馆藏文物保存环境国家文物局重点科研基地

馆藏文物保存环境国家文物局重点科研基地（共2篇）

篇1：馆藏文物保存环境国家文物局重点科研基地

馆藏文物保存环境国家文物局重点科研基地

开放课题管理办法（试行）

（2008年11月1日上海博物馆批准）

第一章总则

第一条 为促进馆藏文物保存环境科学和技术研究的繁荣与发展，加强对上海博物馆馆藏文物保存环境国家文物局重点科研基地（以下简称科研基地）开放研究课题的管理，根据《国家文物局重点科研基地管理办法（试行）》和《文物保护科学和技术研究课题管理办法》等有关规定，结合科研基地实际，制订本办法。

第二条 科研基地实行国家文物局（宏观管理部门）、上海市文物管理委员会和国家文物局科研基地管理办公室（组织单位）、上海博物馆（依托单位）三级管理制度。主要任务是依照我国文物工作和科技工作方针，围绕我国博物馆文物保存环境科学和技术发展战略，针对该领域的重大科技问题，开展创新性研究。科研基地的主要研究方向为馆藏文物保存环境的基础科学和应用技术。

第三条 科研基地实行“开放、流动、联合、竞争”的运行机制，实施多学科、多专业交叉联合攻关的创新机制，发挥科技资源和共享平台优势，资助开展开放研究课题。

第四条 开放课题以科研基地资助为主，面向全国文物、博物馆单位和高等院校、科研院所等，公平竞争，择优立项，保证重点。鼓励申报单位配套。

第五条 科研基地学术委员会负责确定、设置开放课题的具体方向、内容和计划，由科研基地发布开放课题申请指南，并组织对申请课题进行评审，按照“公平竞争、择优支持”的原则，确定资助项目。国内外从事与本管理办法

第一条中确定的研究方向相关的同行均可根据课题指南提出申请。对已获各级自然科学基金、科技攻关、863、973及其它基金支持的项目将优先予以考虑。鼓励青年科技工作者和在校研究生申请

第四条开放课题每年评审一次，每项资助经费原则上不超过10万元，研究周期一般为一至二年。

第五条获资助课题的经费原则上在本科研基地使用，科研基地应向获得开放课题基金资助的研究人员和自带课题及经费的研究人员提供课题研究条件及相应生活条件。

第二章 资助范围

第六条开放课题基金主要资助以下研究项目：

围绕我国博物馆文物保存环境科学和技术发展战略，针对该领域的重大科技问题，而提出的馆藏文物保存环境的基础科学和应用技术研究课题。

第七条开放课题应与科研基地目前从事的研究项目紧密结合。

第八条开放课题基金优先资助学术思想新颖、理论根据充分、研究内容具体、研究方法和技术路线合理、并且紧密围绕科研基地的研究方向，1－2年内可取得预定成果的研究项目。

第三章申请条件

第九条科研基地设立开放课题旨在鼓励并资助科研基地内外的科技人员开展与本科研基地学术方向相关的科学研究或科学实验活动，由申请人单独或与本科研基地科技人员合作完成。凡国内外研究机构、大专院校、文物保护部门以及相关产业部门的科技工作者均可申请资助。

第十条申请课题的研究内容必须符合开放课题基金的资助范围。第十一条开放课题的申请人一般应具备下列条件：

1．申请人已经在所申请课题的研究方向上取得了比较好的研究成果或具有前期研究基础。

2．中级技术职称（含）以上以及获得硕士学位的青年科技工作者可直接提出申请，其他人员和在校学生需要两位具有副高级以上专业技术职称的同行专家推荐。本科研基地学术委员会根据申请择优资助。

3．必须是课题研究工作的实际主持人，学风正派，治学严谨。开放课题立项向中青年倾斜，申请人的年龄在申报当年一般不超过50周岁。

4．能保证开放课题研究所需要的时间投入，并有一定的时间到科研基地开展研究工作。

5．须承诺在开放课题研究中形成的成果（专著、论文或其它科技学术作品）标注“馆藏文物保存环境国家文物局重点科研基地开放课题资助”，同时履行与科研基地或相关单位共同达成的有关知识产权关系协议。

第四章申请、审批程序

第十二条科研基地负责开放课题的申请受理、研究过程管理以及成果档案管理，并为开放课题研究工作的顺利进行提供必要的支持和服务。科研基地主任是开放课题管理的具体责任人。

第十三条开放课题实行自由申请、科研基地办公室受理、科研基地学术委员会评定、科研基地批准、科研基地依托单位上海博物馆和组织单位上海市文物管理委员会备案的基本立项程序。

第十四条申请者向科研基地提交课题申请书一式3份，同时发送电子文档。

第十五条课题申请书将分送三位同行专家进行评议。

第十六条科研基地学术委员会根据运行费用的总额及评议情况择优批准，由科研基地办公室将结果通知申请人。

第十七条为体现公平、公正、公开的原则，开放课题申请指南、评审的主要程序及其结果应以适当的方式及时对外公布。

第十八条课题申请获准后，由课题承担者填写课题计划任务书，确定研究方案、工作进度、安排来科研基地工作时间及所需的仪器设备条件等。

第十九条非科研基地的研究人员由其申请的开放课题在被批准立项后即成为科研基地的客座人员。客座人员在课题执行期间必须在科研基地工作至少2个月;进入科研基地时，应先在科研基地报到，办理相关手续;应严格遵守科研基地的各项规章制度，爱护公共设备;应参加科研基地的学术活动，也可以召开专题讨论会，研讨有关的学术问题。

第五章经费的使用及管理

第二十条经批准的课题按研究计划及进度提出经费使用计划，由科研基地按计划和课题进展情况划拨经费，专款专用。

第二十一条科研基地资助的基金及其它途径获得的经费并入同一课题账号，用于支付研究工作所需的材料费、资料费、试验费、印刷费、国内差旅费、参加学术会议费用、研究人员的劳务、津贴酬金等。一般不用于购置仪器设备等固定资产，确需购置的，必须纳入科研基地固定资产管理。经费开支范围、标准和审批手续要符合国家文物局、上海博物馆及科研基地的有关规定。

第二十二条在科研基地开展研究工作的实验用房占用费，实验水电气费，公用仪器的运行费等由科研基地统一支付，不列入课题经费支出。

第二十三条年度末各课题负责人提交计划执行情况报告，经费使用结算报告，分送科研基地进行审核。结余经费转入下年度继续使用，在下一年度拨款中予以相应的增减。对于进展不良或不按科研基地有关规定执行的开放课题，经科研基地主任批准，可中断或取消其经费的使用。

第二十四条科研基地应积极筹措资金，用于与开放课题实施相关的以下费用支出：

1．开放课题立项评审、中期检查、结项活动费。

2．开放课题的成果评审和论文集出版。

3．燃料动力费和公共设施费用。

4．行政管理费。

第六章课题管理

第二十五条对每项开放课题，科研基地可在科研基地内指定一位相关专业的研究人员作为该开放课题的共同研究者。

第二十六条科研基地主任或分管副主任负责开放课题资助经费的实施管理。管理内容包括：

1．责成课题合作者与课题申请人签订合同。

2．核定课题资助经费。

3．检查课题的进度与质量。

4．课题验收。

5．向有关部门上报科研成果。

第二十七条开放课题实行课题负责人负责制。课题负责人领导课题组成员按时完成研究任务，实现研究目标，接受科研基地的监督和检查，处理与课题相关的事务。课题承担者每年年底填写《开放课题年度进展报告》，介绍课题进展情况，列出当年发表的技术报告、论文、鉴定或获奖的成果，并提供论文原件（或复印件）、成果简介、鉴定或获奖证书的复印件，由科研基地汇总、评审，必要时可送学术委员会进行书面评审，视评审结果给予表彰或批评。若申请的课题跨年度，凭年度报告参加下一年度开放课题的评审，决定是否继续资助。

第二十八条课题结束2个月内须填写结题报告，提交研究报告并附有关数据、资料、实物交科研基地存档，学术委员会对课题完成质量和学术水平进行评价，写出鉴定意见，由科研基地组织对成果进行成果鉴定、验收并通报研究人员原所在单位。科研基地对完成课题优秀的申请者按有关规定实行奖励，特别优秀的可以连续申请并给予资助。逾期不按要求提交总结报告者，取消其今后申请科研基地开放课题基金的资格，并通报其工作单位。

第二十九条计划变更。课题如无法按期完成或要求变更计划，须提前一个月向科研基地提出书面报告。

第七章成果管理

第三十条由本科研基地所属立项课题研究成果，其知识产权为本科研基地所有，论文第一作者可为申请人。论文或其技术文件署本科研基地名称，研究者原单位副署或加附注说明，论文或其技术文件一律由本科研基地签发。科研基地署名格式为“馆藏文物保存环境国家文物局重点科研基地（上海博物馆），上海200050（Key Scientific Research Base of the museum Environment, State Administration for Cultural Heritage，shanghai museum ,Shanghai 200050,China）”

第三十一条主要由本科研基地资助的研究课题，其研究成果由本科研基地和研究者所在单位共享，成果署名时以本科研基地为第一完成单位。

第三十二条自带课题及经费在本科研基地做了部分工作，研究成果以其所在单位为主。

第八章附则

第三十三条本办法自公布之日起实施。第三十四条本办法由本科研基地负责解释。

篇2：馆藏文物保存环境国家文物局重点科研基地

国内外关于复杂的非线性系统建模主要采用模糊逻辑方法、混沌时间序列模型,神经网络等方法[1~3],但这些方法存在影响因子确定困难、训练时间长、收敛速度慢和局部极小等缺点,最主要的是这些方法是基于经验风险最小化的,缺乏对数据样本的充分学习过程,在回归预测中,容易对样本数据产生过拟合,导致模型的泛化能力差,对预测结果的准确度产生很大的影响。

Vapnik[4]在统计学习理论基础上提出支持向量机,引入泛化误差界,寻求经验风险与置信风险和的最小化。支持向量学习算法在解决小样本、非线性问题中表现出特有的优势,将其推广应用到函数拟合回归预测,称为支持向量回归(support vec⁃tor regression,SVR)。目前SVR已成为非线性时间序列预测的重要手段,被广泛应用到网络流量、交通运输等诸多领域[5,6]。SVR经过数年发展,其参数选择优化算法已成为研究热点[7,8]。参数寻优目前主要使用遗传算法(GA)、粒子群算法(PSO)等。GA-SVR算法参数寻优主要由概率决定,参数设置复杂,参数值由经验得来,具有不稳定性。PSO-SVR算法可调节的参数少,收敛速度快,预测的精度高,可操作型强,特别适合SVR算法的参数寻优。为适应不同领域的研究需求,PSO-SVR也演变出各种不同的改进算法。在工业控制方面,吴东升等人将ACPSO-SVR算法应用到棒材连轧轧制力预测研究中;在水质预测方面,徐龙琴等人采用PSO-WSVR算法;在通信行业,张杰等人将改进后的PSO算法优化LS-SVR应用到话务量预测研究中。

事实表明,PSO-SVR在众多领域均具有实用性,但在博物馆温度预测方面应用很少。由于博物馆温度受馆内客流量和室外温度的影响巨大,这对博物馆温度预测结果的精度提出了更高的要求。为此,本文提出一种动态更新粒子速度和位置并自适应权重的粒种子群算法用于支持向量回归预测模型的参数寻优。本文利用反向预测因子及斥力因子,显著提高博物馆温度预测结果的精度。

1 支持向量回归机

1.1 ε–SVR理论

支持向量机(support vector machines,SVM)的思想就是寻找一个最优超平面作为决策曲面,使得正例和反例之间的隔离边缘最大化。ε–SVR通过引入不敏感损失函数,形成一个不敏感的损失区域。如果样本落在不敏感的损失区域则不产生损失;否则通过引入变量C来控制对超出误差界限的样本的惩罚程度。这样,可能寻找到不同的最优超平面,从而得到不同的预测结果,通过选取适当的参数可以提高预测的精度[9]。

1.2 ε – SVR算法

设样本集{(Xi,Yi)}(i=1,2,…,m),其中Xi∈ Rn为

输入量,Yi∈ R1为目标输出量。标准ε – SVR模型如下:

其中,为模型的复杂度;C为惩罚参数;ξ、ξ*为松弛变量;ε为不敏感损失函数。

由于目标函数不可微,并且特征空间是高维空间。故引入拉格朗日函数,将上述具备约束条件的最小化问题转化为其等价的对偶问题,有:

其中,

得到最终的预测函数值:

考虑到径向基核函数在时间序列预测中效果显著,本文选定径向基核函数作为核函数。其计算公式如下:

2 改进型参数寻优算法

2.1 基本PSO算法

PSO算法是一种群体智能算法,群体中每个个体称为粒子,代表着极值优化问题中的潜在最优解,粒子在所有解的空间内运动,通过比较适应度值,最终找到最优解[10]。

首先,初始化粒子群,采用位置-速度模型。设粒子在d纬的所有解的空间进行搜索,得到如下表示:

粒子当前时刻的速度更新公式和粒子更新公式如下:

其中:c1、c2为加速因子;r1、r2为[0,1]之间的随机数;Vk、Vk + 1、Xk、Xk + 1分别为当前时刻、下一时刻的粒子速度和粒子位置;ω 为权重因子。

2.2 改进型DAPSO算法

基本PSO算法中,粒子的更新完全依靠自身历史最优值和群体最优值,在求解高维空间问题时,容易过快陷入局部极值点,这样就导致算法在函数优化中的精度难以提高。

针对上述问题,本文对基本的PSO算法进行改进,提出DAPSO算法。该算法利用反向预测因子动态更新粒子速度,来降低粒子更新时出现过早收敛的概率,利用斥力因子,动态更新粒子位置,以对粒子位置进行修正,使搜索空间中的粒子分布均匀化,并根据当前代数自适应非线性更新权重因子,以达到提高收敛速度的目的。

2.2.1 粒子位置更新方式的改进

在基本PSO算法的初始迭代阶段,粒子群很容易过分聚集,造成搜索空间受限,DAPSO算法通过引入斥力因子,以保证粒子之间的距离不小于允许值。其主要思想是:在算法的初始阶段,为粒子的各维设定同一的最小允许间隔 Δsk,间隔的更新采取非线性递减策略,以动态平衡算法的大范围快速寻优和小范围局部求精的能力,其更新公式为:

其中,sini、send分别为 Δsk的初始值和终止值。 k为当前迭代的代数,kmax为最大迭代代数。

然后粒子位置更新,并计算粒子间各维的距离和:

将其与最小允许间隔对比,并根据式(14)对粒子位置进行更新。

当迭代次数k ≥ 0.5kmax,按照式(6)更新粒子的位置。考虑到粒子每一维方向上都有正负的区别,为避免粒子位置更新出现重合的情况,位置的更新间距设为2 Δsdk。

2.2.2 粒子速度更新方式的改进

为了降低在基本PSO算法中,粒子在运动中出现“早熟收敛”的可能性,DAPSO算法在初始迭代阶段,通过引入反向预测因子,以平衡粒子的多样化和集中化。更新公式为:

其中,r3为[0,1]区间的随机数。 第4项的作用是对粒子搜索过程中个体最优值和群体最优值的反向预测。当迭代次数k ≥ 0.5kmax,为提高粒子小范围的搜索精度,粒子速度按照式(10)进行更新。

2.2.3 权重因子 ω 的改进

为了平衡基本PSO算法的全局搜索能力和局部改良能力,DAPSO算法采用非线性动态更新权重因子的公式:

其中,ωmax、ωmin为 ω 的最大值和最小值,f为粒子当前适应度值,fmin、favg为粒子群中适应度值的最小值和平均值。

3实验对比

3.1建模流程

第一:收集样本数据,数据来源UCI数据库。为验证模型的通用性,样本数据采用两个无关的数据集;第一份数据为锅炉温度的采样值;第二份为卧室的温度采样值。

第二:归一化。依式(17)将样本数据归一化处理后,作为预测模型的输入值。

第三:防止过学习和欠学习。在模型对三参数寻优过程中加入交叉验证方法(K-CV),本实验取k=3;

所谓交叉验证算法就是,当参数集选定,将训练集分成k份,分别用来训练模型;取准确率最高的那组参数集作为最优参数集。

第四:反归一化。依式(18)将预测模型预测的输出值作反归一化处理。

第五:分别按照式(19)和式(20)计算均方误差(MSE)和相关系数(CC)衡量PSO-SVR模型和DAPSO-SVR模型的性能。

第六:对比显示两种模型的性能指标。

3.2实验结果

设样本为m,取前m-1 个样本分别训练PSO-SVR模型和DAPSO-SVR模型,并分别对第m样本进行预测。实验针对两个数据集,给出样本数m=1000 时,预测值与实际值的对比结果。

样本集:锅炉温度集,预测结果对比图:

样本集:卧室温度集,预测结果对比图:

针对每个数据集,样本相同时,PSO-SVR和DAPSO-SVR以上对比结果图,可知DAPSO-SVR的拟合效果比PSO-SVR要好,尤其是峰值临近区域,DAPSO-SVR具有明显的优势。

针对不同的样本数,利用两份数据集分别对PSO-SVR和DAPSO-SVR模型进行训练,并给出模型的均方误差和相关系数,以衡量模型性能。

从表1、表2可以看出,将MSE和CC作为模型性能指标时,本文提出的DAPSO-SVR模型明显优于PSO-SVR模型。

4 结束语

本文从SVR模型的参数寻优入手,提出DAPSO算法,并建立DAPSO-SVR预测模型。经实验表明,DAPSO-SVR模型具备更好的预测误差和性能。证明了该模型在博物馆环境温度预测领域的有效性和可行性。

摘要：提出一种PSO优化的SVR算法并应用于博物馆的环境温度预测。针对基本粒子群算法容易陷入局部最优值的问题,通过引入预测因子和斥力因子,提出一种动态更新速度和粒子并自适应权重的粒子群算法(DAPSO)。选定径向基函数作为SVR的核函数,分别使用PSO和DAPSO算法同时对c、γ和ε进行寻优,并建立温度预测模型。另外,模型采用交叉验证算法来避免过拟合。通过对比两种参数优化算法下模型对温度预测结果的均方误差和相关系数,证明本文提出的优化模型优于PSO-SVR模型。

关键词：SVR,DAPSO,温度预测模型,均方误差,相关系数

参考文献

[1]Chen L,Chen G.Fuzzy modeling,prediction,and control of uncertain chaotic systems based on time series[J].IEEETrans on Circuits and Systems,2000,47(10):1527-1531.

[2]廖大强,印鉴.基于多分支RNN快速学习算法的混沌时间序列预测[J].计算机应用研究,2015,32(2):404-408.

[3]Han M,Xi J,Xu S,et al.Prediction of chaotic time seriesbased on the recurrent predictor neural network[J].IEEETrans on Signal Processing,2004,52(12):3409-3416.

[4]VAPNIK V.The nature of statistical learning theory[M].许建华,张学工,译.北京:电子工业出版社,2009.

[5]王瑞雪,刘渊.GAFSA优化SVR的网络流量预测模型研究[J].计算机应用研究,2013,30(3):856-860.

[6]肖智,李玲玲.PSO-SVM在高速公路交通量预测中的应用[J].管理评论,2011,23(12):32-37.

[7]Huan C.A hybrid stock selection model using genetic algo-rithms and support vector regression original research article[J].Applied Soft Computing,2012,12(2):807-818.

[8]陈传亮,田英杰.基于粒子群优化的SVR算法与BP网络的比较研究[J].北京师范大学学报,2008,44(5):449-453.