時間：2023-08-01 16:55:48
序論：在您撰寫光譜學與光譜學分析時，參考他人的優秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發您的創作熱情，引導您走向新的創作高度。
英文名稱：Spectroscopy and Spectral Analysis
主管單位：中國科學技術協會
主辦單位：中國光學學會
出版周期：月刊
出版地址：北京市
語
種：中文
開
本：大16開
國際刊號：1000-0593
國內刊號：11-2200/O4
郵發代號：82-68
發行范圍：國內外統一發行
創刊時間：1981
期刊收錄：
CA 化學文摘(美)(2009)
SA 科學文摘(英)(2009)
SCI 科學引文索引(美)(2009)
CBST 科學技術文獻速報(日)(2009)
Pж(AJ) 文摘雜志(俄)(2009)
EI 工程索引(美)(2009)
中國科學引文數據庫(CSCD―2008)
核心期刊：
中文核心期刊(2008)
中文核心期刊(2004)
中文核心期刊(2000)
中文核心期刊(1996)
中文核心期刊(1992)
期刊榮譽：
聯系方式
期刊簡介
關鍵詞：關注度； 支持向量機； 期望最大化； 主動學習； 高光譜遙感圖像
中圖分類號：TP391.41 文獻標志碼：A
0引言
遙感圖像分類在現實生活中有著非常廣泛的應用，如地質勘探與地球資源調查、城市遙感與規劃管理、環境與災害監測、現代精細農業、測繪以及考古等遙感圖像精準分類是諸多應用的基礎問題，同時也是熱點問題近十幾年，衛星傳感器技術得到了不斷發展，遙感圖像的光譜和空間分辨率不斷提高，目前較為流行的高光譜成像系統包括AVIRIS、HYDICE、ARCHER、HYMAP和HYPERION通過這些成像系統獲取的遙感圖像所蘊含的信息得到了極大豐富，這為高光譜圖像分類和聚類分析提供了新的契機，目前國內外學者提出了很多相關算法和方法，幾乎所有經典的機器學習方法都被應用到圖像分類和聚類分析中分類方面諸如基于最大似然和貝葉斯估計的方法[1]、基于核和決策樹的方法[2]、基于圖的方法[3]，而在基于核的方法[4]中，支持向量機（Support Vector Machine，SVM）在分類中的表現較為突出；聚類方面的大多數方法都是通過像元之間的相似性，利用統計學方法對圖像進行聚合[5]但是，單一使用分類或者聚類方法無法充分利用圖像中所包含的光譜和空間信息，所以在文獻[6]中使用監督分類方法初始化聚類分割區域的標簽，再通過流域變換獲取最優的分割圖像，最終在分割區域內對分類圖像的結果標簽進行投票，分割區域將標記為投票最高的類別，其分類的最終結果優于單一的分類或聚類方法文獻[7]用投票的方式對聚類結果和分類結果進行整合，最終使用分類所得的標簽投票決定分割區域的類別，然后再對結果進行降噪處理，其最終精確度也比傳統方法高但是，這兩種方法都需要使用大量的訓練樣本來構造分類器，分類成本都比較高為了減少分類器對訓練樣本數量的需求，提高訓練樣本質量成為首要問題近幾年，主動學習方法在尋找包含信息量較大、質量較高的訓練樣本時表現突出[8]
本文提出一種基于主動學習的高光譜圖像分類（Hyperspectral Image Classification based on Active Learning， HICAL）方法，關注如何在減少訓練集數量的同時提高分類精確度，結合了分類和聚類方法，充分利用高光譜圖像的光譜和原始空間特征，找到信息量較大的分割區域，進而獲取信息價值較高的訓練樣本，最終有效提高分類器的分類效果
1基于主動學習的高光譜圖像分類方法
1.1問題描述
為了盡可能地降低高光譜圖像分類精確度和所需的訓練樣本數量的比例，一方面需要充分利用高光譜圖像所蘊含的信息，另一方面需要提高訓練樣本的質量
HICAL方法是以分類和聚類結果結合后所構建的框架為基礎，使用本文提出的關注度計算方法對結合后的區域進行統計，以找到信息量較高的區域新的訓練樣本將在關注度較大的區域中產生，以此來提高訓練集的質量
1.2HICAL方法
1.2.1聚類分析
本文使用期望最大化（ExpectationMaximization，EM）算法對高光譜圖像進行聚類分析在統計計算中，EM是在概率模型中尋找參數最大似然估計的算法，其中概率模型依賴于無法觀測的隱藏變量在使用EM算法過程中，可以假設所有的樣本都是符合高斯分布
EM算法對圖像進行聚類過程中，為了使算法盡快收斂，將高光譜圖像的光譜波段進行分組求均值，以此來減少參與計算的光譜波段數量聚類所得到的分割圖像通過四聯通的方式進行區域劃分，并且給這些區域唯一標號得到的帶有標號的區域分割圖將作為模板，在后續迭代過程中與分類結果進行整合
1.2.2監督分類
獲取聚類結果之后，需要對圖像進行監督分類本文在分類過程中使用支持向量機（SVM）方法SVM是目前監督分類使用較多的分類算法，是建立在統計學習理論的VC維理論和結構風險最小原理基礎上的，具有較好的泛化能力和學習能力
二分的支持向量機最終目標是找到一個（d-1） 維的決策面，將測試樣本分成兩類在使用SVM進行圖像分類時，總是將像元的特征通過一個核函數映射到一個較高維度的空間，這樣使樣本的區分度更大，通常使用高斯核函數（Radial Basis Function，RBF）
在二分問題中，通常將決策函數表示如下：
其中：SV表示得到的支持向量集合，對應的αi不等于0
使用SVM對多類問題進行分類時，通常采取兩種策略一種是一對一（OneAgainstOne，OAO）的方式，另一種是一對多的方式（OneAgainstAll，OAA），本文采用OAO的方式
HICAL方法在第一次監督分類過程中，需要少許的訓練樣本，通過SVM構造分類器，且監督分類的步驟在整個分類過程中是迭代進行的，每當新的訓練樣本被增加到訓練集時，都會重新構造分類器，對圖像進行新一輪分類
1.2.3整合聚類和分類結果
在獲取聚類和監督分類結果后，借鑒文獻[7]中方法對兩個結果進行整合，以聚類連通區域為模型對監督分類結果進行區域劃分，并給出標號最終在整合結果中的每一個區域內，都包含一個或一個以上的像元，這些像元分類標記的類別可能比較集中，也可能比較分散，這些分類標記主要取決于監督分類器的預測
1.2.4獲取新樣本來源區域
獲取整合結果之后，需要在結果所包含的區域中找到包含信息量較大的區域實驗中總是更為關注那些含有較多像元，且分類標簽比較分散的區域這樣的區域如果分類準確度較高，將會很大程度地提高總體分類精確度因此，對區域的關注度給出如下公式定義：
其中：b為區域i包含像元個數ni的權重基數，用戶可根據情況自己選擇；t為迭代抽樣的次數，其意義是，隨著迭代的進行，在較大區域已經得到關注和抽樣之后，對于這些區域的關注度將會不斷下降，這樣在防止大區域過分取樣的同時，可以很好地兼顧到小樣本區域，所以，可以很好地解決以往算法對小樣本區域分類精確度不高的難題
獲取不同區域的關注度值之后，為了更集中、更有效地提高請求詢問的訓練樣本的質量，將通過設定閾值來選取需要取樣的區域最終在t次迭代中將選取滿足如下條件的區域作為新訓練樣本的來源區域：
1.2.5新樣本選擇
獲取樣本來源區域后，可以定義迭代中所需新樣本的數量Ut對來源區域j∈Γt的取樣數量可以表示為μj，且滿足μj≥0在來源區域取樣的方式有兩種：S0和S1，其中S0是按照隨機方式在來源區域中選擇，而S1是根據來源區域中找到上一次監督分類器標記的最多標簽類和次多標簽類的子區域，按照兩個子區域的樣本比例進行抽取
1.2.6主動學習過程
本文的HICAL方法迭代過程通過主動學習方式來實現整個過程分為兩個階段：1）初始化分類器階段，即初始監督分類階段，在此階段首先需要提供少量的訓練集，訓練初始分類器；2）循環取樣階段，也是主動學習的主要階段，這個階段在未標記樣本中使用關注度進行查詢，獲取信息量較大的整合區域，從而進一步找到需要標注的樣本，標注之后追加到原有的訓練集中，重新對分類器進行訓練，這個過程不斷循環，直到達到停止條件這個停止條件可以有多種，比如新訓練樣本數量達到上限，或者是已經達到迭代取樣的次數等
迭代結束后，將最后一次迭代所產生的分類結果和初始的聚類結果，按照聚類區域為模板，對所有分類產生的標簽進行投票，區域內所有的像元將歸屬到得票最高的標簽類最后進行降噪處理
2實驗及分析
2.1實驗環境
本文實驗環境：中央處理器Intel Core Duo P7350 2.00GHz，內存2GB，32位Windows 7操作系統；軟件平臺為Matlab R2012a
2.2實驗數據集
高光譜圖像分類實驗使用的是印第安納州農林區域圖像數據集（Indian Pines）
印第安納州農林區域圖像拍攝于1992年，使用紅外成像光譜儀（AVIRIS）獲取，其內容是印第安納州西北區域的某一農業森林區的地表信息整幅圖像包含145×145像元，空間分辨率為20m，有220個波段，其中20個水吸收波段將在實驗前被除去圖像反映了16種不同的地物信息圖1（a）顯示這個高光譜數據的假彩色圖像；圖1（b）顯示了其真實的地物信息，不同的顏色代表不同的類別本次實驗針對的感興趣區域總共有10366個樣本，過去相關文獻中多數是在每一類別中隨機抽取10%的樣本作為訓練樣本，這樣的抽樣方式對樣本比較少的類別來說是非常不利的為了和傳統的分類方式對比，在實驗中也將采取這樣的抽樣方式，但抽樣的百分比會降低
2.3實驗過程和結果分析
2.3.1HICAL方法與傳統隨機取樣方法比較
本實驗將本文的HICAL方法與傳統隨機取樣方法進行對比表1中顯示了各個算法的整體分類精確度（Overall Accuracy，OA）、平均分類精確度（Average Accuracy，AA）、Kappa系數以及每種地物的分類精確度SVM和SVM+EM算法[7]是在每一個類別中隨機抽取10%的樣本（1029個）作為訓練集，其中SVM+EM也是結合光譜和空間特征的分類方法作為對比，本文算法將在每類隨機抽取4%的訓練樣本（407個）上進行
通過式（2）計算出每一個分割區域的關注度值，這樣就可以選出一些關注度較高的區域作為新訓練樣本來源區域實驗中取γt=0.15，每一次迭代對樣本的抽取數量做出限定，為了和傳統的方法比較，實驗中只進行4次迭代，每次迭代取樣本數Ut=50分別使用S0和S1方法對新樣本來源區域進行取樣（如表1所示）
迭代起始階段，大樣本區域的關注度值會比較高，這樣在開始的迭代過程中可以有部分提高分類器的分類準確度，迭代后期，關注的重心轉向區域較小的分割區從表1中可以看到，在迭代4次后，訓練樣本總數為607，遠小于隨機抽取10%的1029，但Alfalfa、Grass/pasturemowed和Oats三個小樣本區域的分類精確度已經得到了非常顯著的提高這說明HICAL方法可以有效地解決這種小樣本區域的分類難題，最終獲取的分類結果無論是整體分類精確度還是平均分類精確度都得到了明顯提高（如表1）
2.3.2HICAL方法和相關主動學習方法比較
本實驗將HICAL方法和目前較新的且表現優秀的主動學習方法進行比較[9]實驗中，初始化分類器時需要80個訓練樣本（每一類別5個），每一次迭代都將獲取50個新樣本標注為訓練集，同時設定每一次迭代的閾值都為γt=015在初始取樣方法和所獲得的訓練樣本總數都相等的情況下，LORSALALMLL、MPMLBPAL兩種算法使用四種不同的方式迭代獲取訓練樣本：RS（Random Selection）、MI（Mutual Information）、BT（Breaking Ties）、MBT（Modified Breaking Ties）表2中給出了這些不同方法獲取的分類結果可以看出，本文提出的方法在總體分類精度上更為出色
3結語
本文提出了一種基于主動學習的高光譜圖像分類方法HICAL，能夠充分利用圖像的光譜特征和原始空間特征，同時使用一種新的高效的區域關注度計算方法對結合區進行統計，根據統計后的數值能夠非常精確地找到信息量價值較高的區域，進而獲取質量較高的未標記樣本以此提高整體訓練集的質量，在訓練樣本較少的情況下能夠有效提高整體分類精確度和平均分類精確度，從而降低分類精確度和訓練樣本數量的比值
本文方法在分類過程中較之傳統的分類方法更能解決樣本失衡的問題，能夠有效地解決小樣本區域的分類難題；同時文中所提出的分類方法擴展性較強，在分類和聚類算法的選擇上比較寬松，可以使用諸如K均值、自組織迭代技術等算法進行替代在HICAL方法迭代過程中，關注度閾值的選取和樣本數量的設置，以及對區域樣本的選擇方法將是我們進一步研究的內容；同時我們也將關注其他分類和聚類算法，以期減少算法的時間復雜度
參考文獻：
[1]LANDGREBE D A. Signal theory methods in multispectral remote sensing [M] . New York： Wiley， 2003.
[2]MOUSTAKIDIS S， MALLINIS G， KOUTSIAS N， et al. SVMbased fuzzy decision trees for classification of high spatial resolution remote sensing images [J]. IEEE Transactions on Geoscience and Remote Sensing， 2012，50（1）：149-169.
[3]BAI J， XIANG S M， PAN C H. A graphbased classification method for hyperspectral images [J]. IEEE Transactions on Geoscience and Remote Sensing， 2013，51（2）：803-817.
[4]LI CH， KUO BC， LIN CT， et al. A spatial contextual support vector machine for remotely sensed image classification [J]. IEEE Transactions on Geoscience and Remote Sensing， 2012，50（3）：784-799.
[5]MAULIK U， SAHA I. Modified differential evolution based fuzzy clustering for pixel classification in remote sensing imagery [J]. Pattern Recognition， 2009，42（9）：2135-2149.
[6]TARABALKA Y， CHANUSSOT J， BENEDIKTSSON J A. Segmentation and classification of hyperspectral images using watershed transformation [J]. Pattern Recognition， 2010，43（7）：2367-2379.
[7]TARABALKA Y， BENEDIKTSSON J A， CHANUSSOT J. Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques [J]. IEEE Transactions on Geoscience and Remote Sensing， 2009，47（8）：2973-2987.
1．1樣品收集及制備
收集不同種植區域、不同品種、不同部位的單料煙樣品共110個。將樣品放入烘箱內，40℃排氣烘烤2h，然后磨碎過40目篩，控制含水率在6%～10%之間。
1．2試驗儀器及軟件
儀器:Antaris傅里葉變換近紅外光譜儀(美國ThermoNicolet公司);Agilent7890－5975氣相色譜質譜儀(美國Agi-lent公司);AG204型電子天平(感量0．1mg，瑞士梅特勒－托利多公司);GFL3020震蕩器(德國GFL公司);電熱恒溫水浴鍋(德國GFL公司);VELPDK20消化器(意大利VELP公司);連續流動分析儀(美國Astoria－Pacific公司);旋轉粉碎機(北京高科公司);恒溫箱(日本ESPEC);SDE蒸餾器(鄭州玻璃儀器廠);可控溫度電熱套及恒溫水浴鍋。軟件:TQAnalyst8數據分析軟件(美國ThermoNicolet公司);SPSS13．0統計產品與服務解決方案(美國IBM公司)。
1．3近紅外光譜掃描
取適量煙末裝入石英杯中，用500g的壓樣器壓平杯中樣品后，放到光譜儀器臺上掃描。儀器的工作參數:光譜范圍3800～10000cm－1，間隔4cm－1，分辨率8cm－1，掃描次數69次。
1．4常規化學成分的測定
參照煙草行業標準規定的方法應用連續流動分析儀測定樣品的總糖、還原糖、煙堿、總氮、氯、鉀含量，并計算出相應的糖堿比和鉀氯比［11］。
1．5揮發性香味成分分析
采用同時蒸餾萃取的方式提取樣品中的揮發性香味成分，具體操作如下:樣品稱質量25g，加水300mL、二氯甲烷60mL，同時蒸餾萃取2．5h，濃縮后加內標乙酸苯乙酯(12．553g/L)10μL后待測。采用安捷倫7890－5975NGC－MS分析，色譜柱HP－5(30m×250μm×0．25μm)，進樣口溫度250℃，流速1mL/min，分流比10∶1。起始溫度60℃，以5℃/min升溫到80℃，保持5min;以2℃/min升溫到150℃，保持10min;以2℃/min升溫到200℃，保持20min;以2℃/min升溫到280℃，保持10min，總運行時間149min。共檢測到揮發性香味成分33種。
1．6逐步判別分析
逐步判別分析是一種多元統計方法。整個變量篩選過程實質就是作假設檢驗，通過檢驗引入顯著性變量，剔除不顯著變量。反映在輸出結果上，通常可以用F值的大小作為變量引入模型的標準，即一個變量是否能進入模型主要取決于協方差分析的F檢驗的顯著水平。逐步判別過程本身并不建立判別函數，篩選出重要變量后，采用Bayes判別方法建立判別函數和判別準則，對新樣品進行判別歸類。
2結果與分析
2．1近紅外譜圖的處理
2．1．1譜圖的預處理
煙草樣品的近紅外譜圖會受到樣品顏色及儀器穩定性的影響而出現噪音及基線漂移，所以必須對樣品的近紅外譜圖進行前處理［6］。利用TQAnalyst8分析軟件包中的優化功能，采用如下方法可獲得理想的結果:多元散射校正消除樣品不均勻帶來的差異;采用段長為9、間隔為5的NorrisDerivative濾波平滑光譜，消除高頻噪音，保留有用的低頻信息;采用二介微分處理，消除基線漂移的影響，獲得比原光譜更高分辨率和更清晰的光譜輪廓變化。
2．1．2譜圖的主成分分析
選擇4000～8000cm－1波數為分析區域，由主成分分析獲得樣品的10個主成分，前5個主成分的貢獻率達到96．97%，即5個主成分就能夠代表96.97%的近紅外譜圖信息，所以以5個主成分得分為分析對象，采用逐步判別分析進行模式識別。
2．2煙葉種植區域模式識別結果的比較
收集的樣品由福建、云南、安徽、江西、貴州4個地區的煙葉樣品組成，依據《中國煙草種植區劃》［13］110個樣品屬于5個產區，從每個產區隨機抽取5個作為外部驗證樣品，其余作為建模樣品。通過逐步判別分析，篩選出對于種植區域判別有主要影響作用的6種化學成分，即糠醛、吲哚、香葉基丙酮、柏木醇、新植二烯和氯，并獲得其Bayes判別函數，同樣由逐步判別分析獲得近紅外光譜5個主成分得分煙葉種植區域的Bayes判別函數。將篩選出的變量代入Bayes判別函數計算得到判別值，比較各判別值大小，其中最大值所對應的分組便是判別分組。表2表明，化學成分建模85個樣品種植區域交叉驗證模式識別的準確率為91．76%，外部驗證25個樣品種植區域模式識別的準確率為80．00%;近紅外光譜建模85個樣品種植區域交叉驗證模式識別的準確率為89．41%，外部驗證25個樣品種植區域模式識別的準確率為80．00%。種植區域化學成分模式識別的準確率略高于近紅外譜圖模式識別的結果。滇南桂西山地丘陵烤煙區及滇西高原山地烤煙煙區都屬于云南地區，地理位置較近，且種植水平及習慣接近，因此2個地區的樣品發生部分誤判，閩西贛南粵東丘陵煙區、皖南贛北丘陵烤煙區、黔中高原山地烤煙區樣品識別正確率較高(表2)。
2．3煙葉品種模式識別結果的比較
收集的110個煙葉樣品共有云煙87、翠碧1號、K326、紅花大金元等4個品種，從每個品種中隨機抽取5個作為外部驗證樣品，其余的樣品作為建模樣品。通過判別分析，篩選出對于品種模式識別有主要影響的4種化學成分，即4－環戊烯－1，3－二酮、茶香酮、香葉基丙酮、氯，并獲得了其Bayes判別函數，同樣由逐步判別分析獲得近紅外光譜5個主成分得分煙葉品種的Bayes判別函數。目前我國主栽烤煙品種均直接或間接來自于相同的親本，甚至有些品種間親緣關系極近，致使品種鑒別時容易發生錯判。表4結果表明，化學成分建模90個樣品品種交叉驗證模式識別的準確率為77．78%，外部驗證20個樣品品種模式識別的準確率為70．00%;近紅外光譜建模90個樣品品種交叉驗證模式識別的準確率為82．22%，外部驗證20個樣品品種模式識別的準確率為75．00%。煙草品種的近紅外譜圖模式識別結果優于化學成分模式識別的結果。
2．4煙葉部位模式識別結果的比較
收集的110個煙葉樣品中上部煙36個、中部煙38個、下部煙36個，從不同部位的煙葉樣品中隨機抽取8個樣品外部驗證樣品，其余的樣品作為建模樣品。通過判別分析，篩選出對于煙葉部位模式識別有主要影響的化學成分為三環萜、柏木醇、總煙堿，并獲得了其Bayes判別函數，同樣由逐步判別分析獲得近紅外光譜5個主成分得分煙葉部位的Bayes判別函數。表6結果表明，化學成分建模86個煙葉樣品部位交叉驗證模式識別的準確率為86．05%，外部驗證24個煙葉樣品的準確率為75．00%，近紅外光譜建模86個煙葉樣品部位交叉驗證模式識別的準確率為94．19%，外部驗證24個煙葉樣品的準確率為91．67%。煙葉部位的近紅外譜圖模式識別結果優于化學成分模式識別的結果。
2．5模式識別結果比較
以化學成分、近紅外光譜建模樣品及外部驗證樣品模式識別正確識別的個數為變量進行相關性分析及配對t檢驗。相關性分析結果表明，2種方式獲得的結果都存在顯著的相關性(P＜0．05);配對t檢驗結果表明所獲得的結果差異不顯著(P＞0．05)(表7)。
3結論
【摘要】 目的采用氣相色譜-質譜聯用（GC-MS）分析廣西余甘子葉揮發油的成分。方法采用維普（HP-5MS）彈性石英毛細管柱，程序升溫，以EI離子源和四極桿質量分析器進行分析，質譜圖用NIST98譜庫檢索，結合人工譜圖解析，鑒定各種成分，并用色譜峰面積歸一法測定其相對百分含量。結果分離出29個色譜峰，鑒定出26種成分，占已分離組分總含量的90%以上。其中葉綠醇(19.00% ) 、2，4-二叔丁基苯酚 (18.79% )和異植物醇 (10.54% ) 為所含的相對含量較高的成分。結論該法簡便、快速、靈敏度高。
【關鍵詞】 余甘子葉 氣相色譜-質譜聯用 成分分析
余甘子葉，來源于大戟科葉下珠屬植物余甘子Phyllanthus emblical L．的葉子，收載于1974年出版的《云南省藥品標準》、1978年版《藏藥標準》、1977～2005年版《中華人民共和國藥典》。別名橄欖、滇橄欖 、油甘子、山油甘、庵摩勒、牛甘子、喉甘子、楊甘等，為多個民族習用藥［1］，廣泛分布于世界上許多國家。我國對余甘子的栽培利用有1800年以上的悠久歷史，該植物主要分布于我國的云南、四川、福建、廣東、廣西等地，是一種具有較高的食用和藥用價值的植物果實，被聯合國衛生組織指定為在全世界推廣種植的3種保健植物之一。主治血病、赤巴病、培根病、肝病、心臟病和高血壓病，以治療血熱血瘀引起的血病為長。近年研究表明余甘子具有抗菌［2］、抗腫瘤［3］、抗氧化［4］、抗動脈粥樣硬化［5，6］、抗乙肝病毒［7］、保肝［8］等作用。國內學者對余甘子果實的化學成分進行了較多的報道，但余甘子葉的化學成分研究未見報道，而余甘子葉含有較濃的芳香氣，本實驗提取了揮發油，進行了定性定量分析。
1 儀器與材料
美國 HP 6890/5973N氣相色譜質譜聯用儀（美國安捷倫)，HP-5MS彈性石英毛細管柱 (30 mm ×0. 25 mm，0. 25 μm)；G1701DA MSD化學工作站。相關試劑為分析純；余甘子葉采自廣西地區，經廣西中醫學院劉壽養副教授鑒定為廣西產的大戟科葉下珠屬植物余甘子Phyllanthusemblica L.的全草。標本存于廣西中醫學院藥學中心實驗室。
2 方法
2.1 余甘子葉揮發油的提取取60 g新鮮余甘子葉，搗碎，放進1 000 ml圓底燒瓶中，用揮發油提取器按常規水蒸氣蒸餾法提取揮發油，經無水Na2SO4 干燥后得淡黃綠色揮發油，收油率為0.2%。
2.2 氣相-質譜分析條件氣相色譜條件：進樣口溫度250℃，載氣：氦氣，流速1 ml·min- 1。柱溫：程序升溫70～280℃，初始溫度 70℃，保留3min，升溫速率10℃/min，終止溫度 100 ℃，以5. 0℃/min升溫至120℃后，再以30℃/min，升溫至220℃后，以20 ℃/min升溫至280℃，溶劑延遲1. 0 min；進樣量1.0 μl，不分流。
質譜條件：EI電離方式，離子源溫度 230℃；四極桿溫度：150℃；倍增電壓：1 247 V；發射電流：34.6μA；接口溫度：250 ℃；質量范圍：35～500 amu；電子能量70 Ev。3 結果與討論
用GC-MS分析法從余甘子葉揮發油共分離出29個峰（見圖1）。用氣相色譜數據處理系統，以峰面積歸一法測得其中各組分的相對百分含量，對總離子流圖中的各峰經質譜掃描后得到質譜圖，經過NIST98質譜計算機數據系統檢索，結合人工譜圖解析，按各色譜峰的質譜裂片圖與文獻核對，對基峰、質荷比和相對豐度等方面進行直觀比較，鑒定了其中26個峰，占總揮發油成分的90%以上，結果見表1。 表1 余甘子葉揮發油的化學成分由表1 可知，已鑒定的化合物占色譜流出組分峰面積的90%以上，主要為醇類、苯酚類及烷烴化合物。在已鑒定的組分中，相對含量較高的主要幾種組分有葉綠醇(19.00% ) 、2，4-二叔丁基苯酚 (18.79% )和異植物醇 (10.54% )。這些化合物形成了余甘子葉的特有氣味。另外還有3種組分的含量相對較少，未能鑒定，有待進一步研究。
有關余甘子葉揮發油的化學成分研究，目前國內外尚未見報道，本文采用GC-MS方法，對余甘子葉揮發油的化學成分進行了研究，鑒定了其中的26種成分。該法簡便、快速、靈敏度高。本研究為余甘子葉揮發油的應用拓開了廣闊的前景。
【參考文獻】
［1］ 張蘭珍，趙文華，郭亞健，等.藏藥余甘子化學成分研究［J］.中國中藥雜志，2003，28（10）：940.
［2］ 鐘振國，曾春蘭.余甘子葉提取物體外抗菌實驗研究［J］.中藥材，2008，31（3）：428.
［3］ 曾春蘭，鐘振國.余甘子葉提取物體外抗腫瘤作用研究［J］.時珍國醫國藥，2008，19（3）：580.
［4］ 潘國慶，趙旭升，蔣炘治.余甘子抗氧化作用的研究［J］.青海科技，2007，12（6）：33.
［5］ 劉麗梅，高 政，李寶文. 余甘子對實驗性頸動脈粥樣硬化家兔的影響［J］. 中國臨床康復， 2003，7 (5) : 766.
［6］ 王綠婭，王大全，秦彥文，等. 余甘子抗脂質過氧化和保護血管內皮的實驗研究［J］. 中國藥學雜志， 2003， 38 (10) : 505.
[關鍵詞] 拉曼光譜；定量分析；實驗教學
[中圖分類號] G642
[文獻標識碼] A
[文章編號] 2095-3712（2014）22-0058-03[ZW（N]
[作者簡介]張煥君（1982―），女，河南許昌人，碩士，鄭州輕工業學院教師；程學瑞（1982―），男，河南安陽人，博士，鄭州輕工業學院副教授，研究方向：材料物理。
拉曼光譜的強度、頻移、線寬、特征峰數目以及退偏度與分子的振動能態、轉動能態、對稱性等特性有緊密的聯系，即與分子的結構緊密相關。而且拉曼光譜具有制樣簡單，分析快速、無損，所檢測的樣品僅需微量即可滿足測量要求等諸多優點，因而成為研究分子結構的強有力工具，廣泛地應用于分子的鑒別、分子結構的研究、分析化學、石油化工催化和環境科學等各個領域[1-2]。然而，相對于氣相、液相色譜法的較高精度而言，較大的分析誤差率限制了拉曼光譜定量分析的應用。在實際應用中，拉曼光譜分析技術多用于樣品的定性分析，尤其是在實驗教學當中，更多的是強調其定性分析的作用，而忽略其定量分析的功能[3-4]。尤其是對具有強熒光背景物質，如乙醇及其混合溶液的定量分析，更是拉曼光譜定量分析中的難點問題。
為幫助學生克服這樣單一的認識，我們在教學實驗環節增加了相關實驗內容，采用拉曼光譜對乙醇溶液的濃度進行定量分析。在教學過程中，我們向學生介紹了拉曼光譜定量分析的理論依據、分析過程，并著重分析了誤差來源，以加深學生對拉曼光譜的認識，尤其是讓學生對其定量分析功能有了進一步的了解。
一、理論依據
拉曼光譜定量分析的理論依據為：
I=KΦC∫b[]0e（[WTBZ]ln[WTBX]10）（k+k）zh（z）dz
在上式中，I為光學系統所收集到的樣品表面拉曼信號強度；K為分子的拉曼散射截面積；Φ為樣品表面的激光入射功率；k、k′分別是入射光和散射光的吸收系數；Z為入射光和散射光通過的距離；h（z）為光學系統的傳輸函數；b為樣品池的厚度。由上式可以看出，在一定條件下，拉曼信號強度與產生拉曼散射的待測物濃度成正比，即I∝C。
二、實驗過程
實驗樣品材料為國藥集團化學試劑有限公司生產的濃度不低于99.7%的分析純乙醇、四氯化碳和去離子水。把不同體積的去離子水加入乙醇樣品中，配制成不同濃度的乙醇-水二元體系溶液；用激光功率為50mW（100%）的拉曼光譜儀采集純乙醇溶液、水、四氯化碳溶液的拉曼光譜圖；用拉曼光譜儀采集不同濃度的乙醇溶液的拉曼光譜圖，對每種濃度的樣品重復掃描3次，試驗結果取三次掃描的平均值。
三、結果討論
把配制好的不同濃度的乙醇溶液加入未受污染的樣品池，把不同濃度的樣品分別放在拉曼光譜儀上測出其拉曼光譜。熒光背底扣除后不同濃度的乙醇-水溶液的拉曼光譜圖如圖1所示。
圖1熒光背底扣除后不同濃度的乙醇-水溶液的拉曼光譜圖
表1中的數據進一步顯示出，隨著乙醇濃度的增加，特征峰強度的比值在不斷增加。純水的3200cm-1峰的強度I2與不同濃度乙醇的884cm-1峰的強度I1之比R1和面積比R2與乙醇濃度的關系見表1。擬合圖如圖2所示，R1和R2與乙醇濃度有較好的線性關系，其線性相關系數分別為0.98554和0.97558。
四、誤差分析
激光功率、樣品池、聚焦位置等因素會對定量分析結構有重要影響。
（一）激光功率的影響
不改變聚焦樣品的位置，激光功率分別選取100%、50%、10%、5%、1%和0.5%（100%為50mW），對50%的乙醇-四氯化碳溶液進行測試，結果如表2所示。
由表2可以看出，隨著激光功率的改變，兩個特征峰（峰459cm-1和884cm-1）的強度比值基本上在2.3左右，面積比值基本上在3.0左右。然而可以看出，當激光功率很小時（1%或0.5%），由于激發光源本身很弱，導致散射的拉曼信號強度本身也非常弱，而且信噪比很大，所以相對誤差比較大。而且當激光功率很強（100%功率）時，兩個特征峰的強度比值和面積比值都稍微偏離2.3和3.0，其原因可能是，激光功率很強時，其信號強度和熒光信號也比較強，而熒光對拉曼散射的干擾非常大，導致在扣除熒光背底過程中出現較大的偏差。
（二）樣品池的影響
如圖4是毛細管樣品池的拉曼光譜圖，實驗過程中用毛細管吸取待測溶液。毛細管作為樣品容器，在激光激發下也存在拉曼光譜和熒光背底，在基線處理和背底扣除過程中難以完全消除其影響，進而產生誤差。
圖4毛細管樣品池的拉曼光譜圖
（三）聚焦位置的影響
在同一樣品不同點進行多次測量，分析結果發現，混合溶液的特征峰強度的比值存在較大的偏差，主要原因可能是本次試驗使用的是顯微共聚焦激光拉曼光譜儀，3次測量的聚焦位置不同，以及數據處理過程當中熒光背底的扣除都會引起較大的誤差。對同一濃度的溶液測量3次，所得強度之比的不確定度為0.117，相對強度之比與乙醇濃度擬合直線的不確定度為0.024，相對面積比與乙醇濃度擬合直線的不確定度為0.858。
綜上所述，激光功率、樣品池、聚焦位置等因素會對拉曼光譜定量分析結構產生一定的影響。另外，乙醇的揮發、激光功率的穩定性、實驗儀器的固有誤差等因素也會對測試結果帶來影響。然而，拉曼光譜定量分析的結果仍然有較大的可信度，可以作為一種有效的定量分析方法。
參考文獻：
[1]譚紅琳，李智東，張鵬翔，等.乙醇、甲醇、食用酒及工業酒精的拉曼光譜測定[J].云南工業大學學報，1999（2）.
[2]楊丹，徐文藝.CuCl2-H2O體系和FeCl3-H2O體系絡合物拉曼光譜研究與溶液拉曼定量分析探索[J].光譜學與光譜分析，2011（10）.
關鍵詞：吉首市 陽光體育 現狀 建議
1.1 研究對象
以吉首市普通中學陽光體育運動開展現狀為研究對象，結合隨機與整群抽樣的方法抽取吉首市一中，四中,雅思中學三所學校中的學生共600人為調查對象，其中男生315人，女生285人，體育教師共28人。
1.2 研究方法
文獻資料法;訪談法;問卷調查法;數理統計法;邏輯分析法
2.研究結果與分析
2.1吉首市普通中學開展陽光體育運動現狀調查
2.1.1吉首市普通中學師資力量現狀調查
體育教師是學校體育活動的主導者，是“陽光體育”運動運行好壞的“指揮棒”，因此學校體育的師資情況直接關系到學生“陽光體育”的落實情況，教師學歷的高低、體育教師的數量從一定程度上影響著教學質量的提高，從調查來看吉首市普通中學教師學歷有待提高， 96%的體育教師均為大學本科，而碩士研究生僅占一小部分，其中大部分學校體育老師兼雙職。此外由于體育教師的結構性缺編，體育教師和在校學生比例嚴重失調。這給陽光體育的開展造成一定影響。
2.1.2吉首市普通中學師生對陽光體育運動的了解程度調查
從調查得知，大部分體育教師對陽光體育這一概念還是比較了解，但學生對陽光體育的了解卻不容樂觀。在調查中有36% 的學生完全不了解這個概念;46% 的中學生只是基本了解;真正比較了解“陽光體育運動”的僅有18%。由此可知學生對陽光體育這一概念不清晰，學校和體育教師應加大宣傳力度，使學生理解陽光體育的真正含義，自愿參與陽光體育運動，把身體鍛煉得更好。
2.1.3吉首市普通中學學生參加體育鍛煉時間的情況
從表1可以知，大部分學生不同程度地參加了體育活動，只是每周運動的次數偏低，每次活動的時間大部分都在三十分鐘以下。其中每周活動五次以上的僅占一小部分。離我們“每天活動1 h”的要求還有一定的差距。
2.1.4 吉首市普通中學有無陽光體育運動專項撥款的調查
據調查得知，沒有專項撥款的學校達到64%，而有專項撥款的為35%。在資金方面，大部分學校還不到位，這直接影響到學校陽光運動的開展。通過訪談得知，小部分學校有一定的體育活動經費，可資金很少。這是導致陽光體育未能很好實施的一個重要原因，原因主要是學校領導對陽光體育運動的不重視，把大量的人力，物力和財力用在其他科目上。
2.1.5吉首市普通中學場地器材現狀情況調查
據調查可知，學生進行體育活動的主要場所與器材的配備明顯不足，這與教育部規定的每生活動場地面積為3平方米相比，明顯不成比例，通過我們對老師和學生的交談得知學校的體育器材比較缺乏，并且有些體育器材已經比較陳舊，學校沒有進行及時的更新體育設備。學校應在體育的硬件和軟件上進行改善。使學校體育能更好的發展。讓學生能有更加寬敞的活動環境和更加標準的體育場地。
2.2 影響吉首市普通中學陽光體育運動開展的原因分析
2.2.1 吉首市普通中學學校領導對開展“陽光體育”運動的態度
學校領導對“陽光體育”運動的重視程度，直接影響到學校體育活動的組織和開展，因此學校領導對開展“陽光體育”運動的態度是影響吉首市普通中學陽光體育運動開展的一個直接原因。
2.2.2 吉首市普通中學體育教師師資力量狀況
目前吉首市普通中學體育教師存在結構性失調，體育教師的數量無法滿足學生的需要；因此，吉首市政府要加大教師人事改革，增大體育教師數量，注入年輕新力量，改革管理機制，以便更好的開展陽光體育運動。
2.2.3 吉首市普通中學學校場地器材配備及資金情況
陽光體育運動的開展必須依賴于體育場地和器材，而體育器材的使用頻率高，需要投入大量的資金作為購買器材和維修,通過訪談與調查發現吉首市普通中學缺乏資金保障,體育器材得不到更新.因而使陽光體育運動沒有收到預期的效果.
3.結果與建議
3.1 結果
3.1.1吉首市普通中學的體育師資力量不足，體育教師和學生對陽光體育運動了解不透徹。每天的體育活動時間達不到一小時。
3.1.2學校領導對陽光體育運動在校園的開展，還沒有形成足夠的重視，學校的場地器材條件有限。
3.1.3學校對開展陽光體育運動的經費缺乏；沒有充足的資金保障，另外，體育教師工作量大,新生力量補充不足。
3.2 建議
3.2.1學校領導重視關心陽光體育運動，各級部門加強宣傳，制定詳細和長遠的實施方案，設立專項資金，為陽光體育運動進一步開展提供條件保障。
3.2.2教育部門重視，建立和完善學校體育的管理制度，將學生每天一小時體育活動納入學校督導內容及評估體系，把學生體質健康狀況作為評價教育工作的重要指標。
3.2.3繼續升化學校體育改革，加大課程資源開發與利用，把課外體育活動開展得豐富多彩，使之成為全體學生參與實踐陽光體育運動的主要形式。（作者單位：1.上海體育學院，體育教育訓練學院；2.上海體育學院，中國乒乓球學院）
參考文獻
［1］ 教育部、國家體育總局、.關于全面啟動全國億萬學生陽光體育運動的通知［Z］.教體藝［2006］6 號，2006-12-20.
［2］ 苗秀麗.開展億萬學生陽光體育運動的認識與思考［J］.哈爾濱體育學院學報，2002(2)：43-44．
［3］ 朱志軍.陽光體育”伴新世紀青少年健康成長［J］.管理論壇,2007(8):47-48.
關鍵詞關鍵詞：極限學習機；模式識別；高光譜遙感圖像；判別信息
DOIDOI：10.11907/rjdk.162600
中圖分類號：TP317.4文獻標識碼：A文章編號文章編號：16727800（2017）001016105
對于連續狹窄的光譜帶，高光譜成像傳感器能夠捕獲詳細和豐富的光譜信息。近年來，隨著圖像處理技術的發展，高光譜圖像得到廣泛應用，在高光譜圖像應用中最重要的任務是對圖像進行分類。然而，在高光譜遙感圖像分類問題中存在一些挑戰。例如有限訓練樣本之間的不平衡和高維度，高光譜遙感圖像幾何形狀復雜，高光譜遙感圖像分類計算復雜度高。為使高光譜遙感圖像分類取得良好效果，近年來，機器學習方法在高光譜圖像分類中得到廣泛應用，例如人工神經網絡（Artificial neural networks，ANNs）[1]、支持向量機（Support vector machine，SVM）[2]、多項邏輯回歸（Multinomial logistic regression，MLR）[3]、主動學習（Active learning，AL）[4]等，其它方法如利用稀疏表示[5]以及譜聚類[6]對高光譜進行分離也得到廣泛應用。然而，由于高光譜遙感圖像具有{維度以及復雜性，通過機器學習算法尋找最優的參數來進行分類通常非常困難，并且耗時，實現高光譜遙感圖像高效快速分類已成為遙感圖像領域的重要問題。
近年來，Huang等[7]基于單隱層前饋神經網絡（Single-hidden layer feedforward networks，SLFNs）結構提出了極限學習機（Extreme learning machine，ELM）。ELM隨機產生隱層節點的輸入權值和偏置值，所有參數中僅有輸出權值經過分析確定。ELM將傳統神經網絡的求解過程轉化為一個線性模型，ELM隨機選擇輸入權值和分析確定SLFNs的輸出權值，避免了傳統神經網絡學習方法收斂速度慢及陷入局部極小解的可能，具有更好的泛化能力和更快的學習速度。文獻[7]指出ELM通過隨機產生隱層節點的輸入權值和偏置值分析確定輸出權值，保持了SLFNs的通用逼近能力，同時能夠得到一個全局最優解。由于ELM良好的泛化能力，使得ELM應用在不同的領域中。在高光譜遙感圖像領域，Pal等[8]將ELM應用到土地覆蓋分類中，與BP[9]神經網絡和支持向量機相比，ELM取得了更好的分類效果，并且ELM算法的計算復雜度遠遠小于BP和支持向量機。Bazi等[10]利用差分進化方法優化核ELM算法的參數，提高了高光譜遙感圖像的分類效果。為了提高ELM算法在高光譜遙感圖像分類中的穩定性，Samat等[11]基于Bagging 和 AdaBoost算法提出了集成的極限學習機算法（Ensemble extreme learning machine，E2LM）。
雖然針對高光譜遙感圖像分類問題，研究人員在ELM算法的基礎上提出了改進，然而 ELM及其改進算法并未充分考慮數據樣本間的幾何特征和數據蘊含的判別信息。知道樣本之間具有某些相似的屬性和分布特征，樣本之間的相似屬性和分布特征能夠彌補ELM學習不夠充分的問題，進而可以提高ELM的泛化能力，因而數據樣本的幾何特征和數據蘊含的判別信息對ELM的分類性能具有重要作用。
基于以上分析，本文提出一種基于判別信息極端學習機（Discriminative information regularized extreme learning machine，IELM），對于分類問題，IELM同時考慮到數據樣本的幾何特征和數據蘊含的判別信息，通過最大化異類離散度和最小化同類離散度，優化極端學習機的輸出權值，從而在一定程度上提高ELM的分類性能和泛化能力。IELM方法的優勢在于：①繼承了ELM的優點，在一定程度上避免了ELM學習不充分的問題；②將異類離散度和同類離散度引入到ELM中，充分利用數據樣本的判別信息；③利用MMC[12]方法有效解決最大化異類離散度和最小化同類離散度矩陣奇異問題。
為評價和驗證本文提出的基于判別信息極端學習機的高光譜遙感圖像分類方法，實驗使用Indian Pines，Salinas scene兩個高光譜遙感圖像數據，將本文所提出的方法與ELM、支持向量機（Support vector machine，SVM）、最近鄰分類器協作表示（Collaborative representation nearest neighbor classifier，CRNN）[13]進行對比，實驗結果表明本文提出的算法能夠取得較好的分類效果。
實驗環境為惠普工作站處理器：Intel（R）Xeon（R） CPU E5-1603 0 @2.80 GHz，安裝內存：8.00GB ，系統類型：64位操作系統，版本：win7，語言開發環境采用 Matlab 2010b。
第一組實驗數據為Indian Pines遙感圖像數據，Indian Pines數據是AVIRIS傳感器在薩利納斯山谷收集的數據，該圖像包含200個波段，圖像大小為145×145，地表真實分類如圖1所示，Indian Pines數據集屬性設置如表1所示。
第二組實驗數據為Salinas scene遙感圖像數據，Salinas scene數據是AVIRIS傳感器在薩利納斯山谷收集的數據，該圖像包含204個波段，圖像大小為512×217，地表真實分類如圖2所示， Salinas scene數據集屬性設置如表2所示。
實驗中，對于Indian Pines和Salinas scene圖像數據，隨機選取1%的數據樣本作為訓練集，剩下部分為測試集，使用總體精度（OA），Kappa系數，平均準確率（AA）衡量不同算法的性能。
（1）體精度。總體精度（overall accuracy，OA）是對分類結果質量的總體評價，等于被正確分類的像素總和除 以總的像素個數。被正確分類的像素沿著混淆矩陣的對角線分布，它顯示了被正確分類到真實分類中的像元數。根據混淆矩陣可得OA的計算式為：p=∑ci=1miiN（21）其中，c表示類別數目，mii表示混淆矩陣對角線上的元素，N=∑ci=1∑cj=1mij表示測試樣本的總數。
（2）Kappa系數。Kappa系數采用一種多元離散分析技術，反映分類結果與參考數據之間的吻合程度，它考慮了混淆矩陣的所有因子，是一種更為客觀的評價指標，其定義為：k=N∑ci=1mii-∑ci=1（mi+m+i）N2-∑ci=1（mi+m+i）（22）其中，mi+，m+i分別表示混淆矩陣第i行的總和、第i列的總和，c表示類別數目，N為測試樣本總數，mii表示混淆矩陣對角線上的元素，Kappa系數越大分類精度越高。
（3）平均精度。平均精度（average accuracy，AA）定義為每類分類準確率相加除以類別總數。AA=∑ci=1accic（23）其中，c表示類別數目，acci表示每類的分類準確率。
4.2實驗結果及分析
將IELM與ELM，SVM，CRNN進行對比，SVM采用libsvm工具箱，核函數采用徑向基核函數（Radial basis function，RBF），懲罰參數c=0.02，核函數參數g=0.02，IELM與ELM均采用Sigmoid函數作為激活函數，隱層節點個數設置為500，懲罰參數c=20。
5結語
本文提出了一種基于判別信息極端學習機的高光譜遙感圖像分類方法，創新之外在于考慮到光譜遙感圖像數據的聯系和差異信息。IELM引入同類離散度和異類離散度的概念，體現了輸入空間數據的判別信息，通過最大化異類離散度和最小化同類離散度，優化極端學習機的輸出權值。與NN，SVM， ELM算法的對比實驗表明，本文所提出方法的分類效果優于NN，SVM，ELM算法。
參考文獻：
[1]Q SAMI UL HAQ，L TAO.Neural network based adaboosting approach for hyperspectral data classication[J].International Conference on Computer Science and Network Technology（ICCSNT），2011：241245.
[2]J A GUALTI，R F CROMP.Support vector machines for hyperspectral remote sensing classification[J].in Proc.SPIE 27th AIPR Workshop：put.Assisted Recognit.Int.Soc.Opt.Photonics，Washington，DC，USA，1999：221232.
[3]J Li，J BIOUCASDIAS，A.PLAZA.Semisupervised hyperspectral image classification using soft sparse multinomial logistic regression[J].IEEE Geosci.Remote Sens.Lett，2013，10（2）：318322.
[4]W DI，MM CRAWFORD.Active learning via multiview and local proximity coregularization for hyperspectral image classification[J].IEEE Journal of Selected Topics in Signal Processing，2011，5（3）：618628.
[5]J BIOUCASDIAS，M A T.FIGUEIREDO.Alternating direction algorithms for constrained sparse regression：application to hyperspectral unmixing[J].Hyperspectral Image and Signal Processing：Evolution in Remote Sensing （WHISPERS），2010：14.
[6]Y TARABALKA，J A BENEDIKTSSON，J CHANUSSOT.Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques[J].IEEE Transactions on Geoscience and Remote Sensing，2009，47（8）：29732987.
[7]GB HUANG，H ZHOU，X DING，et al.Extreme learning machine for regression and multiclass classification[J].IEEE Trans.Syst Man Cybern B，2012，42（2）：51329.
[8]M PAL，A E MAXWELL，T A WARNER.Kernelbased extreme learning machine for remotesensing image classification[J].Remote Sens.Lett，2013，4（9）：853862.
[9]D RUMELHART，G HINTON，R WILLIAMS.Learning by backpropagating errors[J].Nature，1986，323（6088）：533536.
[10]Y BAZI.Differential evolution extreme learning machine for the classification of hyperspectral images[J].IEEE Geosci.Remote Sens.Lett，2014，11（6）：10661070.
[11]A SAMAT，P DU，S LIU，et al.E2LMs：ensemble extreme learning machines for hyperspectral image classification[J].IEEE J.Sel.Topics Appl.Earth Observ.Remote Sens，2014，7（4）：10601069.
[12]H LI，T JIANG，K ZHANG.Efficient robust feature extraction by maximum margin criterion[J].IEEE Transactions on Neural Networks ，2006，17（1）：157165.
