基于PCA聚类分析的神经网络模型设计与应用

针对BP网络建模存在的误差大的问题,采用PCA、聚类分析与BP神经网络相结合,建立模型并应用于预测问题中。该模型首先应用主成分分析对原始数据进行降维,保留原始信息的主要信息,把原14个属性变量综合成5个不相关主成分分量;其次利用聚类分析,剔除样本中的冗长指标,使指标变量的选取更加科学合理,降低网络结构复杂度的同时提升了模型预测的准确率;最后利用MATLAB神经网络工具,编写神经网络训练系统并验证。

基于近红外光谱技术的4种樟属植物识别技术研究

探究近红外光谱分析技术应用于樟属植物识别的可行性,为樟属植物识别提供一个新方法。本研究运用近红外光谱仪采集猴樟、黄樟、油樟、银木4种樟属植物叶片的近红外光谱信息,并结合PCA聚类分析(PCA-Cluster)和偏最小二乘判别分析法(PLS-DA)建立识别模型。结果表明:运用PCA-Cluster方法,选择4 400~4 800 cm^(-1)、5 400~6 600cm^(-1)、7 800~10 000 cm^(-1)建模波段,Segment 5 Gap5的3点二阶泰勒求导(ds2)方法对光谱数据进行预处理所建模型的识别效果最好,对外部验证集样品的识别率达97.5%;运用PLS-DA方法选择4 000~8 000 cm^(-1)波段,一阶导数、5点平滑两种预处理相结合的方法建立判别模型性能最佳,其校正集相关系数(Rc^(2))为0.923,交叉验证均方根误差(RMSEC)为0.1202,利用所建模型对外部验证集样品进行识别,识别率为100%。说明近红外光谱技术能够用于不同种樟属植物的识别。

铜川煤矿区重金属污染对土壤微生物群落代谢和酶活性的影响

研究了陕西省铜川煤矿矿区的重金属污染状况以及不同程度的重金属污染对土壤微生物代谢、微生物群落功能以及土壤酶活性的影响.结果表明:铜川矿区土壤中重金属Cu、Zn、Cd、Pb全量及有效量均显著高于非矿区土壤,其中Cd污染最为严重.采用Biolog方法结合主成分分析和聚类分析发现,随着污染程度的增加,不同土壤微生物群落间的代谢特征发生显著变化,而且这种变化主要体现在糖类和氨基酸类碳源的利用差异.在轻度、中度污染情况下,土壤微生物群落对碳源的利用表现出激活效应;而在重度污染的情况下,土壤微生物群落对碳源的利用表现出抑制效应.随着污染程度的增加,脲酶、蛋白酶、碱性磷酸酶和过氧化氢酶的活性均呈现降低的趋势,矿区土壤脲酶、蛋白酶、碱性磷酸酶和过氧化氢酶活性分别是非矿区土壤中相应酶活性的50.5%～65.1%、19.1%～57.1%、87.2%～97.5%、77.3%～86.0%;蔗糖酶和纤维素酶在中等污染程度以下的土壤中表现为激活效应,而在重度污染的土壤中表现为抑制效应.