简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.
简介:建立了花生中10种农药残留的快速分析方法。样品用乙腈水均质提取,盐析分配,提取液经Envi-18和LC-NH2复合固相萃取小柱净化后供超高效液相色谱-串联质谱仪(UPLC-MS/MS)分析,电喷雾离子化正离子方式(ESI+)及多反应监测模式(MRM)进行测定,基质匹配标准溶液外标法定量。在最优条件下进行测试,所测项目方法的定量限(S/N≥10)均小于0.01mg/kg。在加标水平为0.01mg/kg、0.05mg/kg和0.20mg/kg时,方法回收率为71.1%~112%,相对标准偏差为4.5%~17.8%。