基于氨基酸模式和判别分析的畜禽肉源性成分鉴别方法研究

为建立畜禽肉中动物源性成分快速有效的鉴别方法,对鸡肉、鸭肉、鹅肉、猪肉、牛肉、羊肉6种动物肉样绝干基础样品中16种氨基酸含量进行测定,建立各种动物样品的氨基酸简洁模式,并通过主成分分析和判别分析对不同样品16种氨基酸含量进行综合评价和分类。结果表明,6种动物样品均具有独特的氨基酸模式。通过主成分分析将16个氨基酸指标简化为3个主成分,其累积方差贡献率为90.575%。判别分析显示鸡肉、鸭肉、鹅肉、猪肉、牛肉、羊肉6种动物样品分别集中在不同的区域,彼此之间差异明显,很容易辨别。基于氨基酸模式和判别分析均可进行畜禽肉源性成分鉴别。

基于有机酸、氨基酸和香气物质的烤烟香型逐步判别分析

研究旨在实现对清甜香型、蜜甜香型、蜜甜焦香型、焦甜醇甜香型和焦甜焦香型5种烤烟香型的快速判定。选取5个省份51个C3F等级的烤烟样品,对烟叶中的有机酸、氨基酸、香气物质进行方差分析与判别分析,并建立Fishier判别函数。结果表明,清甜香型与蜜甜焦香型烤烟总氨基酸含量显著高于焦甜醇甜香型烤烟,总有机酸与香气物质含量在5个香型之间不存在显著差异,在部分高级脂肪酸、苯丙氨酸类降解产物、类胡萝卜素类降解产物和茄酮上存在差异;共有丁二酸、柠檬酸、二十酸、丝氨酸、6-甲基-5-庚烯-2-醇、愈创木酚、香叶基丙酮、巨豆三烯酮3和法尼基丙酮9个指标被纳入函数,建立的判别函数经自身验证法与交叉验证法回判,判对率分别为94.1%和86.3%。本研究建立的判别函数对5种烤烟香型具有较好的判别效果,准确率较高。

基于叶片表型和矿质元素含量特征的油茶品种判别分析

以广泛栽培的‘长林’、‘湘林’、‘赣林’系列28个品种为对象,分析不同油茶品种的叶片表型和矿质元素含量特征,并探讨其在品种判别分析中的应用效果。结果表明,供试28个品种的叶片表型特征和矿质元素含量变异丰富,其中叶面积的变异系数最大(18.66%),形状系数、形状因子的变异系数最小(分别为1.68%、3.64%);油茶不同品种叶片中氮元素平均含量最高,其次为钙、钾和铝元素,镁、锰、硫和磷元素的含量相对较低,从变异系数来看,锰元素的变异系数最大(123.72%),磷、钾、钙、镁元素的变异系数居中(在13.34%~17.71%之间),而氮、硫和铝元素的变异系数最小(在6.77%~9.20%之间);油茶叶片表型特征和矿质元素含量在品种间均存在显著差异;以叶片表型和矿质元素含量指标为变量进行品种判别分析,实现了对供试28个品种的完全判别。本研究为油茶品种鉴别分析提供了思路和借鉴。

半监督空谱局部判别分析的高光谱影像特征提取

为充分利用高光谱影像中蕴含的空谱特征,提出了一种半监督空谱局部判别分析的高光谱影像特征提取算法(S4LFDA)。鉴于高光谱数据集具有空间一致性,首先将像元进行空间重构,保存高光谱数据的近邻关系;其次引入光谱信息散度重构像元间的相似度;为了充分利用大量无标签样本提高算法性能,采用模糊C均值聚类算法对样本进行聚类分析得到伪标签;然后通过增加规范化项到局部力导引算法(FDA)的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性;最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量。S4LFDA算法既保持了数据集在光谱域的可分性,又保持了像元在空间区域内的近邻关系,合理利用有标签样本及无标签样本,提高了算法的分类性能。在Pavia University和Indian Pines数据集上进行实验,总体分类精度达到95.60%和94.38%。与其他维数约简算法相比,该算法有效提高了地物分类性能。

基于概率球面判别分析的说话人识别信道补偿算法

在说话人识别任务中,概率线性判别分析(PLDA)模型是目前常用的分类后端,但由于高斯PLDA模型分布假设不能准确拟合真实说话人特征分布,导致基于高斯分布假设长度归一化的信道补偿方法会破坏说话人特征类内分布的独立性,使得高斯PLDA不能充分利用上游任务提取特征所包含的说话人信息,从而影响识别结果。针对这一问题,提出基于概率球面判别分析的信道补偿算法(CC-PSDA),通过引入冯·米塞斯-费希尔(VMF)分布假设的概率球面判别分析模型(PSDA)和特征变换方法代替高斯分布假设的概率线性判别分析方法,以避免信道补偿对说话人特征类内分布独立性的影响。首先,为了使说话人特征符合VMF分布先验假设拟合后端分类模型,在特征级利用非线性转换对说话人特征进行分布变换。之后,利用基于VMF分布假设的PLDA模型不会破坏说话人特征的类内分布结构的特点,将变换后的说话人特征定义到特定维度的超球面,最大化特征类间距离。所提算法通过期望最大化(EM)算法进行求解,最终完成分类任务。实验结果表明,改进算法在三个测试集上的识别等错误率相较于对比模型PSDA、高斯PLDA均最低。由此可见,所提模型可以有效区分说话人特征,提高识别性能。

人工养殖斑鰶不同月龄表型性状的主成分与判别分析

为研究斑鰶不同月龄表型性状的生长规律和特征,及最佳生长季节各性状与月龄的关系。采用主成分和判别分析的方法对2、4、6和8月龄斑鰶的全长、体长、头长、躯干长、尾柄长、眼径、体高、尾柄高、体宽、眼间距和体重等11个性状进行分析。结果显示,斑鰶不同月龄各性状指标间呈现不同程度的正相关,各月龄的体重与全长、体长、体高和体宽的相关系数均较大,眼径和眼间距2个性状与其他性状之间的相关系数均较小,8月龄各性状对体重的相关系数均小于2、4和6月龄。斑鰶不同月龄性状的主成分有所不同,各月龄第一主成分均以增重、增长的生长发育特性为主;第二主成分为2月龄指向体宽的发育情况,4、6和8月龄指向眼径发育情况;第三主成分为2和4月龄反映头部发育情况,6月龄反映眼径发育情况,8月龄反映体宽的发育情况。通过逐步判别分析法,剔除掉3个性状指标,建立各月龄的判别函数式,总的判别准确率为99.3%,2、4和8月龄的判别准确率达到100%。斑鰶2~8月龄的体长与体重的关系为W=0.017L^(2.929)(R^(2)=0.981)。研究表明,全长、体长、体高和体宽是影响斑鰶生长发育最重要的表型性状指标,建立了不同生长阶段的判别函数式,生长方式为等速生长(2~8月龄)。本研究为斑鰶的选择育种工作提供理论依据和建议测量指标。

基于Fisher判别分析可分性信息融合的马铃薯VC含量高光谱检测方法

为提高马铃薯VC含量检测结果的准确性和可靠性,提出一种基于Fisher判别分析(Fisher discriminant analysis,FDA)可分性数据融合的检测模型输入变量构建方法。首先,利用高光谱成像技术采集200个马铃薯的高光谱信息,通过对比6种预处理方法和原始数据的建模结果,确定多元散射校正为光谱数据的预处理方法;其次,采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)及CARS-SPA组合算法3种方法提取相应特征波长,通过对比分析最终确定34个有效特征波长;然后,将有效特征波长进行FDA可分性数据融合,根据融合的新变量对样本间差异性判别能力的大小进行筛选,确定构建检测模型的输入变量;最后,分别对FDA融合前后筛选的变量建立偏最小二乘模型和反向传播神经网络(back propagation neural network,BPNN)模型,并对检测结果进行对比分析。结果表明,将CARS算法提取的34个特征波长进行FDA融合,采用前3个融合变量作为构建检测模型的输入变量时,其所建BPNN模型的相关系数由0.9726提高至0.9990,均方根误差由0.7723降低至0.1727,不仅能够极大地降低数据分析维度,而且能够提高检测结果的准确性。因此,基于FDA可分性数据融合构建检测模型输入变量可以提高马铃薯VC含量检测结果的准确性。

三维荧光光谱融合小波包分解融合Fisher判别分析及支持向量机识别紫苏

为实现紫苏品种的快速鉴别,避免以次充好,选取4个品种的紫苏采集三维荧光数据,提出了一种基于小波包分解融合Fisher判别分析(Fisher discriminant analysis,FDA)的荧光数据特征选择策略,并实施了4种紫苏的有效鉴别。首先,对三维荧光数据进行预处理,采用Delaunay三角形内插值法去除瑞利散射和拉曼散射,以消除它们的不利影响;运用Savitzky-Golar卷积平滑对数据进行平滑处理,以减少噪声的干扰。同时,对三维荧光数据进行初步筛选,去除了荧光强度小于0.01的发射波长。然后,对各激发波长对应的发射光谱进行3层sym4小波包分解,计算得到最低频段的小波包能量值,作为各激发波长光谱数据表征量。接着,再利用FDA对小波包能量进行判别分析,将其所包含的差异性信息进行融合,得到FDA生成的新变量,并选取累计判别能力达到99%的前3个FD变量作为不同品种差异性信息的表征变量,提出三维荧光数据的表征策略。最后,利用BP神经网络(backpropagation neural network,BPNN)和支持向量机(support vector machine,SVM)两种模式识别算法对表征变量进行分析,得到FDA+BPNN和FDA+SVM两种鉴别结果。FDA+BPNN的训练集正确率为97.5%,测试集正确率为95%;FDA+SVM的训练集和测试集的正确率均达到98.33%。结果表明,三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别。这为后续有关紫苏的进一步检测研究(如某些有效成分的定量检测)提供了研究基础。

基于Fisher判别分析对不同油分烟叶的识别研究

为烟叶油分档次的判别提供参考,以三门峡主产区132份初烤烟叶为样品,评定油分档次后,测定烟叶样品中主要含氮化合物的含量,运用方差分析、Spearman相关性分析和主成分分析筛选出油分档次的判别指标,采用Fisher判别分析建立烟叶油分档次的判别模型。结果表明,不同油分烟叶的含氮化合物中大多数氨基酸含量(19/21)存在显著差异,除脯氨酸外,基本与油分呈显著或极显著负相关。经过主成分分析,从主要含氮化合物中提取出4个主成分,代表了总指标73.441%的信息,筛选出17种烟叶油分的特征含氮化合物。经Fisher判别分析,确定了17种游离氨基酸作为烟叶油分的有效判别指标,构建了烟叶油分档次的Fisher判别模型,训练集和测试集的识别率均为100%。并利用江西吉安和云南楚雄的20份样品对模型进行了验证,准确率分别为100%和80%,对烟叶油分档次的判别效果较好。游离氨基酸的检测结合多元统计分析方法可用于烟叶油分档次的判别。

多指标降维判别分析方法在中药配方颗粒汤剂与传统汤剂等效性对比中的应用

针对传统汤剂和配方颗粒汤剂等效性评价方法不直观,未从多维度指标综合评价等问题,该研究建立了一种基于多指标(化学成分、药效作用)降维判别分析二者等效性关系的评价方法。为验证方法的有效性,将A、B、C厂炙甘草,D、E厂白芍,F、G、H厂砂仁配方颗粒汤剂与传统汤剂的化学成分等数据进行验证分析。结果显示建立的判别方法可快速、直观判别两者之间的关系,A、B、C三厂的炙甘草配方颗粒在当量比校正前均不能判定与其传统汤剂等效,经当量比校正后,代表传统汤剂和配方颗粒汤剂的两个置信椭圆部分相交或包含,表明二者可部分或完全替代;D、E厂白芍,F、G、H厂砂仁的配方颗粒在当量比校正前和校正后均不能判定与传统汤剂等效,二者无法相互替代。所建立的方法通过图形化形式快速直观综合判断配方颗粒汤剂与传统汤剂之间的关系,可用于二者之间的等效性评价。

结合多特征与线性判别分析的图像检索

卷积神经网络的全连接层特征缺乏对图像底层信息的描述,导致部分样本无法被成功检索。并且全连接层特征维度高,检索效率低下。针对这种情况,提出一种结合线性判别分析和多层特征的图像检索方法。该方法利用卷积神经网络提取卷积层和全连接层特征,并融合HSV特征,使用线性判别分析对融合特征降维。多层特征能增加图像的区分度,提升识别准确率。与其他算法的实验结果表明,该方法在检索精度和检索速度上有一定的提高。

气相色谱结合化学计量在核桃油、菜籽油掺伪混合物含量判别分析中的应用

目的:识别核桃油中同时掺入多种其他植物油的多元掺伪。方法:采用气相色谱技术分析核桃油、菜籽油掺伪混合物中脂肪酸含量,结合化学计量方法对气相色谱数据进行建模,并对不同比例核桃油、菜籽油混合物进行判别分析。结果:主成分分析法(PCA)能快速鉴别出纯核桃油和掺伪核桃油,并在一定程度上反映样本的掺伪比例;Bayes判别分析将83.33%的样品归入正确的分类;偏最小二乘判别分析法(PLS-DA)的判别准确率达87.50%;基于BP神经网络模型的判别分析,其训练集的正确率为84.21%,测试集的正确率为80.00%;基于遗传算法优化支持向量机(SVM-ga)的判别分析,其训练集和测试集的正确率均为100%。结论:多种分析模型均能不同程度地识别核桃油、菜籽油掺伪比例,其中SVM-ga模型的预测精度最佳。

基于连续比例Logistic回归模型的贝叶斯判别分析

针对传统贝叶斯判别分析方法处理实际问题的局限性,提出一种基于连续比例Logistic回归模型的贝叶斯判别分析方法.首先基于连续比例Logistic回归模型建立半参数密度比模型,通过经验似然法估计模型的参数,并使用贝叶斯定理计算后验概率进行分类预测.然后对比新方法与传统方法的回判正确率,统计模拟表明当总体数据符合正态分布时,2者判别能力相当,否则,提出的新方法能够更好地判别不同的数据特征.最后运用新方法分析真实的数据集,验证了新方法在分类预测中的准确性和稳健性,与传统方法相比,更适用于实际应用中多元分类问题的建模和预测.

基于子空间学习的快速自适应局部比值和判别分析

降维是处理高维数据的一项关键技术,其中线性判别分析及其变体算法均为有效的监督算法。然而大多数判别分析算法存在以下缺点:a)无法选择更具判别性的特征;b)忽略原始空间中噪声和冗余特征的干扰;c)更新邻接图的计算复杂度高。为了克服以上缺点,提出了基于子空间学习的快速自适应局部比值和判别分析算法。首先,提出了统一比值和准则及子空间学习的模型,以在子空间中探索数据的潜在结构,选择出更具判别信息的特征,避免受原始空间中噪声的影响;其次,采用基于锚点的策略构造邻接图来表征数据的局部结构,加速邻接图学习;然后,引入香农熵正则化,以避免平凡解;最后,在多个数据集上进行了对比实验,验证了算法的有效性。

基于聚类分析和判别分析的蛋壳颜色分级方法研究

为制定客观、准确的蛋壳颜色分级体系,研究在用Lab体系量化蛋壳颜色的基础上提出了一种蛋壳颜色分级标准的建立方法,先确定合适的聚类簇个数k,通过K-均值聚类分析处理训练样本,再通过贝叶斯判别分析检验聚类效果并获得各等级判别式,最后据此对测试样本进行分类,计算色差以检验分类效果。结果显示:训练样本的分类准确率达95.0%,测试样本各类别间颜色差异大,类别内颜色一致性较高,表明其分类效果良好。依据该方法可以针对特定群体构建专用分级标准,实现蛋壳颜色的合理分级与精准判定,进而为蛋壳颜色整齐度的提高提供指导。

基于判别分析预测马铃薯甲虫发生与出土时间

【目的】马铃薯甲虫是马铃薯生产过程中的毁灭性害虫。温度是影响马铃薯甲虫发生的重要因素,明确马铃薯甲虫越冬期及发生期的温度对其发生的影响,可为该害虫未来发生情况的预测和防治提供理论支持。【方法】采用逐步判别分析法对1994—2021年马铃薯甲虫越冬及发生期(上一年12月—当年9月)新疆察布查尔县马铃薯甲虫发生等级及出土时间进行判别分类,建立发生预测模型。【结果】在训练组中,马铃薯甲虫的发生等级、出土时间判别准确率分别为100.00%、80.00%;在预测组中,马铃薯甲虫的发生等级、出土时间总判别准确率分别为69.23%、76.92%,认为判别结果较可信。【结论】通过对影响发生程度、出土时间判别的因素筛选发现,察布查尔县马铃薯甲虫的出土和发生判别均受到4月温度的影响。

基于线性判别分析和机器学习的可见-近红外光谱苹果损伤分级

基于线性判别分析与机器学习相结合的方法,采集不同损伤级别苹果的可见-近红外光谱数据,分析不同预处理方法对支持向量机分类模型的影响;通过线性判别分析对预处理后的光谱数据实施降维,构建支持向量机、随机森林、K近邻、决策树和极端梯度提升5种机器学习模型进行苹果损伤分级对比。研究结果表明,卷积平滑法预处理后模型的分级效果最佳,准确率达到87.3%;使用线性判别分析降维技术后,各模型的分级准确率显著提升,决策树模型准确率提高了16%,提升效果最佳,K近邻模型表现出了最佳的分级性能,准确率和精确率达到了96.0%和96.4%,本研究可为高效和精确评估苹果的机械损伤程度提供依据。

结合判别分析和分布差异约束的领域适应方法

为解决领域适应过程中基于全局分布适配的特征变换造成的类别结构损失和局部特征损失问题,提出一种结合判别分析和分布差异约束的领域适应方法。构造领域数据分布均值距离度量用于领域间分布适配;构造类散度度量用于保持类别判别结构;基于数据局部分布信息设计不同类型的差异权重,分别用于约束域分布距离度量和类散度度量,实现判别保持和局部保持的联合优化;基于上述度量最优化的特征变换,将源域和目标域数据投影到子空间中实施分类任务。所提出的方法在领域适应过程中不仅能够缩小领域间分布差异,且兼顾类别判别保持和数据局部特征的保持,能有效提升域外数据重用的性能。在28组跨领域分类任务上的实验结果表明,所提出的方法在评价指标上优于已有的相关方法。

基于气相色谱-离子迁移谱和偏最小二乘判别分析技术分析酵母-藿香复合对罗非鱼脱腥效果的影响

为探究酵母-藿香复合液对罗非鱼脱腥效果的影响,通过单因素及响应面实验优化脱腥工艺,采用气相色谱-离子迁移谱(gas chromatography ion mobility spectroscopy,GC-IMS)对脱腥前后罗非鱼肉挥发性成分进行鉴定,结合正交偏最小二乘判别分析(orthogonal partial least squares discriminant analysis,OPLS-DA)进行区分及差异分析。结果表明,在脱腥液质量浓度为2.1 g/100 mL,料液比为1∶3.09(g∶mL),浸泡时间为32 min条件下,腥度最低,感官评分最高。GC-IMS技术共检出22种挥发性物质,主要有醛类和醇类。经过脱腥后,醛类物质相对含量从50.64%降至40.82%,醇类物质从34.00%降至27.77%,根据气味阈值计算出相对气味活性值(relative odor activity value,ROAV)>1的物质有1-辛烯-3-醇、正己醇、庚醛、壬醛、辛醛、乙酸乙酯、乙酸己酯。通过OPLS-DA和变量投影重要性因子(variable importance in projection,VIP)筛选出5种关键腥味物质(VIP>1),分别是辛醛、壬醛、庚醛、1-辛烯-3-醇、正己醇,这些物质相互作用对罗非鱼腥味具有重要影响。

基于比例优势模型的贝叶斯判别分析方法

提出一种基于比例优势模型的贝叶斯判别分析方法,结合比例优势模型和贝叶斯统计的优点,可用于有序多分类问题的建模和预测,该方法具有很强的实用性.统计模拟表明,改进后的判别方法与传统判别方法在总体数据符合正态分布时二者判别能力相当,否则提出的新方法能够更好地判别不同的数据特征.同时运用新方法分析真实的数据集,证明该方法在分类预测中的有效性和优越性.