ELMs和SVMs在多分类问题上的泛化性能比较

多分类问题是机器学习、数据挖掘领域的重要研究内容。在文本分类、语音识别、图像识别、基因检测等方面有广泛的应用。通过在UCI数据集对极限学习机算法ELMs(ELM,KELM)和支持向量机算法SVMs(SVM,LSSVM)在多分类问题上的表现进行详细比较,得出以下结论:ELMs相较于SVM在多分类问题上有更高的分类准确率,而且随着分类数目的增加,ELMs的泛化能力相较于SVM提高越多,但是ELMs对于LSSVM并没有得到上述结论;ELMs相较于SVMs对数据的类别数目不敏感,分类准确率随类别数目增加下降不明显;ELMs相较于SVMs在多分类问题上所需计算代价更小,且拥有更快的学习和训练速度,适用于多分类问题。     

论未成年刑事被害人的刑法保护

近年来针对未成年人的犯罪行为一次次挑战着人们的道德底线,在社会各界引起了广泛的关注。人们关注对此类案件犯罪人的判决结果,探究犯罪分子实施犯罪的原因,并思考如何预防类似案件的再次发生。探讨的视角涉及刑法学、刑事诉讼法学、犯罪学、社会学等方面。从刑法学视角入手,通过分析热点案例,探讨我国现行刑法针对未成年刑事被害人的犯罪相关罪名设置的全面性及量刑情节规定的合理性,以期能使刑法对未成年刑事被害人有更全面的保护。     

Au-SiO2复合纳米微球的制备与表征

采用溶胶-凝胶法制备SiO2纳米微球,以KH-550为粘结剂,利用简单的化学还原法,成功制备出Au-SiO2复合纳米微球,并通过扫描电子显微镜,透射电子显微镜,X射线衍射仪,紫外-可见分光光度计和多功能成像光电子能谱仪对其进行表征.结果表明,Au-SiO2复合纳米微球粒径约130 ～ 160 nm,且颗粒较均匀、分散性较好.样品中金纳米粒子均匀分散于SiO2纳米微球表面,粒径约4～9 nm,具有良好的面心立方结构,晶型良好,且Au物种主要以零价金属态存在.