摘要：近红外光谱分析技术依赖于表征光谱向量和预测目标之间关系的化学计量学方法。然而,样品的光谱由信号和各种噪声组成,传统化学计量学方法较难直接提取光谱的有效特征,并为复杂的预测任务建立具有较强泛用性的校正模型。进一步地,受限于仪器间的差异,在一台仪器上建立的模型应用于另一台仪器时,难以取得相同的定量分析结果。为此,提出了一种基于卷积神经网络和迁移学习的定量分析建模及模型传递方案,以提高模型在单仪器和跨仪器上的预测性能。在卷积神经网络的基础上,一种结合多尺度特征融合和残差结构,名为MSRCNN的先进模型被设计,并在主仪器上展现了卓越的预测能力。然后,设计了四种的基于fine-tune模型迁移策略,将在主仪器上建立的MSRCNN模型迁移到从仪器。在药品和小麦的公开数据集上的实验结果表明,MSRCNN在主仪器上的RMSE和R 2分别为2.587,0.981和0.309,0.977,优于PLS,SVM和CNN。在利用30个从仪器的样本微调主仪器建立的模型后,迁移MSRCNN中的卷积层和全连接层的方案取得了最好效果,其RMSE和R2可分别达到2.289,0.982和0.379,0.965。增加参与模型微调的从仪器样本,可进一步提高性能。

摘要：近红外光谱(NIR)分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象,建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM,BP,AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。

摘要：在工程造价估算过程中,施工规范应作为确定工程定额单价和招标单位所给定的报价工程量的主要计算依据,而不能以设计图纸的几何尺寸计算确定工程项目和数量。否则,不但直接影响工程造价的合理估算,还会导致招投标失败。

摘要：拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络(DCGAN)提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法——偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验:(1)使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;(2)使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;(3)采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;(4)使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。

摘要：针对并行计算技术在当前图形渲染系统中应用层面较浅的问题,为提高多核平台下图形应用程序CPU利用率,提出了一种新的Fork-Join多线程渲染方案。对当前流行的开源图形渲染引擎——OGRE引擎的渲染框架进行了多线程优化,用OpenMP方法对图形引擎的逻辑帧实现并行化,根据Win32线程库和DirectX11的多线程支持提出了一种渲染帧并行化方法,并将其应用于图形引擎。在多核平台上的实验结果表明,该方案能有效提高渲染速率和CPU利用率,改善CPU负载均衡。

摘要：针对气相色谱质谱联用(GC-MS)数据处理过程复杂且计算量大、处理时间过长而严重拖延实验进度的问题,以多样本保留时间对齐为例,设计了基于分布式平台Sector/Sphere的GC-MS数据处理并行框架,实现了多样本并行对齐算法。首先分布式计算所有样本的相似度矩阵;然后依据层次聚类原理将原样本集划分为小样本集,分布式对齐各小样本集内部的样本;最后以各小样本集的平均样本作为对齐依据合并各样本集的对齐结果。实验结果表明:多样本并行对齐算法的错误率为2.9%,由4台PC组成的集群处理大量样本时,最高加速比达到3.29;能够在保证较高正确率的前提下提升计算速度,解决处理时间过长的问题。

摘要：目前网络教育软件存在着开发平台不同,异构数据种类繁多等众多问题,尤其在集成与移植方面,使网络教育软件难以完成从设计、开发、应用到大规模集成服务的快速部署及实现的过程。本文通过将WebService技术与网络教育相结合,发挥SMIL多媒体流控制与QoS服务的作用,建立具有安全机制的Web Service分布式网络教育软件,实现跨平台的网络教育模式和异构网络的教育服务集成以及教育资源的共享式分布。

摘要：为解决近红外分析仪与自动控制系统通信的难题,提出一种运用OPC技术实现近红外在线分析系统与现场自动化设备进行数据双向读写的通信方法。该方法参考OPC技术规范,采用面向对象的设计思想,结合适配器模式与桥接模式封装OPC自动化接口,采用异步通信方式实现OPC客户端与OPC服务器的无缝通信,并成功应用于中药生产过程,实现提取等关键生产过程的近红外在线分析与智能监控。