离子色谱法鉴别泔水油与合格食用油研究

餐饮废弃油俗称泔水油,是地沟油的主要来源,严重威胁了人民群众的食品安全和健康;因此建立一种方便快捷的泔水油鉴别方法迫在眉睫。实验随机收集餐馆的废弃粗泔水油作为原料,模拟泔水油的精炼过程进行脱色脱臭处理,使用适量正己烷和合理超声时间来优化前处理过程,利用离子色谱法测定不同精炼过程氯离子浓度变化,以及与合格食用油的浓度差别,达到鉴别目的。实验结果表明,通过正己烷的适量加入以及合理的超声时间,降低了油相黏度,油样与水达到了足够的混合程度;且超声后静置分层时水油界面清晰,不仅提高了氯离子的萃取量,而且缩短了萃取时间,达到了优化目的,建立了一种快速准确鉴别泔水油和合格食用油的方法。     

基于内容特征的碎片拟合算法研究

针对碎片拟合过程中存在大量由碎纸机形成的相似、相近甚至相同的碎片边缘,再好的边缘拟合算法也难以正确选择唯一候选碎片边缘的问题。提出了基于碎片中文字、图、表等内容信息在碎片边缘留下的内容特征,判定与目标碎片匹配候选碎片的思路。界定了特征点、特征向量等碎片内容特征的概念,给出特征点、特征向量的提取算法以及基于内容的碎片拟合算法。实验结果表明该算法正确、有效,为计算机自动合成碎片奠定了基础。     

基于随机森林的公路隧道CO气体浓度预测模型

汽车尾气的主要成分是CO气体,是公路隧道通风设计的一项重要参数。准确、快速地预测隧道内CO气体浓度,能够为隧道通风控制提供有力参考,有助于CO气体浓度的及时控制,对保障隧道内人员的健康、安全和隧道绿色节能十分必要。采用公路隧道实地监测CO气体浓度数据,建立了以监测点位置、交通量、车速、风速为输入特征的公路隧道CO气体浓度预测随机森林模型。通过整理3 300 m长隧道CO气体浓度数据,对比了CO气体浓度实测数据与模型预测值,验证了模型的预测精度。结果表明,基于随机森林建立的CO气体浓度预测模型具有良好的预测精度,能够准确地预测隧道内CO气体浓度,测试集的均方根误差(root mean square error, RMSE )和决定系数(R2)分别为0.4974和0.9437;该预测模型性能显著优于线性回归模型和支持向量机模型;预测模型能够推广应用于其他隧道的CO气体浓度预测,对应的RMSE和R2分别为0.9095和0.7295,可以在已知测点位置、交通量、车速、风速的情况下预判隧道内CO气体浓度,为隧道通风控制或安全预警提供数据参考;特征重要性分析结果显示,测点位置对隧道内CO浓度的影响最大,在隧道出口处CO气体浓度值最高;随着风速的增大,隧道内CO气体浓度逐渐减小。     

心算负载任务对事件相关电位信号特征影响的研究

事件相关电位是神经科学研究中重要的一种认知电位,也是脑机接口中常用的特征信号之一。心算任务引起的心理负载能够诱发事件相关电位。常用的信号特征主要为时域波形特征。无法全面分析评估特征特点。研究中设计了三种心算任务,时域上研究诱发的事件相关电位的波形特征,频域上利用格兰杰因果关系分析方法研究任务脑功能网络连接,探讨三种心算任务诱发事件相关电位特征信号的效果和特点。为构建基于ERP特征信号的脑机接口新范式提供理论依据和技术支持。     

基于符号编码的雷达脉冲重复间隔调制识别

为了有效地实现在小数据脉冲样本和高脉冲丢失的环境下对雷达脉冲重复间隔(Pulse Repetition Interval,PRI)调制类型的准确识别,采用符号编码理论对雷达脉冲PRI序列进行符号化处理,对得到的编码序列进行修正以及特征码序列的选取、搜索和统计,最后依据相应的判决规则得到最终的识别结果。仿真实验表明,与传统的方法相比,采用的方法有效地克服了小数据脉冲样本和高脉冲丢失环境对雷达PRI序列的特征提取和调制类型的识别所带来的不利影响,为解决这一问题提供了一种新的思路。     

基于双目视觉的部分遮挡行人检测算法

针对行人被障碍物部分遮挡导致的检测准确率降低问题,本文提出了基于多特征融合的树形路径半全局立体匹配的部分遮挡行人检测算法。本方法使用SLIC算法进行超像素分割,提升行人的轮廓信息,并使用多特征融合的树形路径半全局立体匹配算法生成深度图;对行人信息和背景信息及障碍物信息使用自适应分割算法进行分离,获取感兴趣区域;将感兴趣区域放置在行人特征明显且稳定的头肩部,进行感兴趣区域的约束;使用降维HOG进行特征提取并生成样本集,训练SVM分类器,最终实现部分遮挡的行人检测。实验表明,本文算法与其它行人检测算法相比,在行人部分遮挡场景下,有着更高的行人检测准确率,证明本文算法的有效性。     

基于图注意力和特征融合的链路预测方法

链路预测是一种还原网络缺失信息的方法，通过当前已观察到的链路，预测实际存在但未被观察到的链路或可能出现的新链路.当前链路预测主要是基于图神经网络的深度学习方法，相比基于规则的启发式方法，前者可有效利用网络拓扑结构信息，较大地提升了网络链路预测性能，并可应用到类型更广泛的网络中.但是现有基于图神经网络的方法，仅利用网络中节点相对位置信息，忽视了节点基本属性和链路的邻居信息，且无法区分不同节点对链路形成的重要程度.为此，本文提出一种基于图注意力网络和特征融合的链路预测方法.通过增加节点的度、链路的共同邻居数量和共同邻居最大度等特征，丰富了网络的输入特征信息.本文首先提取以目标节点对为中心的子图，然后将其转化为对应的线图，线图中的节点和原图中的链路一一对应，从而将原图节点和链路信息融合到线图的节点中，提升了特征融合的有效性和可解释性.同时本文使用图注意力机制学习节点的权重，增强了特征融合的灵活性.实验表明，本文所提出的方法，在多个不同领域数据集上的AUC和AP均超过90%,在已观测链路缺失较多时，预测性能保持80%以上，且均优于现有最新方法.