基于马氏距离判别法的脑电图数据分析的研究

目的:本文通过对客观记录的受试者脑电图数据进行马氏距离判别分析,判断其能否应用于脑电数据特征提取和分类决策。为脑电图研究的其它分析做基础分析。方法:根据α波的强弱不同将21导电极分为四类,分别对63例正常状态下受试者21导联电极的脑电图数据进行马氏距离判别分析,并利用误判率回代估计法检验判别准确率。数据处理和统计分析采用独立设计的脑电图分析工具箱和马氏距离判别分析程序。结果:表明对63例正常状态下受试者的脑电图数据进行马氏距离判别分析,预测各电极分类准确率84.4%。结论:马氏判别法预测准确率较高,脑电特征(主要为α波)提取较为准确,能较好的应用于脑电数据特征提取和分类决策中,从而辅助脑电图的检查和定量分析,为脑电图的检验提供有效的分析手段。

回采巷道围岩稳定性分类的加权距离判别分析法

基于距离判别分析理论及主成分分析的降维思想,选取影响回采巷道围岩稳定性的综合因素如压力系数P、节理发育程度、松动圈尺度L作为判别因子,分别建立了假定各总体协方差阵相等的马氏距离判别分析(MD-1)模型、考虑各总体协方差不一定全相等的马氏距离判别分析(MD-2)模型、加权距离判别分析(WMD)模型。并以平顶山矿区30条回采巷道实测数据作为学习样本进行训练。经过训练后的模型回判估计,WMD模型与MD-2模型的误判率为0,MD-1模型的误判率为0.067。结果对比表明,WMD比常规的MD-2具有更高的判别能力,MD-1判别效果最差,这说明应用距离判别分析法,特别是加权距离判别分析法是一种准确有效的回采巷道围岩稳定性分类方法。

信息集成方法选择变量与判别分析的应用

针对自变量较多,但每一变量携带信息较少的情况,提出通过信息集成选择主要变量的方法。经过相关分析检验,再应用马氏距离判别进行地震预报。模型由主成分分析、相关分析、马氏距离判别组成,利用华北地区地震数据进行了地震预报,取得了较好的效果。

基于近红外光谱和化学计量学的驴肉鉴别方法研究

驴肉具有极高的食用价值,资源的缺乏使其价格持续走高,由此引发的欺骗和掺假亟待解决。选取了不同部位(脖子、肋板、后墩和腱子)的驴肉样品(n=167)及牛肉(n=47)、猪肉(n=51)和羊肉(n=32)样品在4 000~12 500cm-1光谱范围上建立了驴肉的近红外光谱鉴别模型。比较了马氏距离判别分析、簇类独立软模式分类法、最小二乘-支持向量机方法分别结合平滑(5点、15点及25点)、一阶和二阶微分、多元散射校正和标准归一化的光谱预处理方法对肉块样品及大中小三个不同粉碎粒径(7,5,3mm)肉糜样品的分类模型结果发现,原始光谱前11个主成分得分作为输入的马氏距离判别及前6个主成分作为输入的最小二乘-支持向量机肉块样品分类模型较优,校正集和预测集正确率分别为100%和98.96%;原始光谱前5个主成分作为输入的LS-SVM大粒径肉糜样品分类模型结果较优,校正集和预测集判别正确率为100%和97.53%;原始光谱前8个主成分得分作为输入的簇类独立软模式分类法中粒径肉糜样品分类模型结果较优,校正集和预测集的判别正确率均为100%;而对于小粒径肉糜样品,原始光谱前7主成分输入的马氏距离判别和前9主成分输入的簇类独立软模式分类法模型均得到了校正集和预测集100%的判别正确率。以上模型中的驴肉样品均得到了100%的判别正确率。研究结果表明,使用近红外光谱分析技术结合化学计量学方法鉴别驴肉是可行的。

近红外光谱的李果实褐变鉴别方法研究

在采后冷藏过程中,李果实很容易发生褐变,这是影响其品质的重要因素之一。有关李果实褐变的传统检验手段绝大多数为破坏性检验,且主观性强、一致性差。为此,使用了近红外光谱的方法来实现对李果实褐变和非褐变的无损、快速鉴别。采集4 000~12 500 cm^(-1)波长范围内的124个李果实样品(褐变样品70个,非褐变样品54个)的近红外漫反射光谱,基于主成分分析的马氏距离判别分析和反向传播人工神经网络定性鉴别模型,通过比较和考察上述模型对褐变样品和非褐变样品识别的准确程度,筛选出能够有效鉴别李果实褐变的新方法。结果表明:在对样品全波段光谱数据做主成分分析后,以前10主成分得分作为输入变量所建立起来的马氏距离判别分析和反向传播人工神经网络模型均能够对李果实褐变与否进行有效识别,且后者判别效果更佳,其校正集和预测集的判别正确率分别为100%和97.56%,对非褐变样品和褐变样品的判别正确率分别达到100%和98.57%。因此,采用近红外光谱分析技术并结合化学计量学方法能够对李果实是否褐变进行快速、无损、有效的鉴别。

基于支持向量机的造纸废水处理过程故障诊断

故障检测和故障诊断是工业过程监控的主要内容。针对造纸废水处理过程的多变量、非线性、大时变等特点,本课题首先采用主成分分析(PCA)对故障进行检测,然后分别采用马氏距离判别分析和支持向量机(SVM)对偏移、漂移和精度下降3种故障类型进行故障诊断。计算结果表明,基于主成分分析的故障检测率达97. 50%;基于支持向量机故障诊断方法的故障分离能力为90. 00%,而基于马氏距离判别分析方法的故障分离能力为73. 75%。相比基于马氏距离判别分析的故障诊断方法,基于支持向量机的故障诊断方法更适合于非线性时变的造纸废水处理过程。

中药材及炮制品的近红外指纹图谱模式识别快速鉴别方法

运用近红外漫反射技术(NIRDRS)结合主成分-马氏距离判别分析方法(PCA-Mahalanobis distance discriminant analysis)对7种中药材及炮制品进行鉴别。采集7种中药材和炮制品的近红外漫反射光谱,经多元散射校正(MSC)后,运用主成分分析将多元散射光谱变量降维,再利用马氏距离判别分析方法建立模式识别模型。所得PCAMahalanobis distance模型对7种中药材和炮制品的分类正确识别率均为100%,表明模型具有较好的预测分类能力。近红外漫反射技术结合主成分-马氏距离判别分析方法,为判别外观相近容易混淆的不同药材和炮制品提供了一种快速简便、准确可靠的鉴别方法和手段。

基于RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号中提取故障特征困难的问题,提出了一种基于精细时移多尺度模糊熵(refined time-shift multiscale fuzzy entropy,RTSMFE)、马氏距离的核正则化共面判别分析(Mahalanobis-kernel regularized coplanar discriminant analysis,M-KRCDA)以及郊狼优化算法优化支持向量机(coyote optimization algorithm-support vector machine,COA-SVM)的行星齿轮箱故障诊断方法。首先利用RTSMFE计算和组合行星齿轮箱原始故障信号的特征向量,构建原始高维故障特征集;然后采用M-KRCDA的特征筛选方法,减少了特征的维数并提高特征故障识别的准确性和效率;最后将低维特征输入到COA-SVM进行故障类型的判别。行星齿轮箱故障诊断试验结果分析表明,所提方法能够准确识别行星齿轮箱的常见故障,具有一定的应用前景。

瑶药“老班药”特殊分类的化学模式识别方法研究

目的运用近红外漫反射技术结合主成分-马氏距离判别分析方法,对瑶药"老班药"的传统分类进行科学表征。方法采集二十种瑶药"老班药"的近红外漫反射光谱,经预处理后,通过主成分分析-马氏距离判别分析方法构建瑶药"老班药"模式识别模型。结果所得模型对二十种瑶药"老班药"四种类别"虎、牛、钻、风"的正确识别率达到90%以上,表明该模型具有较好的预测分类能力。结论运用简便、快速、无损的近红外漫反射技术结合主成分分析-马氏距离判别分析方法,对瑶药"老班药"的传统分类进行了科学表征,结果表明瑶药"老班药"-"虎、牛、钻、风"的特殊分类有比较可靠的物质基础。近红外光谱漫反射技术结合马氏距离判别分析是一种适用于瑶药"老班药"特殊分类研究的可靠的模式识别方法。