模糊线性判别QR分析的茶叶近红外光谱鉴别分析

不同品种茶叶因其所含的有机化学成分不同,其效果也会有差别。所以,寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。近红外光谱(NIR)分析是一种无损检测技术,能很好的鉴别茶叶品种。使用NIR光谱仪采集茶叶的NIR数据。为了对包含噪声信号的茶叶近红外光谱进行准确鉴别,提出了一种模糊线性判别QR分析的新方法,可以对茶叶近红外光谱进行准确分类。通过使用模糊线性判别分析(FLDA)将由主成分分析(PCA)压缩的茶叶近红外光谱数据进行降维,由模糊线性判别分析得出的特征向量构建鉴别向量矩阵,对鉴别向量矩阵进行矩阵的QR分解,得到新的鉴别向量矩阵。经过模糊线性判别QR分析后使用K近邻算法进行分类,具有准确率高等优点。以岳西翠兰、六安瓜片、施集毛峰和黄山毛峰四种茶叶为研究样本,每类65个,茶叶样本总数为260个。采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理,采用多元散射校正,由于采集到的茶叶光谱数据存在散射干扰。以此得到的近红外光谱数据的维数为1557维,通过主成分分析压缩数据集的维数,使得光谱数据集的维数达到7维。经压缩过后的光谱数据集中的鉴别信息再通过模糊线性判别QR分析进行提取,使得光谱数据的维数降低到3维。利用K近邻算法对茶叶样本进行分类,实现对茶叶品种的准确分类。最后进行三种算法分析结果的比较,分别是主成分分析结合K近邻算法、主成分分析和线性判别分析结合K近邻算法、主成分分析和模糊线性判别QR分析结合K近邻算法。在权重指数m=2,K=1条件下,最后的分类准确率分别为83.89%, 87.78%和98.33%。实验结果显示:模糊线性判别QR分析可以实现茶叶近红外光谱的准确鉴别分析,其展现出来的效果比主成分分析和线性判别分析表现的效果更好。

模糊线性判别函数与权重初始化超球面

将非线性神经元及多层感知机分类行为分析建筑在模糊集理论基础上 ,提出模糊线性判别函数、模糊判别面、模糊模式分类等概念 ,并引导出将多层感知机的隐层权重值均匀地分布在权重空间超球面上的网络初始化方法。以一系列实验验证此方法能明显提高多层感知机收敛性能 ,且与所用的学习算法、神经元的激励函数形式无关。

模糊线性判别分析中距离对面部识别的影响

针对面部识别问题提出了基于QR分解的模糊线性判别分析方法,并通过ORL、Yale和FERET人脸数据实验研究了该方法在不同距离下对面部识别率的影响;同时还研究了KNN分类器中K值的选择对面部识别率的影响。实验结果表明,距离的选取对面部识别率的结果有明显的影响。对不同的人脸数据集来说,KNN分类器中的K的选取也会对识别率有影响。对于ORL面部图像数据来说,在Minkowski距离下(m=3),K=1时分类效果最好;对于YALE人脸数据,在Chebyshey距离下,K=5时分类效果最好;对于FERET人脸数据,在绝对距离下,K=1时分类效果最好。

基于模糊线性判别分析的控制规则约简

在线性判别分析的基础上提出了一种模糊线性判别分析方法,对模糊数据进行判别分析,并将这种方法应用于模糊化控制器的规则约简,从而在不影响控制品质的基础上,减少控制器运算量.实验表明,经过规则约简之后的模糊控制器能够顺利完成倒车控制,具有较高的普适性.

近红外光谱结合模糊非相关QR分析的生菜储藏时间辨别

生菜是人们经常食用的蔬菜之一,生菜的储藏时间是影响生菜新鲜程度的重要因素。所以研究一种简单、快速、非破坏性的生菜储藏时间的鉴别方法是非常必要的。近红外光谱(NIR)分析能快速和准确的获取生菜的近红外光谱,从而实现无损鉴别生菜储藏时间。但是生菜的NIR数据中存在噪声信号和冗余信号,为了消除光谱的噪声信号并提取特征信息,提出了一种基于模糊非相关QR分析(FUQRA)的近红外光谱生菜储藏时间鉴别新方法。首先,需要降低原始NIR数据的维数,通过使用主成分分析(PCA)将包含1557个维度的光谱数据降至包含22个维度。然后通过模糊非相关判别转换(FUDT)计算出特征向量,利用特征向量建立鉴别向量矩阵,并进行QR分解,得到最终的鉴别向量矩阵。最后以60个新鲜生菜样本为研究样本,使用K近邻(KNN)方法进行分类,用AntarisⅡ型NIR光谱仪对生菜样品进行近红外光谱检测和数据收集。实验过程中每隔12小时对每个样本进行3次重复检测,将这些数据取平均值作为实验数据。随后利用多元散射校正(MSC)减少近红外光谱中的噪声信号。为了验证所提出方法的有效性,分别将主成分分析(PCA)结合KNN、主成分分析和模糊线性判别分析(FLDA)结合KNN、主成分分析和模糊非相关判别转换(FUDT)结合KNN以及主成分分析和模糊非相关QR分析(FUQRA)结合KNN四种算法分析结果进行比较。将权重指数m的不同取值产生的分类准确率进行比较,选出最合适的权重指数和KNN的参数K:m=2,K=3。最终得到的分类准确率分别为43.33%、96.67%、96.67%和98.33%。可以看出,相比其他三个算法,模糊非相关QR分析可以更好地实现对生菜储藏时间的鉴别。

Gath-Geva联合模糊聚类的生菜近红外光谱聚类分析

生菜的新鲜程度是影响生菜品质的最重要因素之一,其主要取决于生菜的储藏时间,因此,对不同储藏时间的生菜进行准确鉴别具有重要研究价值。由于不同储藏时间生菜的近红外光谱数据具有差异性的特点,因而使用近红外为不同储藏时间的生菜进行鉴别分类是可行的。通过将联合模糊C均值聚类(allied fuzzy c-means,AFCM)中的欧式距离测度替换为指数距离测度从而提出了一种GG联合模糊聚类(Gath-Geva AFCM,GGAFCM)分析算法。GGAFCM通过迭代计算得到模糊隶属度值和典型值,再结合近红外光谱实现了对不同存储时间生菜的高效精准鉴别。以新鲜的生菜样本作为研究对象,使用傅里叶近红外光谱仪(AntarisⅡ型)每隔12 h对生菜样本采集漫反射光谱数据,光谱的波数范围介于10000~4000 cm-1之间。首先,通过主成分分析(principal component analysis,PCA)对采集到的1557维生菜近红外光谱数据进行数据压缩将其降至22维,然后通过模糊线性判别分析(fuzzy linear discriminant analysi s,FLDA)对降维后的近红外漫反射光谱数据的鉴别信息进行提取。设定鉴别向量数为2,即通过FLDA将22维的生菜近红外光谱数据转换为了2维数据。最后将模糊C均值聚类(fuzzy c-means,FCM)的聚类中心作为GGAFCM和AFCM的初始聚类中心,通过运行FCM,GGAFCM和AFCM完成对不同储藏时间生菜的鉴别分类,并对三种模糊聚类算法得到的聚类准确率、模糊隶属度、迭代次数进行分析。实验结果表明:在初始化条件相同的情况下,采用的GGAFCM算法与FCM和AFCM算法相比具有更高的鉴别准确率。在m=2的情况下,GGAFCM的鉴别准确率达到了95.56%,而AFCM的聚类准确率为91.11%。GGAFCM迭代4次达到收敛,而AFCM与FCM均需要8次迭代计算才能达到收敛。基于近红外光谱技术,通过GGAFCM结合P CA与FLDA算法可以高效快速且无损的完成对储存时间不同的生菜的准确鉴别分类,为生菜储存时间的准确、快速鉴别提供了实验依据和参考方法,具有一定的实际应用价值。

一种基于改进模糊聚类算法的自适应典型日选取方法

考虑单一算法在选取典型日负荷曲线上的不足,将改进后的可能模糊C均值聚类算法(PFCM)与模糊线性判别法(FLDA)相结合提出一种新的集成聚类方法。首先将原有的PFCM改进,得到改进后的PFCM,并将其应用于最佳聚类数的选取;然后将改进后的PFCM与FLDA相结合,将该集成聚类算法应用于负荷曲线的聚类。最后,通过某电网全年负荷数据验证了所提方法在典型日选取上的有效性。

多层感知器分类行为的模糊线性分析

线性判别函数理论是线性分类器的分析基础,并不适合非线性分类器。本文把非线性激励函数视为隶属度函数,将非线性神经元及多层感知器分类行为的分析建筑在模糊集理论基础上,提出模糊线性判别函数与模糊判别边界、模糊分类等概念。并引出将隐层初始权向量均匀分布在权空间超球面上的初始化方法,明显提高了多层感知器的收敛性能,并提出了一种在多层感知器的类空间中构造最优超平面的简易新方法。