冰淇淋风味、营养和保健添加物探讨

冰淇淋风味、营养和保健添加物探讨杨湘庆，沈悦玉，宋春发（天津商学院，３０００００，天津）（天津裕元饮料食品厂，３００１２２，天津）冰淇淋的发展历史，虽然各家说法不一，但基本一致的观点如下：１）我国唐代已有类似冰棍的“御冰”，６２７～６４９年间，唐皇李...     

基于Kullback-Leibler与PCA的概率密度比值估计

为了更好地解决在机器学习和数据挖掘等领域中经常遇到的两个概率密度函数的比值估计问题,文中提出了一种新的概率密度比值估计算法.该算法基于Kullback-Leibler距离,综合混合高斯模型和主成分分析的概率密度比值估计方法,使用混合概率主成分分析为两个概率密度比值函数建模.在概率密度比值估计的过程中,不是分别估计比值函数的分子和分母,而是对整个比值函数进行混合组成建模.算法避免了分别对分子分母的概率密度估计,降低了估计的误差.实验表明该算法能够获得较好的估计结果.     

基于遥感案例推理的海岸带养殖信息提取

目前基于目视解释或光谱分类的养殖信息提取效率低,难以克服由于地物混杂带来的“椒盐”噪声现象且难以融合地学知识。针对养殖信息提取中存在的问题,首先在分析现有养殖信息提取方法和案例推理CBR(Case\|Based Reasoning)用于遥感图像处理的基础上,提出基于遥感案例推理的海岸带养殖信息提取的研究思路;其次,结合养殖区域的空间特征和属性特征,构建案例的表达模型以及CBR相似性推理模型;最后,对不属于案例构建区的粤西沙田镇进行养殖信息提取的CBR实验,精度达到84.56%。对比CBR方法和传统监督分类方法可知,CBR方法是实现海岸带养殖信息快速准确提取的一种有效手段。     

基于Gabor小波与LBP直方图序列的人脸年龄估计

提出了一种基于Gabor小波和局域二值模式(Local binary pattern,LBP)直方图序列的人脸年龄估计方法。首先对人脸图像提取多方向与多尺度的Gabor幅值域图谱(Gabor magnitude maps,GMMs);然后采用基于局部特征的LBP算子对GMMs编码,并对之分块,由各子块的直方图序列来描述人脸;为进一步降低人脸特征维数,再对人脸直方图序列特征应用主成分分析(PCA);最后使用支持向量机回归(SVR)的LOPO策略对人脸年龄库进行训练和测试。实验结果表明,该方法可以较为快速有效地对人脸图像进行年龄估计。     

BP网络模型对人脸朝向的识别

研究BP神经网络模型,通过计算机模拟人脑建立神经元网络,使用一部分人脸朝向信息作为训练的实例集,训练稳健后,可以推广应用判断其他人脸的朝向信息,以实现计算机自动识别人脸朝向。先对图片进行归一化等预处理,再应用主成分分析提取特征信息,每幅提取出的特征信息都是8个数据的列向量,构建一个8个输入、17个隐含、3个输出的三层BP网络模型。将训练实例集的特征向量代入训练,调整参数后保证其性能和收敛速度。最后通过大量实验验证,计算机识别的误判率仅为6.7%,模型可靠。     

结构正则化多视图非负矩阵分解

现存非负矩阵分解（non-negative matrix factorization,NMF）研究多考虑单一视图分解数据,忽略了数据信息的全面性。此外,NMF限制其获取数据的内在几何结构。针对以上问题,提出一个结构正则化多视图非负矩阵分解算法（structure regularized multi-view nonnegative matrix factorization,SRMNMF）。首先,通过主成分分析来对数据进行全局结构的判别式学习;其次,利用流形学习来捕获数据的局部结构;然后,通过利用多视图数据的多样性和差异性来学习表征。模型提升了算法聚类的整体性能,更加有效地挖掘数据的结构信息。此外,采用高效的交替迭代算法优化目标函数得到最优的因子矩阵。在六个数据集上与现存的代表性方法比较,所提出的SRMNMF的准确率、NMI和Purity分别最大提高4.4%、6.1%和4.05%。     

超球支持向量机的地下水水质参数自动监测技术研究

水质参数指标项相对较多,存在信息重叠等问题,导致水质参数监测精度降低,为此,提出基于超球支持向量机的地下水水质参数自动监测技术.通过主成分分析法消除信息重叠的影响,引入改进粒子群法,通过自适应调节惯性权重的方式,对动态变化学习因子进行融合,优化超球支持向量机模型运行参数,利用优化后的支持向量机对水质等级进行评价,构建评价指标体系,并将该体系作为建立模型训练样本集合的基础,可降低人为因素与监测数据对模型运行的干扰,完成自动监测与报警.依托地下水段,将其作为测试目标进行水质参数自动监测.监测结果表明,不同测试点测量结果与实际结果相同,表明基于超球支持向量机的地下水水质参数自动监测技术监测性能较高.     

基于动态特性描述的变量加权型分散式故障检测方法

现代工业生产过程往往具有复杂的动态特性: 不同测量变量间会存在不同的时序相关性, 且变量间的相互影响会反映在不同的采样时刻上. 现有的动态过程监测模型往往不能充分挖掘变量间的动态特性, 其故障检测效果也有待进一步提高. 在此背景下, 本文提出一种基于动态特性描述的变量加权型分散式故障检测方法. 利用最大相关最小冗余(Minimal redundancy maximal relevance, mRMR) 算法更准确地描述动态过程变量间的相关性关系, 并利用该相关性的值对原始增广矩阵进行加权处理, 且不同延迟变量对当前测量值的影响大小就通过权值来体现, 因此能更加全面地刻画该测量值的动态特性. 最后建立一种融合mRMR算法, 贝叶斯推理以及动态主成分分析(Dynamic principal componemt amalysis, DPCA)模型的新的分布式建模策略, 提高了模型的容错能力和泛化能力, 取得了更好的故障检测结果.