紫外可见光谱结合化学模式识别对紫苏油的真伪鉴别

作为高经济价值且昂贵的非常规植物油,紫苏油易被低价食用油掺假。由于食用油的匀质性及其组成的复杂性,传统鉴别方法难以快速准确地鉴别紫苏油的真伪。该文探索了紫外可见光谱结合化学模式识别对紫苏油真伪鉴别的可行性。首先购买了40个纯紫苏油样品,并将大豆油、棕榈油分别按一定的比例加入到纯紫苏油中配制了51个二元掺伪和63个三元掺伪紫苏油样品。根据鉴别目的,从154个总样品中获得两个数据集,一个是由40个纯紫苏油和114个掺伪紫苏油构成的真伪紫苏油二分类数据集;另一个是由40个纯紫苏油、51个二元掺伪和63个三元掺伪紫苏油构成的真伪紫苏油三分类数据集。然后采用主成分分析(PCA)、簇类独立软模式(SIMCA)、偏最小二乘-判别分析(PLS-DA)和极限学习机(ELM)4种方法,依次对以上两个数据集进行分类。使用混淆矩阵可视化分类结果,并用准确率、精确率、召回率、F1分数对模型性能进行评价。结果表明,对于真伪紫苏油二分类和三分类数据集,PLS-DA均为最佳模型,预测准确率分别为98.04%和100%。因此,紫外可见光谱结合化学模式识别可以实现真伪紫苏油的快速准确鉴别。

蒙药阿荣的指纹图谱建立及化学模式识别

目的建立36批不同产地蒙药阿荣高效液相色谱(HPLC)指纹图谱,结合化学模式识别技术综合评价蒙药阿荣质量。方法色谱条件:ZORBAX Eclipse Plus C_(18)色谱柱(4.6 mm×250 mm,5μm);流动相为0.1%磷酸水溶-乙腈,梯度洗脱,流速1.0 mL·min^(-1);检测波长327 nm,柱温30℃。通过中药指纹图谱相似度评价系统建立蒙药阿荣的指纹图谱共有模式和相似度计算,分别采用SPSS27.0和SIMCA17.0.2软件进行聚类分析(cluster analysis,CA)、主成分分析(principal component analysis,PCA)和正交偏最小二乘法-判别分析(orthogonal partial least square discriminate analysis,OPLS-DA)。结果蒙药阿荣HPLC指纹图谱中有11个共有峰,除S11、S12相似度大于0.85以外,其他批次均大于0.90;各批阿荣样品分布较为集中,可分为2大类,每一类均有两个品种,并发现了3个特异标志峰。结论该研究建立的蒙药阿荣HPLC指纹图谱方法稳定、重复性好,结合化学模式识别分析可用于评价蒙药阿荣的整体质量。

基于多分类高斯SVM的光纤信号的模式识别方法

为了有效提升光纤信号识别精度,采用了一种基于多分类的高斯支持向量机(SVM)的信号事件类型判别方法,先通过汉宁窗卷积的方法以及95%能量的原则来识别事件发生始末段信息,再从时域、频域以及尺度域等角度出发,对归一化后的多种特征参数的均值与离散性进行分析,并选取合适的主要特征参数,最后采用基于多分类高斯SVM算法对3组不同事件类型进行了分类识别,通过理论分析和实验验证,取得了不同类型光纤事件信号的数据。结果表明,对30组实验数据的事件类型进行模式识别,正确率在96%以上。该方法流程满足了光纤传感的事件信号高精度识别要求,对光纤传感器应用具有较重要的参考价值。

专利申请模式识别领域分类号与分类检索研究

2023年人工智能领域将G06F18分类号纳入了审查范围,G06F18分类号描述为模式识别,模式识别是人工智能领域一个重要的分支,该类分类号在IPC分类表2023年1月版本中首次出现。介绍G06F18及其下属条目分类号的含义,对G06F18分类号的分类位置进行解析。利用共现分析方法分析模式识别交叉领域的分类号,有助于审查员对G06F18领域以及交叉领域申请分类号的了解、使用,提高本领域与跨领域分类、检索效率。

基于选择性标注与样本平衡的局部放电模式识别在线学习方法

训练与检测样本分布不一致是深度学习方法对现场新增局部放电(partial discharge,PD)(简称“局放”)识别准确率低的主要原因,为实现局放模式识别对现场数据分布变化的持续适配、降低样本标注工作量,该文提出一种局部放电模式识别在线学习方法。首先,以局放模式识别模型各层特征为信息来源,利用推理模型区分处于训练集分布内外的新增局放样本,并分别采用软标签及人工方式对两种样本进行在线标注;其次,为平衡训练集分布内外样本的数量、提升新增样本识别准确率,采用基于梯度惩罚的条件式wasserstein距离生成对抗网络(conditional wasserstein generative adversarial network with gradient penalty,CWGAN-GP)扩充两类局放样本,并以联合训练的方式更新局放模式识别模型。利用实验及现场采样得到的局放样本对所提方法进行验证,结果表明,所提方法标注工作量降低66.68%,在线学习结束后,新增样本集与训练集分布相同时识别准确率可提升4.61%,分布不同时识别准确率最低提升22.27%。

基于多指标成分一测多评及多模式识别方法的陈香露白露片质量分析

目的:通过HPLC多成分一测多评含量测定方法及多模式化学识别方法对陈香露白露片进行质量分析研究。方法:采用高效液相色谱法,以橙皮苷为内参物,建立与其他5个成分之间的相对校正因子,计算5种待测成分的含量,实现一测多评。同时与外标法测定结果进行比较,验证QAMS法的定量评价和稳定可控。通过聚类分析(CA)、主成分分析(PCA)、正交偏最小二乘法判别分析(OPLS-DA)分别探讨不同厂家陈香露白露片的质量。结果:橙皮苷与甘草苷、甘草酸铵、β-细辛醚、木香烃内酯、去氢木香内酯的相对校正因子分别为0.681、3.744、0.680、1.030、1.068,然后与外标法进行比较。CA可将17批次陈香露白露片聚类为2类,PCA结果提取了2个主成分,OPLS-DA能有效地将不同厂家的产品明显区分开来。结论:以橙皮苷为内参物,建立陈香露白露片中5个成分的QAMS法准确、可行,可用于陈香露白露片的定量分析及质量控制。

清肝润肺止咳露高效液相色谱特征图谱、含量测定及化学模式识别的研究

目的建立清肝润肺止咳露高效液相色谱(HPLC)特征图谱,测定其中吗啡、可待因、罂粟碱、那可丁的含量,并结合化学模式识别方法,综合评价该制剂的质量。方法采用HPLC法,以甲醇-5μmoL·L^(-1)庚烷硫酸钠溶液(用磷酸调节pH至2.6)为流动相进行梯度洗脱,流速:1.0 mL·min^(-1),柱温:20℃,检测波长:220 nm,进样量:10μL。利用指纹图谱相似度评价软件,结合聚类分析(CA)、主成分分析(PCA)和偏最小二乘法判别分析(PLS-DA)对10批清肝润肺止咳露的特征图谱进行评价。结果10批清肝润肺止咳露特征图谱共确定16个共有峰,指认了5个共有峰,分别为吗啡、可待因、蒂巴因、罂粟碱、那可丁。其中4个成分在线性范围内(吗啡0.70~8.70μg、可待因0.68~8.50μg、罂粟碱0.60~7.55μg、那可丁0.38~4.80μg)均有良好的线性关系(r≥0.9997);精密度、稳定性、重复性试验的RSD均小于3.0%;平均加样回收率在97.93%~99.43%之间(RSD<3.1%);含量测定结果:吗啡43.58~76.47μg·mL^(-1),可待因16.64~78.92μg·mL^(-1),罂粟碱29.93~41.22μg·mL^(-1),那可丁14.44~33.22μg·mL^(-1)。通过CA、PCA和PLS-DA分析,可将10批清肝润肺止咳露分为2类(S3、S4、S8、S10聚为一类,其余聚为一类),并筛选出峰2、峰4、峰13、峰11(吗啡)、峰1、峰10、峰8、峰12、峰16(那可丁)9个差异性成分。结论该研究建立的HPLC特征图谱及含量测定方法简单、准确,结合化学模式识别法,可用于清肝润肺止咳露的质量控制。

模式识别在贺兰山人面像岩画研究中的应用

贺兰山地处古代丝绸之路北道,是东西文明交流的关键节点。利用模式识别等数字技术,以贺兰山的人面像岩画为研究对象,构建贺兰山人面像岩画数据集并训练图像识别模型,成功实现了对人面像岩画的数字化识别,初步展示了模式识别等数字技术在岩画研究方面的潜力。研究结果显示多数人面像岩画能够在短时间内被准确识别,可以有效降低个体视觉和经验判断的误差,可以辅助科研人员进行人面像岩画识别,这在岩画研究中具有一定的实用价值,也为深入挖掘岩画文化信息提供了新路径。

基于卷积神经网络与可视图像的类滑动放电模式识别

为了提高机器学习算法对类滑动放电模式识别的准确率,提出了一种基于卷积神经网络(convolutional neuralnetworks,CNN)与可视图像识别电晕放电、弥散放电和类滑动放电等模式的方法。通过选取气体体积流量0~16 L/min、电极间隙2~10 mm、脉冲频率0.5~3 kHz等不同条件下的类滑动放电图像构建图像库,搭建CNN模型并优化影响CNN识别性能的超参数,包括网络层数、全连接层(full connected layer,FC)神经元数、卷积核尺寸以及激活函数类型,最后比较了CNN与决策树(decision tree,DT)算法和随机森林(random decision forests,RF)算法的识别效果。结果表明,CNN识别准确率为100%,高于传统机器学习方法。此外,本文还给出了放电模式及条件参数,通过基于反向传播神经网络(back propagation neural networks,BPNN)的聚类分析算法识别弥散放电和类滑动放电,并且准确率为100%。

基于天气状态模式识别的SSA-BP神经网络光伏电厂功率及碳减排量预测

文章提出了一种基于天气状态模式识别并结合SSA-BP(Sparrow Search Algorithm-Back Propagation)预测光伏出力的方法。首先,在分析辐照度、温度、风速等参数变化规律基础上,基于高斯混合模型,针对专业天气类型开展分类,获得类晴、类雨和类阴3种典型的广义天气;然后,将数据作为SSA-BP神经网络输入,对光伏电厂出力分类进行预测;最后,结合碳核算方法学对光伏发电项目碳减排量进行核算。结果表明:利用分类识别和改进的SSA-BP神经网络,在3种天气类型预测中平均相对误差分别为0.195,0.243,0.310;SSA-BP与其他模型相比,平均相对误差降低了17.8%~66.7%。此外,预测CO_(2)减排量与实际核算值相对误差为3.37%,亦表现出良好预测效果。

基于希尔伯特滤波的可擦笔油墨光谱模式识别

文件的真实性是当前诉讼审查阶段的重要工作,可擦笔在司法案件中常被用来进行伪造文书、合同等犯罪行为。针对其油墨成分、笔迹修改等方面的辨识是文件检验领域的重点研究。特殊热感变色颜料是可擦笔油墨的主要成分,其变色原理是随着温度变化会产生笔迹的消失与复现,在65℃以上颜色褪去,在-18℃以下颜色复现。对其进行种属认定可以对案件证据的真实性进行鉴别,为案件诉讼过程提供支持。高光谱的超高光谱分辨率对高分子材料具有较好的特征选择性,能够有效的对常见油墨成分进行数据采集。该实验收集22个品牌共45份可擦笔油墨样本,可以分为碳化钨笔珠、子弹头笔珠、全针管、半针管四种类型,统一采集450~950 nm波段的高光谱信息。关于光谱数据背景噪声冗余的问题,选用主成分分析法(PCA)对数据进行降维处理,提取特征变量。基于降维后的数据选用不同类型的希尔伯特变换(HT)进行信号滤波,进一步选择有效信号,提升建模效果。样本识别上选用多层感知器(MLP)和径向基函数神经网络(radial basis function neural network,RBFNN)两种人工神经网络模型,基于23维主成分提取的特征变量类建模准确率分别为81%,84%,通过希尔伯特高通滤波处理后可以将分类准确率提升至88.9%,92%,能够有效提升识别准确率。为进一步区分不同样本的种类,选择Fisher判别分析方法进行建模,各样本原始数据在FDA模型中识别准确率为44%,经最优PCA-HT处理的FDA建模准确率为93.3%,能够区分出不同的可擦笔油墨类型。结果表明,PCA能够在保留光谱有效信息的基础上进行降维,提升模型精度并且缩短运行时间,相较于原始光谱数据建模效果较好,通过希尔伯特变换后的光谱数据能够进一步完善有效光谱信息,使得建模准确率进一步提升。该实验确定PCA-HT-FDA模型为最佳可擦笔油墨高光谱识别模型,能够为司法鉴定人员提供一定参考。

基于HPLC指纹图谱结合化学模式识别对葡萄醋的质量评价

目的建立葡萄醋中有机酸成分的高效液相(High performance liquid phase,HPLC)指纹图谱,并结合化学模式识别对葡萄醋质量进行评价及为临床应用提供参考。方法采用HPLC法,以甲醇(A)∶0.5%磷酸水溶液(D)=1∶99洗脱,建立葡萄醋指纹图谱,同时测定琥珀酸的含量;采用相似度评价、聚类分析(Cluster analysis,CA)、主成分分析(Principal component analysis,PCA)和偏最小二乘-判别分析(Partial least squares discriminant analysis,PLS-DA)等化学模式识别对差异性特征成分进行筛选。结果15批葡萄醋样品的指纹图谱共有峰有11个,通过与混合对照品色谱峰进行比对,指认出6个共有峰,分别是酒石酸(1号峰),苹果酸(2号峰),琥珀酸(3号峰),富马酸(4号峰),绿原酸(9号峰),乙酸(11号峰);CA结果表明15批葡萄醋样品中各个化合物之间含量差异较大,即使是同一生产企业生产的不同批次葡萄醋其含量差异也较大;PCA结果显示葡萄醋共有峰含量差异的主要成分并非单一成分,而是前4种主成分共同的影响;PLS-DA结果表明筛选出的7、3、9、4号峰可作为鉴别和区分葡萄醋质量差异的标志物,其中包括共有峰3号峰(琥珀酸)、4号峰(富马酸)。结论采用指纹图谱结合化学模式识别技术可快速、有效地筛选出葡萄醋的差异性特征成分,为葡萄醋质量评价及临床应用提供参考。

基于文献阅读与案例分享的课程教学改革与实践研究——以“模式识别”课程为例

“模式识别”课程教学存在“教”与“学”的困难,使得课程教学目标不足以支撑专业学位研究生培养目标的达成。为此,从教学内容、教学模式和考核机制等方面着手,构建了基于文献阅读、内容复现、案例实现、案例报告分享的“模式识别”课程教学改革模式,开展学生课内、课外多方面能力培养的教学改革和实践。实践证明,该教学模式能有效地提高研究生的工科思维和解决复杂工程问题的能力,为全面支撑电子信息专业硕士研究生培养目标达成提供支持。

机器学习时延感知的无人机操作模式识别

考虑到加密WIFI流量下的时延特征与实时性要求,提出了一种机器学习的时延感知无人机操作模式识别方法。首先提出的机器学习框架将加密数据流视为一个时间序列,利用重新加权的l1范数正则化将特征选择和性能优化集成为期望总代价函数,该函数综合了误分类/误检测和延迟代价。另外为了解决在估计时延代价函数时数据包到达时间的不确定性,使用最大似然估计得到数据包到达时间。最后利用私人无人机真实WIFI数据流量对提出的方法的性能进行了评估,评估结果证明了提出方法的有效性。

基于近红外光谱技术有监督模式识别的青皮产地溯源分析

利用便携式近红外光谱仪采集不同产地(安徽、广东、四川)青皮外壁和内囊光谱数据,采用单一预处理和组合预处理方法消除光谱中的多种干扰,结合主成分分析(PCA)、簇类独立软模式分类法(SIMCA)及Fisher线性判别分析(FLDA)等模式识别方法建立青皮产地溯源模型。结果表明,光谱预处理可以在一定程度上消除基线漂移、背景噪声和谱峰重叠干扰,但无法实现产地溯源。3种模式识别方法中,PCA无法实现青皮产地溯源;青皮外壁和内囊原始光谱的SIMCA模型获得的青皮产地溯源整体鉴别率分别为99.14%和98.28%;FLDA模型获得的整体鉴别率均为99.57%,优于SIMCA模型;经光谱预处理优化后的SIMCA和FLDA模型对青皮产地溯源的鉴别率均可达100%,即便携式近红外光谱技术结合有监督模式识别方法可实现青皮产地溯源的无损分析,可为食药同源物质产地溯源拓展新途径。

不同产地巴戟天HPLC指纹图谱及化学模式识别研究

目的:利用HPLC指纹图谱及化学模式识别对巴戟天药材进行评价。方法:采用Shodex Asahipak NH2P-504E色谱柱(4.6 mm×250 mm,5μm),以乙腈-水为流动相梯度洗脱,使用蒸发光散射检测器(ELSD)。利用相似度评价、聚类分析和主成分分析等化学模式识别方法,对不同产地的巴戟天药材进行分析。结果:所建立的HPLC指纹图谱共识别了18个共有峰,经与对照品图谱比较,鉴定其中的4个共有峰分别为果糖、蔗糖、蔗果三糖和耐斯糖。6个产地巴戟天的相似度在0.861~0.995;经聚类分析和主成分分析,6个产地巴戟天共聚为3类。结论:本研究采用的巴戟天HPLC指纹图谱及化学模式识别技术可反映出不同产地的巴戟天样品的差异,可为巴戟天的质量控制提供参考。

基于融合知识迁移网络的变工况轴承故障模式识别

针对基于迁移学习的故障诊断方法无法充分利用目标域数据,并且要求运行条件平稳,提出了一种基于融合知识迁移网络的变工况轴承故障模式识别方法。将输入瞬时转速作为工况信息输入到稀疏自动编码器中,从而充分利用目标域信息,使操作信息不必只利用局部振动数据集,而可以将整个操作信息纳入模型进行训练,并且通过模型训练大大降低了学习过程中负迁移的风险。然后利用深度卷积神经网络从原始振动中提取特征,通过两种知识迁移模型的结合,建立了融合知识迁移模型。最后,在滚动轴承实验测试台上的实验结果验证了该方法能够在变工况条件下实现有效的故障识别。

基于FrFT和RVM的变压器局部放电模式识别

快速准确识别局部放电类型对于保证变压器安全稳定运行具有重要意义。针对局部放电信号模式识别中面临的最优特征参数提取和分类器设计难题,提出一种基于分数阶傅里叶变换(fractional Fourier transform,FrFT)和相关向量机(relevance vector machine,RVM)的局部放电模式识别方法。首先将FrFT引入局部放电信号分析领域,利用FrFT将局部放电信号转换至分数域并对其进行多尺度分析,在扩充信息提取维度的同时,提取可反映不同局部放电信号波形差异的14维特征构成特征向量;然后将特征向量作为输入,建立RVM模型进行最优特征选择和分类判决函数的联合优化,从而实现对不同局部放电信号的分类识别。建立电晕放电、沿面放电和气隙放电试验模型并采集局部放电超声信号开展试验,结果表明所提方法对于每种局部放电信号均能获得较高的识别精度,平均正确识别率相对于常规支持向量机(support vector machine,SVM)分类方法提升超过2.7%。

模式识别课程全英文教学

从课程内容优化、教学方式、实践教学设计等方面探索模式识别课程全英文教学的建设方案。教学实践表明,在图像等数据处理智能感知领域,学生的专业英语理解和表达能力得以提升,工程实践能力得到培养和强化,国际视野得以拓宽。

模式识别技术在图像处理中的运用探讨

图像处理是图像分析应用的重要前提,而模式识别则是一种高效的图像处理技术。因此,本文简单介绍了模式识别技术,论述了模式识别技术在图像处理中的应用流程,并对模式识别技术在图像处理中的应用验证进行了进一步探究,希望为图像模式识别的实践推广提供一些参考。