关键词： 局部放电   高压开关柜   威布尔分布   放电严重程度   分类识别  

摘要： 在电力系统中,开关柜是负责接收和分配电能的设备,是重要的中间设备,是电力系统的“中转站”,起着枢纽作用。保证开关柜的正常运行是保障电力系统运行稳定性的关键。在长期运行中开关柜内由于电、热、化学等因素将导致局部放电现象,可能引发绝缘故障发生。为此,本文针对开关柜内局部放电信号的统计特征及分类识别进行了研究。搭建了高压开关柜局部放电实验平台,设计了超声传感器、TEV传感器以及工作现场中典型的放电模型,通过模拟开关柜内部局部放电,获取了不同电压等级下超声、TEV的局部放电信号数据,为后续局部放电数据样本特征统计分析以及分类识别提供数据支持。进行了局部放电数据样本特征统计分析,获得了表征局部放电严重程度的阈值参数。首先基于实验获得的不同电压下超声、TEV局部放电信号数据,采用脉冲峰值识别方法,处理获得了实验所取得的超声、TEV局部放电信号数据的幅值信息。然后对比6种概率分布情况的检验程度参数,选择了威布尔分布和最小极值分布对开关柜局部放电超声、TEV信号进行统计特征分析,基于局部放电信号幅值与形状参数、尺度参数之间的关系分析,提出了局部放电严重程度的阈值划分依据,确定了开关柜局部放电状态分类阈值参数。采用支持向量机和BP神经网络对相同数据样本下的超声、TEV信号进行了放电严重程度分类识别。首先,提取超声、TEV放电信号特征量,进而对比考察了支持向量机和BP神经网络两种识别模型下的放电严重程度的识别率。结果表明,支持向量机和BP神经网络都能够非常有效地识别出没有发生放电,BP神经网络的放电严重程度识别率要略优于支持向量机。分类识别结果在一定程度上也验证了威布尔分布阈值参数的正确性。

关键词： 新冠肺炎   深度学习   模式识别   平板探测器   胸片架  

摘要： 近几年,新型冠状病毒肺炎(COVID-19)成为了全世界感染最严重的流行病,人类可能长期与其病毒共存。新冠病毒因其强大的传染力,使各个国家的医疗系统面临着强大考验。传统的核酸检测结果需要等待一定的时间,而肺部影像的人工诊断过于依赖专业知识,在面临严重的疑似患者时,则需快速诊断从而能够得到及时治疗。DR系统中的平板探测器在接收X射线后提供了肺部有效的图像特征,医护人员可以从图像上判断肺部的感染情况。然而,在医疗资源不足、面积有限的基层医疗单位或面临大量患者的情况下,如何实现高效的新冠肺炎诊断成为了一个难题。在此背景下,实现准确且快速地对患者进行辅助诊断,可利用相关适用设备与图像识别算法。本文对目前的DR系统进行了系统阐述,为了能够辅助医护人员进行诊断,主要以新冠肺炎的图像识别进行研究,设计了新冠肺炎图像的识别算法。同时,为便于平板探测器对X射线的接收,设计了一种多功能的胸片架结构以拓展平板探测器的使用范围。相关的深度学习框架和仿真软件为此研究提供基础。为实现新冠肺炎的图像识别,采用Tensor Flow深度学习框架和开源的肺部图像数据集以设计图像识别算法。基于深度学习算法,采用Res Net-50作为模型的骨架网络进行下采样,U-Net的解码器进行上采样,对图像的肺部区域进行分割,从而排除非肺部区域的图像特征信息对识别效果的影响,对比其他网络作为骨架网络,其分割的准确率达到90%以上,更优秀。为在小型模型上实现新冠肺炎的精确诊断,对分割出的肺部区域,采用Efficient Net-B0网络进行识别,Efficient Net-B0网络有效识别出新冠肺炎、正常、病毒性肺炎3种病变。实验表明,对比其他识别网络,Efficient Net-B0更加简洁、高效,在各种阈值下,该模型的综合评价指标AUC达到99.9%,高于Inception-V3、Xception等识别网络。DR系统中的平板探测器接收X射线后并成像,胸片架作为平板探测器的装夹器械,通常只能使平板探测器上下移动。因此,本文最后设计了一种多功能的胸片架,其简便、易用,可适应多种拍摄情况。在此基础上,对识别模型进行可视化部署。新冠病毒的广泛传播使许多国家的基层医疗机构面临极大挑战。本文设计了新冠肺炎图像识别算法以提高基层医疗单位的诊断效率,可为相关疾病检测提供参考。

关键词： 模式识别   图匹配   神经网络   整数线性规划   深度图匹配  

摘要： 图匹配旨在建立两个图之间的结点映射关系,是一个经典的NP难组合问题。近几年,大量的研究者开始借助深度学习技术来构建端到端的可训练架构,以此对图匹配问题进行求解。这一端到端的管道架构被称为深度图匹配模型,其包含两个重要模块,图表示学习模块和图匹配问题求解器。然而,在目前深度图匹配模型研究中,存在着两个待解决的重要问题。第一,主流的深度图匹配模型通常对图匹配问题进行连续松弛,以使得模型可以基于梯度下降法来优化可训练参数。但是目前没有研究说明,基于学习的求解技术是否应该对图匹配问题进行连续松弛,以及图匹配问题的求解质量与模型的匹配精度存在什么联系;第二,图表示学习模块对手工构造的简单图的学习能力有限,导致结点的嵌入表示可区分性差,使得结点亲和力度量不准确,最终导致模型的匹配精度受损。本文的研究内容围绕着深度图匹配模型的两个重要模块开展,并针对上述两个关键问题,结合整数线性规划和图表示学习技术,研究基于可微整数规划的深度图匹配模型。同时,本文以关键点匹配任务为应用背景,定量地评估本文研究工作的有效性。具体研究内容和主要贡献如下:(1)本文首先对深度图匹配模型中的松弛图匹配方法展开分析和研究,提出了两个重要猜想。第一,深度图匹配模型的输出与图匹配问题的最优解是等价的,都是描述目标之间的真实映射关系。第二,图匹配的连续松弛会损失图匹配问题的求解精度,而这种损失是难以通过图嵌入技术弥补的。通过三个实验对上述两个猜想进行了验证,其结果表明图匹配问题的求解质量与模型的匹配精度呈正相关。并且,由于应用了图嵌入技术学习结点的高阶嵌入表示,降低了结点相似性度量的难度,因此适当的放松图匹配的约束条件是可行的。(2)在研究(1)的基础上,本文给出了精确求解图匹配问题的MILP公式,并设计了一个可微整数线性规划求解器(DIP)进行求解。该求解器通过质量感知求解算法对MILP公式进行计算,然后借助隐式插值技术来构造有意义的梯度信息,以实现将其作为黑盒嵌入到可训练的网络架构中。为了检验DIP的有效性,同时验证(1)中提出的两个假设,我们为现有模型装配上该求解器,并称这一改装后的模型为DIP-GM。实验结果表明DIP具备可扩展性,可以在网络训练中作为黑盒使用,并且提高了深度图匹配模型的匹配精度。(3)经过(1)(2)的研究后得知,深度图匹配模型的匹配精度极大程度地依赖图表示学习模块的特征学习能力。因此,本文从提升图表示学习模块的学习能力出发,设计了一个基于自注意力机制的图嵌入网络GSAN。该网络由空间编码器和多头注意力机制组成。首先,网络使用空间编码器将结构信息嵌入到结点的表示向量中,然后,利用多头注意力机制学习所有结点之间的关联性,以细化结点特征。同时,为了增添更多的全局信息,我们还引入结点介数作为补充特征。(4)整合上述三项研究工作,本文最终设计了一个基于可微整数线性规划求解器的端到端可训练架构,称之为GSAN-GM。GSAN-GM首先使用GSAN进行图嵌入,获得结点的高阶嵌入表示。接着根据得到的结点表示向量构建边的表示向量,并进行结点亲和力度量和边亲和力度量。最后,利用求解器求解图匹配问题,并将得到的解作为模型的结果返回。本文在两个公共图像数据集上训练和验证GSAN-GM的有效性,其结果表明不仅具有跨类别的泛化能力,还能够处理大小不同的输入图。同时,GSAN-GM的平均匹配精度超过了大多数的深度图匹配模型,并且在自行车、公共汽车、桌子等多类任务上的匹配精度优于最先进的匹配精度。

关键词： 鸡蛋   有机食品   高光谱成像技术   光谱预处理   光谱降维   模式识别  

摘要： 当前我国有机食品行业快速发展,体现出消费者对食品质量安全的重视以及国家对可持续农业生产方式的倡导。大量传统农产品的生产已逐步转为有机农业生产,鸡蛋生产也不例外。有机蛋鸡的饲养需满足严格的有机畜禽养殖规定,相比于以商业饲料为主生产的普通鸡蛋,有机鸡蛋因为富含丰富的营养价值和更高的生产成本所以市场上的售价也更高。目前,市场上销售的有机鸡蛋虽然均通过了严格的有机食品认证程序,但仅凭有机食品认证标识依旧不能阻止不法分子利用普通鸡蛋来冒充有机鸡蛋销售,从而牟取利益。已有一些学者通过分别提取有机鸡蛋与普通鸡蛋的内容物,分析多种理化指标来对其进行区分。为保证消费者的权益和有机鸡蛋生产商的利益,本文基于高光谱成像技术结合模式识别方法,建立了有机鸡蛋与普通鸡蛋鉴别模型,实现了对鸡蛋饲养系统快速、准确、无损的鉴别,主要内容如下:(1)基于数字图像处理技术、光谱数据预处理方法与光谱数据特征波段筛选算法实现了对鸡蛋样本高光谱数据的ROI区域光谱数据的提取和分析。搭建实验室高光谱透射成像架构,分别获取两类鸡蛋样本的高光谱数据。利用高光谱数据中的图像信息,通过数字图像处理方法实现对蛋清、蛋黄ROI区域的自动定位。提取出各ROI区域的平均光谱数据,基于训练集数据波段点的方差信息保留了有效信息波段点,排除强噪声与无效信息波段点。对提取出的光谱数据进行S-G卷积平滑、一阶导数、二阶导数和多元散射校正的光谱数据预处理操作。为缩小变量范围,建立PLS模型选择经一阶导数预处理后的蛋黄ROI区域数据做重点分析。然后为减轻建模复杂程度并提升模型预测准确力,对光谱数据进行降维操作,使用SPA特征波段选择算法从全波段点中选出包含128个波段点的最佳波段组合,占总波段数的63%。使用CARS特征波段选择算法从全波段点中选出包含115个波段点的最佳波段组合,占总波段数的57%。(2)基于SVM、SCN与1D-CNN模型,建立有机鸡蛋与普通鸡蛋的鉴别模型,实现了对鸡蛋生产系统的鉴别工作。根据鸡蛋的不同来源,将鸡蛋以3:1的比例划分为训练集样本和测试集样本。使用经一阶导数预处理后的蛋黄ROI区域的原始光谱和经SPA、CARS特征波段选择后的光谱数据,分别建立基于支持向量机、随机配置网络和卷积神经网络的有机鸡蛋与普通鸡蛋鉴别模型。在建立的SVM模型中,CARS-SVM模型在测试集数据上的表现最好,预测准确率为90.75%;在建立的SCN模型中,CARS-SCN模型对测试集数据的表现最好,预测准确率为89.5%;最佳模型在1D-CNN模型中得到,其中SPA-1D-CNN模型为在所有模型中的表现最好,测试集数据的预测准确率为91.75%。1D-CNN的模型结构、优化器选择、初始学习速率、Batch-size等参数均根据多次预试验确定,相比于传统的机器学习技术与浅层神经网络,CNN模型稳定性更好且具有较强的泛化能力,可以用来建立准确、可靠的有机鸡蛋与普通鸡蛋鉴别模型。(3)基于MATLAB的图形用户界面开发设计了有机鸡蛋与普通鸡蛋鉴别软件,完成软件界面设计与功能实现,以形象、直观的方式实现对鸡蛋类别的分类。

关键词： 谱激电法   时谱激电法   K-L变换   模式识别  

摘要： 时域激发极化法(TDIP)是根据岩、矿石的激发极化效应来解决相关地质等问题的电法勘探方法。其在金属矿、能源、水文、工程以及环境等领域的地质勘查工作中发挥了重要作用。然而,实际工作中所观测到的激电效应成因复杂,大量矿产激电勘查结果表明,高极化异常既有金属矿床反映,也包含石墨化或黄铁矿地层的影响,此外,工程、水文与环境勘查工作中包含大量难以识别、分辨的弱极化异常,这些激电干扰因素,使得TDIP在实际应用中存在局限性。大量相关研究表明,通过极化体不同状态的时间谱特征参数,可以较好的地识别、分辨极化异常。为了全面准确的识别和评价异常体,研究者们进一步研究并应用了极化体的激电谱特征,即不同极化体存在着不同状态的时间谱特征。时间域谱激发极化法(简称时谱激电)是TDIP主要发展方向,其特点是观测大地的时变电阻率谱(或激电场的衰减曲线)并分析时间谱特性差异,来实施勘查工作。其观测响应特征规律与岩石结构、地层构造及岩石成分等高度相关,通过识别不同类型的时谱参数,获得丰富的地质信息,继而进行构造分析和岩性识别。当前,用于极化异常识别的时间谱分析方法主要包括半衰期、偏离度、基于Cole-Cole模型的特征参数反演等。但半衰期和偏离度的应用前提是假设极化率或二次场呈线性变化,难以精确反映时间谱的特征规律。Cole-Cole模型参数反演通常是基于最优化法的,由于最优化法本身的多解性以及时间谱衰减特征的相似性,导致其求解并不稳定。激电场时间谱是由不同观测时间的极化率组成,多个时间道的数据尽管具有普遍的相似性但仍存在个体特征,所以具备一定的统计学规律,故而相关多元统计分析方法在该类问题上具有统计归类的潜力。K-L变换是一种正交变换,适用于任意概率密度函数,可用于消除各分量之间的相关性,通过协方差矩阵特征值和特征向量进行信息有效地压缩等。基于K-L变换可以描述时间谱同一观测序列中的多个观测数据,可避免反演多解性强的问题。本文以识别和区分不同激电效应的时变状态为目标,将激电场时间谱视为统计学上的待识别模式,选用K-L变换压缩原理建立激电场时间谱分析方法。该分析方法针对不同时间的激电效应样本及时变状态模式,通过减少激电时间谱的特征数量,即减少激电时间谱的特征空间维数,获取关于激电场时间谱的统计分析结果,以用于识别和分辨不同类型的极化异常。根据上述方法理论,基于Matlab语言编写了实用程序,对理论数据进行了试算分析以验证方法的可行性、适用性和稳定性,并进一步对金属矿、水文激电勘查所得实测数据进行了处理解释分析。结果表明,基于K-L变换的时谱分析方法是可行的,其可以消除时间谱模式特征之间的相关性,并突出了其差异性,实现了对极化异常的时间谱识别。本文所得成果可以为寻找极化异常体提供参考,为勘探工作提供技术支撑,为分析激电时间谱提供更便捷的方法。

关键词： 燃烧状态   模式识别   燃烧模式   典型样本库   工况划分   小波包变换  

摘要： 近年来,我国能源架构的转变及双碳目标的提出给燃煤机组的发展带来了新的挑战,迫切需要燃煤机组提高自身灵活性,更好地满足市场需求。随着互联网加大数据时代的到来,以人工智能技术为代表的先进技术已广泛应用于电力行业中,提高了电厂自动化、信息化和数字化的水平,促进了智慧电厂的建设。基于大数据分析的燃烧优化技术已成为实现燃煤机组安全、经济、环保、稳定运行的新方式。本文从现场历史运行数据出发,围绕着如何选取燃烧状态相关参数、识别燃烧状态模式和建立多燃烧模式典型样本库做了如下研究:首先,研究了表征燃烧状态参数的选取问题。由于电厂运行参数的非线性和高维性,针对经典相关分析方法无法直接获得热工参数间的相关特性,采用多尺度相关分析方法。依据运行参数在不同频段上呈现不同的波动相似性,利用小波包变换的频率分解特性将运行参数分解为不同的频率分量,通过对比分析现场众多运行参数在不同频段上的相关性强弱,选取总燃料量、炉膛负压、给水流量、再热汽压和空预器入口烟气温度作为表征燃烧状态的信号。其次,研究了锅炉运行工况划分及典型工况的选取问题。由于多燃烧模式典型样本库是基于工况匹配设计的,因此依据磨煤机的启停状态,参考锅炉实际运行规程划分了锅炉运行工况。在此基础上,为降低典型样本库建立的复杂性和减少典型工况选取的主观因素,提出了一种基于移动最小二乘法的典型工况选取方法。通过计算随机工况组合的拟合数据与原数据间的误差,结合燃烧调整实验成本,从26个机组运行工况中选出了13个典型工况。然后,研究了燃烧状态的模式识别与样本库建立的问题。在典型工况的稳态区间中根据优化目标不同进行了燃烧状态模式的识别,对于识别综合最优模式,利用锅炉效率和发电煤耗的关系、脱硝入口NOx浓度和尿素流量的关系构造了经济性指标函数;对于识别深调峰最优模式,提出了一种了基于状态参数的多级模糊综合评判法。通过构建状态参数的综合评判模型来获取表征锅炉低负荷燃烧稳定程度的判定值,对比判定值完成对深调峰最优模式的识别。在不同的模式下,通过挖掘风门开度、氧量等操作参数的运行规律,获取使对应的状态参数达到最佳的操作参数值,通过整合不同模式下的参数样本完成多燃烧模式典型样本库的建立。最后将论文研究成果应用于陕西JJ电厂660MW机组的智能燃烧控制系统中,通过分散控制系统完成了工况划分组态、燃烧模式划分组态和典型样本库建立组态的搭建和系统画面的设计。

关键词： 图像重构   连续正交矩   鲁棒水印   模式识别   神经网络  

摘要： 随着网络和信息技术的飞速发展，数字图像处理技术与人们的日常生活与工作融合越来越密切。目前，图像矩已经成为数字图像处理领域的研究热点，特别是连续正交矩(ContinuousOrthogonalMoments,COMs)在其中扮演着至关重要的作用。COMs是一种非常有效的多畸变不变图像特征。由于其优秀的几何不变性和全局特征描述能力，COMs被广泛的应用于图像处理领域的目标识别、图像重构、图像检索、数字水印和边缘检测等方面。经过广大科研人员的不懈努力，COMs的研究已经得到较大的进展，但仍存在一些阻碍COMs广泛应用的瓶颈问题，包括：(1)数值不稳定、(2)数值积分误差、(3)彩色图像处理未能保留颜色通道内部关系、(4)无法处理彩色立体图像等问题。为了推动COMs技术的进步和发展，本文致力于解决以上问题。本文主要工作如下：　　(1)提出了一种分数阶连续正交矩(Fractional-orderContinuousOrthogonalMoments,FrCOMs)的构造方法。传统整数阶COMs存在数值不稳定与数值积分误差问题，严重限制了COMs的性能，本文提出了一种FrCOMs的构造方法，推广至分数阶的COMs有效的缓解了数值不稳定问题。但FrCOMs的传统计算方法产生的数值积分误差依旧影响着FrCOMs的精度，为此本文结合高斯数值积分(GaussianNumericalIntegration,GNI)提出一种适用于FrCOMs的精确计算方法，有效降低了数值积分误差。大量实验结果表明，GNI方法可使FrCOMs的图像重构、稳定性等多个方面的性能得到显著提高。　　(2)提出了一种分数阶四元数连续正交矩(Fractional-orderQuaternionContinuousOrthogonalMoments,FrQCOMs)的构造方法，并提出了一种基于FrQCOMs的目标识别方法。虽然COMs理论近年来得到了广泛的研究，但它主要集中在灰度图像方面。由于彩色图像比灰度图像提供更多的信息，彩色图像的应用更为广泛。传统的彩色图像处理方法主要是基于RGB分量分解或灰度化，忽略了彩色图像的RGB分量之间的关系，影响了彩色图像处理的准确性。本文将四元数理论与FrCOMs相结合，构造了一种FrQCOMs。实验表明，这种方法将彩色图像的RGB分量作为一个整体进行描述，有效保留了图像各分量的内部关系，更适用于彩色图像，能够显著提高了COMs的彩色图像重构性能与彩色图像的目标识别准确度。　　(3)提出了一种八元数连续正交矩(OctonionContinuousOrthogonalMoments,OCOMs)的构造方法，并设计了一种基于OCOMs的零水印算法。现有的大多数COMs只能处理平面图像，不适合彩色立体图像处理。为此，本文提出了一种适用于彩色立体图像的OCOMs理论，利用八元数的虚部对彩色立体图像的所有颜色分量进行编码，并将所有颜色分量作为一个整体进行处理，保留所有分量之间的内在联系。OCOMs充分反映和保留了彩色立体图像的左视角图像和右视角图像分量之间的特定相关性，并提供了良好的图像描述能力。实验结果表明，OCOMs在处理彩色立体图像时具有很强的稳定性和良好和重构性能。此外，本文在OCOMs理论的基础上提出了一种彩色立体图像零水印算法，实验证明，与其他零水印算法相比，基于OCOMs的零水印算法具有更强的鲁棒性。　　(4)提出了一种针对COMs水印的神经网络攻击方法。数字水印是COMs的最为广泛的应用场景之一。为抵御常规图像处理攻击与传统几何攻击，研究人员提出了许多优秀的COMs水印算法，使得关于COMs水印算法取得了极大的进步。数字水印技术与水印攻击方法两者是互相促进、相辅相成的。为促进COMs水印算法进一步发展，本文对基于深度神经网络的不可感知水印攻击方法展开研究，提出一种针对COMs水印算法的去除攻击方法。这种去除攻击方法不仅能有效去除水印，而且恢复出原始图像(OriginImage,OI)，且图像质量不会明显下降。本文首先在超分辨率网络残差密集网络(ResidualDenseNetwork,RDN)的基础上设计不可感知水印攻击网络(ImperceptibleWatermarkAttackNetwork,IWAN)，并通过去除含水印图像(WatermarkImage,WMI)的中低频特征的水印信息以达到攻击图像水印的效果。其次为进一步提高此网络的攻击能力，本文创新性的提出了渐进式的预处理方式。同时为保证这种水印攻击方法的高不可感知性，本文结合OI与受攻击水印图像(AttackedWatermarkedImage,AWMI)的感知损失函数和均方误差损失函数(MeanSquaredLoss,MSE)设计了综合损失。最后本文设计了针对不同强度与不同尺寸

摘要： The main monitoring method during labor is cardiotocography, CTG, which measures the fetal heartbeat, FHR, as well as the uterine contractions, TOCO. The CTG is a valuable tool in assessing the fetal status and it is evaluated intermittently by clinicians during the progress of the labor. However, abnormalities in the CTG are often non-specific which makes the interpretation difficult and inconsistent. Therefore, a technical solution that could assist and simplify the assessment would be beneficial. By the use of different machine learning methods, this master's thesis investigates the properties and liaisons between the CTG data and the condition of the newborn baby, i. e., the Apgar score. All model-performance measures are evaluated based on 10-fold cross-validation to reduce bias. The thesis covers three linked areas. Firstly, a peak detection model was implemented to indicate peaks in the uterine contraction curve. The best model was a k-nearest neighbors that had a mean sensitivity of 98.70 (0.42) percent. This model was used for the second part; identifying different stages of labor with two approaches. For the classification of labor stage, the best model was a convolutional neural network with 23 consecutive layers. This model had a mean accuracy of 78.80 (0.80) percent. This step was conducted to enable the machine learning algorithms to be trained and evaluated on CTG data from the same stage of labor. In the last part, the data from the second part were used for predicting the fetal status. The results were discouraging, as the machine learning models did not perform considerably better than the fortuity. The best mean F1 score for classifying high and low Apgar scores was 5.26 (0.43) percent, and it was achieved by a decision tree model. The conclusion of this thesis is that additional research is required to establish the conjunction between CTG data and the status of the fetus. Furthermore, a data set with auxiliary samples of low Apgar scores would p

关键词： 分子动力学   氧化铁晶体结构   力场参数拟合   模式识别   纳米颗粒跨膜  

摘要： 氧化铁纳米材料具有优异的生物安全性和独特的磁响应特性,在生物医学领域发挥着重要的作用。深入理解氧化铁纳米材料结晶过程及其在生物体内与细胞的相互作用,可为优化材料合成工艺、提高氧化铁纳米材料性能、实现临床体内诊疗应用提供理论依据。受当前材料表征技术较低的时间/空间分辨率,以及复杂的细胞生理环境所限,难以从微观尺度对离子聚集、结构相变、纳米材料进入细胞等过程进行实时观测。本文使用分子动力学（molecular dynamics,MD）模拟描述粒子间相互作用及运动状态,探究了氧化铁晶体成核生长及其与细胞膜相互作用的微观机制。首先,基于部分电荷模型与Coulombic-Buckingham势,拟合并验证了氧化铁力场参数。在此基础上,进一步模拟铁氧离子聚集和结构转变的过程,并提出一种基于多种群差分进化算法识别MD模拟体系中局部晶体结构的方法,实现对聚集体中离子排列方式的定量分析。最后,基于MARTINI粗粒度力场论述了温度与聚乙二醇（polyethylene glycol,PEG）表面修饰密度对纳米颗粒（nanoparticles,NPs）跨非对称膜的影响。主要研究内容包括如下几个部分:（1）基于部分电荷模型与Coulombic-Buckingham势,拟合氧化铁力场参数。根据多种氧化铁晶体膨胀/收缩趋势以及每个离子的受力情况,构建目标函数。从计算梯度、求解最优可行方向、搜索最优步长三个方面,改进目标函数求解算法（Zoutendijk算法）,加快收敛速度。在目标函数可行域空间中均匀生成多个初值向量,经初步筛选与聚类合并后作为迭代起始点求解目标函数,以保证在可承受的计算开销下拟合力场参数。得到的力场参数能够准确重现氧化铁晶体结构与力学性质,为研究氧化铁纳米材料的结晶过程奠定基础。（2）使用上述力场参数,模拟铁氧离子聚集与重排的过程。在阴阳离子静电引力作用下,依次加入模拟体系的离子形成氧化铁聚集体。当聚集体中Fe2+离子与O2-离子数量达到50个后,本文拟合的力场参数重现出了聚集体由无序向Fe O晶体结构的转变过程。随着Fe3+离子与O2-离子聚集增多,Fe2O3聚集体整体结构趋于致密,符合氧化铁晶体配位情况的离子(如6配位Fe3+离子和4配位O2-离子)数量逐渐增多,聚集体内部逐渐形成长程有序结构。在Fe2O3聚集体升温（弛豫温度从600 K提高到1500 K）过程中,聚集体逐渐由非晶态或短程有序结构（如ε-Fe2O3）向β-Fe2O3晶相转变。此外,高温环境也能够促进α-Fe2O3与Fe3O4晶体表面吸附的离子重排,有助于晶体外延生长。上述模拟结果均与已报道的实验观测相符,一方面可为氧化铁纳米材料合成工艺的优化提供理论指导,另一方面也体现了本文拟合的力场参数对描述氧化铁体系离子相互作用的优势。（3）为了进一步分析模拟中聚集体结构变化,提出一种基于多种群差分进化算法的局部晶体结构识别方法。该方法以晶体结构作为匹配模板,结合模拟体系的几何结构与拓扑结构定义目标函数。通过多种群差分进化算法获得目标函数最优解,从而识别出模拟体系的局部区域中所有符合晶体有序排列的原子/离子。该方法不仅在对面心立方（face-centered cubic,FCC）、六方堆积（hexagonal closest packed,HCP）、体心立方（body-centered cubic,BCC）等简单晶体结构的识别任务中获得了与共近邻原子分析法（common neighbor analysis,CNA）、多面体模板匹配法（polyhedral template matching,PTM）基本一致的结果,还实现了对刚玉型结构（α-Fe2O3）、反尖晶石结构（Fe3O4）等复杂晶体结构的识别,并且能够将聚集体中晶面取向各异的晶体结构直接分割为独立区域。通过设置算法中的阈值参数,可调控离子的随机热运动对识别结果的影响程度。本文提出的方法仅基于模拟体系与目标结构的空间坐标,理论上能够解决任意结构的识别问题,为MD模拟的结果表征提供新的思路。（4）基于MARTINI粗粒度力场模拟了在不同温度下,多种PEG表面修饰密度的NPs跨非对称细胞膜的过程。结果表明升温缩短了NPs的跨膜时间,主要原因在于较高的温度增加了细胞膜中磷脂分子的结构无序性与横向扩散性。而PEG修饰产生的空间位阻则会抑制NPs的跨膜。在NPs跨膜过程中,PEG分子构象发生剧烈变化,引起“浮潜效应”,以增大NPs表面与细胞膜疏水性区域的接触。表面修饰密度增大将削弱PEG分子的构象改变,促使细胞膜两侧亲水性粒子连通,从而导致膜两侧磷脂分子翻转交换数量增多,对维持膜的非对称性产生不利影响。模拟结果较系统地阐述了温度与PEG修饰对NPs与细胞膜相互作用影响的原因,对磁性纳米材料在磁热疗与化疗协同治疗中的应用具有指导意义。

关键词： 模式识别   隐空间   多模态数据   低秩表示   支持向量机  

摘要： 随着网络技术的快速发展，将模式识别应用到人们的现实生活中越来越受到研究者们的青睐，它能够对各类形式的事物或现象以数学建模的方式进行辨识和分类。早期人们主要对单模态的数据进行模式识别的研究，这类研究存在很大的局限性，单一模态的数据中包含的有用信息是少量的，不足以表达出准确的特征信息，因此会降低数据的分类效果。多模态数据中包含更全面的特征信息，每一种模态的数据资源都可以以无形的方式激发人们接受新知识的能力，不同的模态有不同的作用，若结合多种模态，将不同的特征信息综合起来，则会提升模式识别的整体性能。因此，为了更好地利用不同模态的有用信息，研究者们将模式识别应用在多模态数据分类上，并取得了较好的研究成果。然而将多种不同模态的数据信息混合使用，仍存在一些难点：如何去除多模态数据中的大量冗余信息和噪声信息;如何平衡多模态数据间的关系，改造复杂的信息结构;如何寻找多模态数据中各个维度中的相关性信息，使数据特征得到充分利用;如何解决脑电信号的分类问题。针对上述的问题，本文进行了深入的研究与分析，其主要工作如下所示：　　(1)为了解决多模态数据存在冗余信息、噪声以及如何平衡各模态间与模态内的关系等问题，本文提出了一种基于低秩表示和稀疏自动编码器的多模态数据分类方法（LSC）。该方法首先利用低秩表示的方法对多模态数据进行去噪，并提取潜在特征，解决多模态数据存在冗余信息和噪声的问题。然后，使用稀疏自动编码器融合3种模态的情感特征信息，平衡各模态间与模态内的关系。最后，采用支持向量机（SVM）分类器进行分类。实验证明，LSC在CMU-MOSI多模态数据集上进行情绪识别的研究，取得了较好的实验效果。　　(2)为了解决多模态数据中容易存在噪声和数据特征利用不充分这两个问题，本文提出了一种低秩表示和非负矩阵分解相结合的多模态数据分类方法（LNER）。该方法首先采用低秩表示的方法将多模态数据映射到低维空间，对噪声信息和数据特征进行分割，并提取潜在的个性特征。然后，运用非负矩阵分解将各模态的个性特征信息投影到一个共享隐空间，在该隐空间中各模态的特征信息相关性最大，并提取它们的共性信息。最后，采用支持向量机、K-近邻分类算法和决策树（DT）等分类器进行分类，并对分类结果进行投票汇总。实验证明，该方法具有一定的泛化性，不仅可以用于情绪的识别分类，还可以用于其他多模态数据集的分类研究。　　(3)为了解决脑电信号的分类问题，本文提出了一种非负矩阵分解技术和迁移学习相结合的数据分类方法（NMF-TL）。具体来说，首先，利用非负矩阵分解提取测试数据集和训练数据集中的共享隐空间特征。然后，将共享隐空间特征和原始空间特征相结合，并在源域结合的特征上训练SVM分类器。最后，将训练好的SVM分类器学习到的知识迁移到目标域，对目标域的脑电信号数据集进行识别，得到最终的分类结果。一方面，非负矩阵分解可以保证获得测试数据集和训练数据集之间的基本特征信息;另一方面，共享隐空间和原始特征空间的结合可以充分利用包括测试和训练数据集在内的所有信号。在波恩脑电信号数据集上的大量实验表明，该方法在脑电信号分类方面具有较好的分类效果。