杂度,加快分区执行速度.首先通过增加约束条件缩小解空间（即根据谱聚类生成初始分区）,然后对解空间设计算法进行精细的搜索（即采用频繁项集和贪心搜索相结合的策略对初始分区进行优化）.为了进一步提升SCVP在高维属性下的性能,提出了SCVP的改进版本SCVP-R （spectral clustering based vertical partitioning redesign）.SCVP-R通过引入同域竞争机制、双败淘汰机制和循环机制,对SCVP在分区优化过程中的合并方案进行了进一步优化.在不同数据集上的实验结果表明,相比于目前最好的垂直分区方法,SCVP和SCVP-R有着更快的执行时间和更好的性能表现.     

多源信息融合的航空发动机异常检测方法研究

针对航空发动机中单参数表征性能不全面,且易受外部环境和飞行工况等因素影响的问题,提出一种基于谱回归和高斯混合模型的多源信息融合的健康因子构建方法。选取记录完整并与发动机健康性能关系密切的参数,以同架飞机左右发动机的性能参数差异值作为数据源,通过谱回归进行特征降维,采用高斯混合模型构建正常状态模型,再以基于贝叶斯推断的距离表征测试数据与高斯混合模型的全局距离判别发动机的异常状态。通过两个航空发动机异常事件案例中真实QAR数据进行验证,结果表明所提方法相较于航空公司能够更有效评估航空发动机的健康状态,提前识别出发动机的异常点,预留出足够的时间为发动机制定可靠的维修计划,提高飞机的安全性与经济性。     

BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用北大核心CSCD

牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。     

异质性和时滞作用下神经元网络的共振动力学

利用参数互异的Fitzhugh-Nagumo神经元构建了含耦合时滞的无标度神经元网络模型,通过数值模拟的方法,提出研究参数异质性和耦合时滞影响下神经元网络的共振动力学.结果发现,当耦合项中不含时滞时,适中的参数异质性能够使得神经元网络对外界弱周期信号的响应达到最优,即适中的参数异质性能够诱导神经元网络的共振响应,而且异质性诱导共振对耦合强度具有鲁棒性.更重要的是,耦合时滞对参数异质性作用下神经元网络的共振特性也有着显著性影响.当时滞约为信号周期的整数倍时,神经元网络能够周期性地出现共振现象,即适当的耦合时滞能够诱导神经元网络的多重共振,而且这种现象在异质性参数的适当范围内都能明显出现.     

一种快速自适应谱估计算法

通过对梯度格型快速自适应算法的研究,结合最大熵谱外推目前存在的缺点,将梯度格型算法应用于最大熵谱外推中,并将其与伯格算法进行了比较。     

An efficient Chebyshev-Tau spectral method for Ginzburg-Landau-Schrödinger equations

We propose an efficient time-splitting Chebyshev-Tau spectral method for the Ginzburg-Landau-Schrödinger equation with zero/nonzero far-field boundary conditions. The key technique that we apply is splitting the Ginzburg-Landau-Schrödinger equation in time into two parts, a nonlinear equation and a linear equation. The nonlinear equation is solved exactly; while the linear equation in one dimension is solved with Chebyshev-Tau spectral discretization in space and Crank-Nicolson method in time. The associated discretized system can be solved very efficiently since they can be decoupled into two systems, one for the odd coefficients, the other for the even coefficients. The associated matrices have a quasi-tridiagonal structure which allows a direction solution to be obtained. The computation cost of the method in one dimension is O(Nlog(N)) compared with that of the non-optimized one, which is O(N²). By applying the alternating direction implicit (ADI) technique, we extend this efficient method to solve the Ginzburg-Landau-Schrödinger equation both in two dimensions and in three dimensions, respectively. Numerical accuracy tests of the method in one dimension, two dimensions and three dimensions are presented. Application of the method to study the semi-classical limits of Ginzburg-Landau-Schrödinger equation in one dimension and the two-dimensional quantized vortex dynamics in the Ginzburg-Landau-Schrödinger equation are also presented.     

一种改进的谱聚类方法及其在文本分析中的应用

随着文本资源的激增,特别是网页文本的迅速增加,针对文本的挖掘分析日益受到重视。谱聚类是文本聚类分析较常用的一种新型方法。该文将非负约束引入到传统的谱聚类算法中,提出了一种基于非负约束的谱聚类方法。文中实验验证了所提出方法在中文文本聚类分析应用中的有效性。     

一种基于边界约束的流形展开方法

在流形学习的谱方法中, 流形展开被表述为优化问题. 这些优化问题的解是退化的, 即所有的样本将被嵌入到同一个点. 为了避免退化解, 谱方法对嵌入坐标人为地强加了一个单位协方差矩阵约束. 然而, 该约束往往导致流形展开的失真非常明显. 本文提出一种新的流形学习方法, 彻底抛弃了人为的单位协方差矩阵约束. 主要思路是先对流形边界进行嵌入, 然后再求流形内部的嵌入; 流形边界的嵌入位置被确定后, 流形内部样本的嵌入位置将被边界拉开, 使得它们不会都收缩到一个点上, 从而避免了退化解的出现. 将流形边界的嵌入位置作为边界条件, 求解一个线性方程组来得到内部样本的嵌入; 该线性方程组反映了尽量保持邻近样本间距离不变的要求. 流形边界的嵌入由简化流形的嵌入求出; 为此, 本文还设计了一种流形边界检测算法以及一种流形简化算法. 与目前代表性的几种流形学习方法进行了比较实验, 结果表明了本文方法的有效性, 其展开失真比谱方法明显要小.