近年来, 深度学习在数据挖掘领域研究较多, 深度学习中的集成学习算法也越来越多地应用到分类和定量回归中, 但是, 集成学习算法在红外光谱分析领域的应用研究较少。 提出一种基于Blending模型融合的集成学习定量回归算法, 利用GBDT算法、 线性核支持向量机(LinearSVM)和径向基核支持向量机(RBF SVM)作为基学习器, 将基学习器预测结果通过LinearSVM模型完成数据融合。 以公开数据库中的药片和柴油近红外光谱数据为研究对象, 首先对光谱数据进行一阶导数预处理, 分别采用单核支持向量回归模型、 GBDT模型和Blending集成学习模型, 将模型预测结果进行分析比较。 药片活性物含量和硬度性质采用RBF SVM模型的预测结果最优, RMSEP最小, RPD最大; 其次为Blending集成学习模型; GBDT模型预测结果最差。 药片质量采用Blending集成学习模型预测的R2最高, 达到0.837 4; RBF SVM的RMSEP最小, 为2.140 6, RPD最大, 达到7.487 8; LinearSVM的预测结果最差。 对于柴油沸点、 闪点和总芳香烃三种性质, Blending模型预测效果最好, 优于三种单模型预测结果。 对于十六烷值, GBDT模型和RBF SVM模型预测结果优于Blending集成学习模型。 对于密度, 仅GBDT模型优于Blending集成模型, 并且, 使用单模型和集成模型的预测结果均较为理想, 除了LinearSVM模型R2为0.944 5, 其他模型R2均高于0.99。 对于冰点的预测, RBF SVM和LinearSVM的预测效果优于Blending集成学习模型。 对于黏性性质的预测, 仅RBF SVM的预测效果优于Blending集成算法模型。 由结果可以看出, 由GBDT, LinearSVM和RBF SVM集成的Blending模型由于融合了单模型的特征, 与单模型相比, 预测效果较优或者最优, 证明集成学习Blending模型用于红外光谱定量回归具有较强的适用性, 且具有较高的预测精度和泛化能力, 对于进一步研究集成学习算法在红外光谱定量回归中的应用具有重要的意义。

随着我国交通服务行业的发展, 火车票票面信息的自动化识别已经成为提升铁路服务效率的重要手段, 针对票面信息识别系统中获取火车票方向不一致的问题, 本文提出了一种基于特征区域聚类下Radon变换的方向检测算法。首先, 算法通过k均值聚类对火车票图像进行聚类分块, 消除复杂背景的干扰, 提取到火车票信息区域; 然后, 通过数字形态学闭运算结合图像块操作保留能够反映火车票位置信息的图像方向特征区域; 最后, 利用改进的Radon变换检测出火车票的倾斜角度。实验结果表明: 该算法的矫正正确率为97.8%, 矫正的时间为16.79 s; 该算法能够消除图像复杂背景、方向特征区域领域像素点对方向检测的干扰, 能够对全角度任意方向的火车票图像进行方向检测, 具有较高的实用价值。

为了研究MgO晶体和二次电子发射效率间的关系, 分析了直接沉淀镁盐法生成Mg(OH)2以及三段式温度煅烧Mg(OH)2制备MgO晶体的过程, 并使用扫描电镜和XRD对制成的MgO晶体进行了表征。在此基础上, 采用第一性原理对MgO晶体的能带结构和态密度进行了计算, 分析了晶体表面的结晶取向对MgO二次电子发射系数的影响。实验结果表明, 本方法制备的MgO为立方晶体, 且晶粒尺寸均匀分布在40.65 nm附近, 晶面取向为(200)、(111)、(220), 并沿(200)取向择优生长。常见的(110)、(100)和(111)三种晶面取向中, 表面(110)取向的MgO晶体禁带宽度最低, 材料表面的二次电子发射系数相对较高。