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：建立了微波萃取-气相色谱法（microwave-assistedextractioncombinedwithgaschromatography,MAE-GC）同时测定塑料食品包装材料中一乙醇胺、二乙醇胺、三乙醇胺、三异丙醇胺和N,N-二乙基乙醇胺等5种有机醇胺的方法。方法采用甲醇作为提取试剂,80℃微波萃取10min,然后将样液蒸发至近干,用甲醇复溶洗脱,洗脱液过滤膜直接上样。在优化条件下,5种目标物在50-3500mg/L浓度范围内线性良好,相关系数均大于0.996,检出限在2-12mg/L之间（S/N=3）。自制阳性样品后进行近等额添加,目标物的平均回收率在79.9%-104%之间,重复性精密度在3.20%-4.84%（n=6）之间。结果表明,方法操作简单快速、重现性好、准确度高。