化学需氧量(COD)重铬酸钾法与快速测定仪的比较

化学需氧量是水体中有机物含量的重要指标。重铬酸钾法是测定化学需氧量的常规方法。在这个实验里,我们采用了快速测定仪测定的方法,对这种方法的准确度、精密度进?D0了分析,并对重铬酸钾法与快速测定法进行了对比实验,以验证其相关性。     

基于软近邻投票的图像标签相关性计算

如何自动判断社会化标签与图像内容之间的相关性是社会化多媒体内容检索领域一个重要的研究问题.近邻投票算法是已知的计算标签相关性的最有效方法之一.但该算法采用硬投票策略,并未考虑近邻图像的权重以及近邻图像自身标签的质量.针对上述问题,文中提出一种一般性的软近邻投票框架,通过考察近邻权重和近邻标签权重这两个维度,系统性地比较了23种软近邻投票实现方案.以近120万张Flickr图像为训练集、约两万张图像为测试集的实验表明,软近邻投票策略要优于硬投票策略:平均查准率从0.764提升到0.783,且软近邻投票对于近邻个数这一重要参数的选取相对不敏感.     

生物标记用发光材料研究现状

综述了生物标记用材料及其应用,对各种材料的特点进行了分析,得出以绿色荧光蛋白等为代表的荧光材料将是未来生物标记的主流.     

南方丘陵山区湿地氮磷时空变化及影响因素分析

对陈墩库区湿地从2015年9月到2016年8月进行水质监测,通过方差分析和相关性分析归纳总结湿地氮磷浓度变化规律,探究不同植物与湿地氮磷的相互作用。结果表明:陈墩库区TN、TP浓度在不同湿地季节变化有所差异,各湿地TN浓度在春、夏、冬差异显著;TP在冬季有显著差异,其余季节均无明显差异,陈墩库区TN、TP浓度季节变化与进水氮磷浓度和湿地面积、植物类型及生长状况密切相关;不同植物与湿地TN、TP呈现不同的相关性,这与水生植物对氮磷的吸收能力不同有关;轮叶黑藻、再力花、芦苇对氮磷的去除效果较好。     

川中丘陵区地表干湿长程相关性及影响因素研究（研究生论坛）

为探究川中丘陵区干湿动态动力学机制,提供旱涝预测的理论依据。根据川中丘陵区8个气象站点1958~2013年逐日气象资料,采用Penman—Monteith 模型计算潜在蒸散量,构建出湿润指数。在此基础上,基于去趋势波动分析方法（DFA）,对逐月、分季节、极端干湿湿润指数进行长程相关性分析,并探讨了影响湿润指数长程相关性的气象因子。结果表明：除南充、遂宁外,其余地区逐月湿润指数变化长程相关,并非完全随机;分季节与极端干湿湿润指数均具有长程相关性;对于不同季节而言,长程相关性以夏季最强,秋、冬两季次之,春季最弱,对于极端气候而言,极端湿润长程相关性强于极端干旱;通过对湿润指数与气象因子长程相关性一致性分析,降水标度指数与湿润指数标度指数呈显著正相关。     

青霉分类方法的研究进展

介绍了青霉的传统分类方法，综述了随机扩增多态性（RAPD）、限制性片断长度多态性（RFLP）、扩增片断长度多态性（AFLP）和rDNA／rRNA序列分析等几种分子标记技术的基本原理、方法及其青霉分类鉴定中的研究进展。     

基于类标记扩展的半监督网络流量特征选择算法

针对网络流量特征选择过程中存在的样本标记瓶颈问题,以及现有半监督方法无法选择强相关的特征的不足,提出一种基于类标记扩展的多类半监督特征选择(SFSEL)算法。该算法首先从少量的标记样本出发,通过K-means算法对未标记样本进行类标记扩展;然后结合基于双重正则的支持向量机(MDrSVM)算法实现多类数据的特征选择。与半监督特征选择算法Spectral、PCFRSC和SEFR在Moore数据集进行了对比实验,SFSEL得到的分类准确率和召回率明显都要高于其他算法,而且SFSEL算法选择的特征个数明显少于其他算法。实验结果表明: SFSEL算法能够有效地提高所选特征的相关性,获取更好的网络流量分类性能。     

基于信息资源聚合的农民专业合作社信息系统

针对农民专业合作社信息获取与信息发布难、成本高的问题,提出基于XM L Schema的农民专业合作社信息聚合元数据表示规范,设计数据传输流程和信息定制与智能推送机制,建设两层部署体系的农民专业合作社信息系统。系统信息服务中心与农业搜索引擎（AgSoso）相结合,为远端用户系统提供最新的信息资源;系统客户端实现合作社生产经营信息的本地化管理,并向信息服务中心同步最新的农产品等信息。应用结果表明,该方案投入成本、维护成本低,资源利用效率高,具有较高的实用应用价值,为农民专业合作社提供了一套基于多来源数据聚合服务的技术解决方案。     

基于类属属性的多标记学习算法

在多标记学习框架中,每个对象由一个示例(属性向量)描述,却同时具有多个类别标记.在已有的多标记学习算法中,一种常用的策略是将相同的属性集合应用于所有类别标记的预测中.然而,该策略并不一定是最优选择,原因在于每个标记可能具有其自身独有的特征.基于这个假设,目前已经出现了基于标记的类属属性进行建模的多标记学习算法LIFT.LIFT包含两个步骤:属属性构建与分类模型训练.LIFT首先通过在标记的正类与负类示例上进行聚类分析,构建该标记的类属属性;然后,使用每个标记的类属属性训练对应的二类分类模型.在保留LIFT分类模型训练方法的同时,考察了另外3种多标记类属属性构造机制,从而实现LIFT算法的3种变体——LIFT-MDDM,LIFT-INSDIF以及LIFT-MLF.在12个数据集上进行了两组实验,验证了类属属性对多标记学习系统性能的影响以及LIFT采用的类属属性构造方法的有效性.     

多传感器数据采集系统中的数据融合研究

针对多传感器数据采集系统的准确性与可靠性的要求,提出了单传感器分批估计融合与模糊理论中的相关性函数与加权自适应算法相结合的数据融合方法。首先,对每一只传感器进行分批估计融合,得到了较为可靠的局部决策值。然后,利用模糊理论中的相关性函数,计算出每只传感器与其它传感器的相关程度,并剔除掉那些相关程度较低的传感器的局部决策值。最后,在权的最优分配原则下,利用加权自适应算法对剩下的局部决策值进行数据融合。该方法能在数据先验知识未知的情况下,客观地反映各个传感器的可靠程度。数据分析结果表明:与同类融合方法相比,该方法具有更高的精度。