极大加可约矩阵的谱与周期时间向量的关系

提出了极大加代数上可约矩阵特征值的缺失值及冗余值的概念,得到了相应的定理;对特征值与周期时间向量分量之间的关系作了深入的研究.     

基于支持向量机的高维特征非线性快速筛选与肽QSAR建模

以氨基酸的531个物理化学性质参数直接表征肽的结构, 基于支持向量回归发展了一种新的高维特征非线性快速筛选方法, 将其应用于苦味二肽和血管紧张素转化酶抑制剂2个肽体系的定量序效关系(QSAR)建模, 各筛选获得10个意义明确的保留描述子. 以保留描述子建立支持向量回归模型, 其拟合精度、留一法交叉测试精度和外部预测精度较文献报道结果均有较大幅度提升, 优势明显; 对所建模型进行了非线性回归显著性测验、单因子相对重要性显著性测验和单因子效应分析, 增强了模型的可解释性. 新方法在肽、蛋白质QSAR建模等高维数据回归预测领域有广泛应用前景.     

利用油水稳定化和支持向量回归增强近红外光谱测定油中水分的方法

近红外光谱(NIRS)可以检测溶解于油中的水分含量,但油中水分较多时会散射而非吸收NIRS,从而引起较大误差。为此,筛选非离子型表面活性剂(Span-80)将含水油液稳定分散成小颗粒,利用其NIRS数据建立水分含量的支持向量回归模型。实验中油水稳定化将NIRS测定变压器油中水分含量的上限从传统的0.1%提升到1%(V/V),通过应用连续投影算法,在511个NIRS变量中筛选出15个有效变量(占原变量的2.9%),建立的支持向量回归模型对验证集的预测均方根误差为2.93%,相关系数为0.9944,相对分析误差为9.4732。     

一种全光纤啁啾脉冲放大系统设计

提出了一种全光纤啁啾脉冲放大系统,在理论分析的基础上,利用分步傅里叶法,通过求解非线性薛定谔方程,对由组合A(1m的DCF+2m的EDF+3.08m的SMF)与组合B(1m的DCF+2m的LMA-EDF+0.61m的SMF)分别构成的两个全光纤啁啾脉冲放大系统进行分段数值模拟,结果发现,将重复频率为100MHz、峰值功率为33.3 W、脉宽为300fs的种子脉冲经过组合A构成的放大系统后,变为重复频率为100 MHz、峰值功率为18 062.43 W、脉宽约为56fs的脉冲;而经过组合B构成的放大系统后,种子脉冲则变为重复频率为100 MHz、峰值功率为31 022.24 W、脉宽约为50fs的脉冲。     

加偏压中心对称双光子光折变晶体中多变量空间灰孤子

 为了得到有偏压的中心对称双光子光折变晶体中存在多变量空间灰孤子的结果,基于中心对称双光子光折变晶体中空间灰孤子的基本理论,采用数值方法推导出了中心对称双光子多变量空间灰孤子归一化包络解的积分形式,并对其特性进行研究。结果表明：这种多变量空间灰孤子是由多束偏振方向和波长都相同的互不相干光束耦合形成的。当多变量空间灰孤子只包含有1个或2个光束分量成分时,它自动退化到中心对称双光子空间灰孤子或中心对称双光子非相干耦合灰 灰空间孤子对的情况。当这一多变量空间灰孤子在有偏压的中心对称双光子光折变晶体中传播时,各分量成分光束都能稳定传播。     

基于集成最小二乘支持向量机方法的近红外光谱分析

针对近红外（Near Infrared,NIR）光谱测量中的小样本问题。本文提出了一种集成最小二乘支持向量机（Ensemble Least Squares Support Vector Machine,ELS-SVM）新算法。首先使用随机子空间算法（Random Subspace Method,RSM）原始高维变量空间划分为若干个低维度的子空间,然后分别在各个子空间建立最小二乘支持向量机（LS-SVM）模型,最后构造一个集成结果来进行预测。针对一批柴油样本的实验结果表明,本法对柴油十六烷值的预测精度优于传统的LS-SVM方法。     

Combining clustering and classification for remote-sensing images using unlabeled data

A joint clustering and classification approach is proposed.This approach exploits unlabeled data for efficient clustering,which is applied in the classification with support vector machine(SVM) in the case of small-size training samples.The proposed method requires no prior information on data labels,and yields better cluster structures.Through cluster assumption and the notions of support vectors,the most confident k cluster centers and data points near the cluster boundaries are labeled and used to train a reliable SVM classifier.Our method gains better estimation of data distributions and mitigates the unrepresentative problem of small-size training samples.The data set collected from Landsat Thematic Mapper(Landsat TM-5) validates the effectiveness of the proposed approach.     

齐次平衡法寻找广义Caudrey-Dodd-Gibbon-Kaeada方程的多孤子解

利用齐次平衡法寻找Hirota变换,再通过Hirota变换将方程转化为Hirota双线性形式,进一步解释两种方法之间的联系,并得出将一些方程转化为Hirota双线性形式的一般步骤.