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:目的:本研究采用气相色谱-三重四极杆质谱联用技术,同时结合改进的QuEChERS技术,建立了汽车用胶黏剂产品中16种邻苯二甲酸酯类增塑剂(PAEs)的同时检测技术。方法:样品经乙腈溶液提取,无水硫酸钠和氯化钠盐析后,经N-丙基乙二胺(PSA)填料净化,多反应监测模式,外标法定量。结果:16种增塑剂在0.05-20μg/mL范围内存在良好的线性关系,相关系数r在0.9902-0.9981之间;在0.02、0.2、2.0mg/kg的加标水平下,回收率为80.7%-106.2%,相对标准偏差为0.41%-11.4%;检出限(S/N=3)与定量限(S/N=10)分别为0.05-0.33mg/kg和0.18-1.09mg/kg。结论:该方法准确性和重复性好、灵敏度高,完全满足汽车用胶黏剂产品的检测需要。