基于抽样和规则的不平衡数据关联分类方法

不平衡数据的出现给传统关联分类算法带来了巨大的挑战.为了提高关联分类方法对不平衡数据集的分类精度,本文分别从数据和规则层次着手,提出了关键值抽样法(key value sampling,KVS)和规则验证法(rule validation,RV).关键值抽样法通过增加与少数类相关性强的数据,减少与多数类相关性弱的数据来达到数据类分布平衡.避免了大量有效信息的流失,并且增强了与少数类相关性强的数据信息.规则验证法对初步生成的分类器进行了规则验证,并对分类性能不好的规则进行调整,从而保证了分类器中规则的质量.实验表明,本文中的研究方法能够有效提高关联分类方法处理不平衡数据的精度.     

马来腈修饰的钡离子荧光传感器

通过荧光发射光谱测试探讨了对氰基苯-马来腈希夫碱对不同金属离子的选择识别性能。系统的光学性质研究得知：在乙腈水溶液中,对氰基苯-马来腈希夫碱与Ba²⁺以1∶1的化学计量比络合后,其在435 nm位置最大荧光发射强度增加了1.92倍,并伴随19 nm红移到454 nm,表明该化合物对Ba²⁺具有明显的荧光检测信号响应,最低检测限为4.2μM;金属离子及酸性环境干扰实验显示对氰基苯-马来腈希夫碱具有良好的抗干扰性能。结果表明,对氰基苯-马来腈希夫碱可灵敏检测中性和酸性环境中Ba²⁺的潜能。在实际样品中的应用表明,对氰基苯-马来腈希夫碱能有效地检测实际水样中的Ba²⁺。