多变量统计分析融合小波包能量提取3D荧光特征信息监测黄瓜贮藏品质

为了监测黄瓜采摘后贮藏期间品质的变化,借助不同贮藏日期贮藏室气氛的3D荧光数据,提出了一种特征荧光信息(特征激发与特征发射波长)提取方法,实现了黄瓜贮藏期间品质的监测。首先,对3D荧光数据进行去除瑞利散射和多项式Savitzky-Golar(SG)平滑降噪预处理,有效消除了散射和噪声信号的影响。其次,对预处理后的3D荧光数据进行主成分分析(PCA)得到主成分矩阵,并运用各主成分变量构造Wilks统计量,选取了最小值对应的主成分(第11主成分,PC11);根据构造该主成分的各原始变量(激发波长)的组合系数大小提取了8个特征激发波长。然后,采用10 nm的间隔对发射光谱进行了波段划分,运用小波包分解(WPD)对每个波段进行了3尺度分解,计算了各波段分解后的小波包能量,综合8天试验结果选择能量最高的发射波段作为初选发射波段。采用偏最小二乘回归(PLS)结合黄瓜理化指标(硬度、叶绿素含量和失重率)对初选的发射波段进行了分析,依据回归系数精选了7个特征发射波长,简化了计算。同时,根据黄瓜硬度数据初步找到了其变化趋势的转折点;根据黄瓜叶绿素含量变化曲线及一阶导数,发现了叶绿素下降趋势最显著的点,并结合试验过程中的感官观察结果,确定第5个贮藏日为黄瓜品质突变日,并选择第5个贮藏日为监测基准日。最后,采用提取的特征荧光信息计算不同贮藏天数与监测基准日之间的马氏距离(MD),构建MD监测模型。结果表明,随着贮藏时间越来越接近监测基准日,MD值则逐渐减小到0,与黄瓜贮藏过程中品质变化进程相符。上述多变量统计分析融合小波包能量的特征波长提取方法和应用特征荧光信息构建的MD监测模型有望成为黄瓜贮藏过程中品质监测的一种可行方法。

留兰香高光谱特征波长稳健提取及产地鉴别模型构建

本研究通过高光谱技术解决留兰香的产地鉴别问题。首先,选取了5个产地共375个留兰香样本进行高光谱数据采集,并采用多元散射校正方法进行预处理,对预处理后的数据进行主成分分析(principal component analysis,PCA),将得到的主成分变量构建WilksΛ统计量,且从小到大排序。然后,分别绘制前3小WilksΛ值所对应的主成分在各个波长下的权重系数曲线,系数曲线上的峰谷所对应的波长为特征波长,共得到37个特征波长。随后用Fisher判别分析构造鉴别模型的输入变量。最后,分别构建支持向量机(support vector machine,SVM)和反向传播神经网络(back propagation neural network,BPNN)产地鉴别模型。结果表明:SVM模型的鉴别效果优于BPNN模型,其训练集和测试集鉴别正确率分别为99.67%和98.67%。因此,在PCA联合WilksΛ统计量提取特征波长基础上构建的留兰香产地SVM鉴别模型可有效实现产地的鉴别,并且所提取的特征波长不受到理化指标数量的影响,使该鉴别模型具有较强的鲁棒性。

基于多种变量分析方法鉴别食醋种类电子鼻信号特征筛选

为了提高6种食醋的电子鼻鉴别能力,该文提出了一种基于多变量分析的食醋电子鼻信号多特征表征策略。初选不同的特征表征电子鼻信号,构建电子鼻信号的初始特征矩阵。采取载荷分析进行电子鼻传感器阵列优化,优选了12个气敏传感器的响应数据进行后续分析。为消除各传感器响应信号之间的相关性,对优选阵列的特征矩阵进行主成分分析(principal component analysis,PCA),并利用WilksΛ统计量选择鉴别能力最优的主成分子阵。在选择最优主成分子阵的基础上,以生成主成分的每一个原始特征变量为对象,计算每一个原始特征变量在主成分子阵中的贡献系数绝对值之和,且根据系数绝对值之和从大到小排序;同时,根据不同和值的指定,形成了不同容量的原始特征变量集。最后,借助于Fisher判别分析(Fisher discriminant analysis,FDA)探索了不同容量原始特征变量集的鉴别结果,确定了最佳的原始特征变量集。结果表明,特征选择前后传感器信号的表征特征发生了明显变化,最终采用48个特征参量实现了对食醋电子鼻信号的有效表征。在48个特征参量表征条件下,同时运用FDA和BP神经网络(back propagation neural network,BPNN)对6种食醋进行了鉴别分析,训练集的鉴别正确率分别在93%和98%以上,测试集的鉴别正确率也分别达到了90%和93%以上。另外,利用巴氏距离进一步揭示了样品间的可分离程度及FDA与BPNN结果的可信性。研究结果可为电子鼻信号多特征表征提供了一种新思路。

多元统计在水资源利用方面的应用

运用多元统计分析中的聚类分析和判别分析,对我国30个省、市、自治区(除西藏,台湾外)的水资源利用情况进行分类排序,并对结果进行了检验。以期为我国供水部门估计供水量与政府决策提供一些参考数据。

高维Wilks'λ统计量的渐近正态性

运用矩母函数的连续性定理以及多元伽马函数的渐近展开方法,研究了高维Wilks'λ统计量的极限分布.针对Wilks'λ统计量在高维大样本数据下的情形,先假定随着n→∞,有p→∞,q→∞,且n>p≥q,进而分别在q/(n+q)→c1∈(0,1),q/(n-p+q)→c2∈(0,1]和若q/n→0,则p/n→0两种条件下,给出了高维Wilks'λ统计量的渐近正态性,并得出了均值和方差的较为简洁的渐近表达式.同时也利用数值模拟方法验证了理论结果的有效性和精确性.

高光谱成像融合特征波长筛选监测番茄贮藏中品质变化的方法

利用高光谱成像技术(HSI)采集了300个不同贮藏时间的番茄高光谱图像,在所界定的有效波段中提取特征波长的基础上,构建了番茄贮藏过程中品质变化的马氏距离监测模型,实现了番茄贮藏过程中的品质变化监测。首先,采用多元散射校正(MSC)结合Savizky-Golay卷积平滑(SG)方法对高光谱原始数据进行了预处理,以消除基线漂移及噪声信号等影响。其次,基于光谱曲线在不同波段范围的变化趋势,并结合全波段下Wilks Λ最小值对应主成分在各个波长下的权重系数定义了可凸显番茄贮藏过程中品质变化的有效波段。随后,分别在全波段和有效波段采用连续投影算法(SPA)、竞争性自适应加权算法(CARS)和Wilks Λ统计量融合主成分分析3种筛选特征波长的方法进行特征波长的提取,通过对比分析3种方法提取的特征波长数量,指出了基于Wilks Λ统计量融合主成分分析可以有效降低数据维度,简化运算过程。接着对基于Wilks Λ统计量融合主成分分析在全波段和有效波段筛选出的主成分进行分析,指出了在有效波段基于Wilks Λ统计量融合主成分分析进行特征波长的提取可以很好地避免冗余信息对有效信息的掩盖作用,还可以进一步降低数据维度。最后,对分别以贮藏第1日和番茄腐败临界日为监测基准日构建番茄贮藏过程中品质变化的马氏距离监测模型的优缺点进行了分析,指出以贮藏第1日为监测基准日构建的模型更具有有效性和可靠性。研究结果表明:基于Wilks Λ统计量融合主成分分析提取的特征波长个数为最少(5个),且筛选出的主成分能够有效地表征番茄贮藏过程中品质变化的差异性。为利用高光谱成像技术监测番茄贮藏过程中的品质变化提供了一种有效的特征波长提取方法。

基于多特征融合的电子鼻鉴别玉米霉变程度

为了提高电子鼻检测玉米霉变程度的正确率,该文探究了电子鼻信号不同特征组合的表征对霉变玉米鉴别结果的影响。首先,运用电子鼻对霉变玉米的5组样本训练集与测试集进行测试,获得测试信号。其次,分别提取测试信号的积分值(integral value,INV)、平均微分值(average differential value,ADV)、相对稳态平均值(relative steady-state average value,RSAV)作为特征值,5组训练集与测试集均分别采用3种单一的特征值或其组合特征值来表征。然后,运用Fisher判别分析(fisher discriminant analysis,FDA)分别对5组训练集进行判别分析,并用对应的测试集进行检验。FDA分析结果指出,电子鼻测试信息分别在单一特征和2个特征组合表征下,不同霉变程度玉米是不能有效分开的,但在2个特征组合表征下的鉴别正确率比单一特征有所提高;当用3个特征组合来表征测试信息时,FDA鉴别能力得到提高,鉴别正确率在96%以上。另外,借助于WilksΛ统计量考察了电子鼻中每个传感器测试信号表征的差异性,对3个特征组合的表征情况进行了表征变量筛选。FDA分析结果显示,筛选前后的鉴别结果非常相近,最低鉴别正确率均在96%以上,这说明不同传感器需要不同的特征表征,以体现其差异性,由此也减少了计算的复杂性。研究结果表明,用多特征融合模式可更有效地表征电子鼻对霉变玉米的响应信息,有利于提高霉变玉米的鉴别正确率。同时,该研究成果也不失一般性,为电子鼻信号表征提供了一种新思路。

学生成绩的Fisher判别

用逐步判别的方法分析某校学生后续课程多媒体制作软件学习成绩与前面所学各科成绩及招生类型之间的关系.再用Fisher判别方法建立多媒体制作软件学习成绩的线性判别函数,用此函数回代判别结果及对其他学生成绩的判别结果是令人满意的.

香蕉贮藏中腐败基准确定与高光谱信息表征及腐败预警模型构建

为了实现香蕉在贮藏过程中的腐败预警,对不同贮藏时间的香蕉进行高光谱数据采集。应用Savitzky-Golar(SG)平滑对原始光谱进行降噪处理,以获得少噪声干扰的光谱数据。提出一种基于WilksΛ统计量结合主成分信息融合的高光谱特征波长提取方法。该方法可描述为:先对降噪后的高光谱数据进行主成分分析(PCA),然后对获取的主成分数据分别构建WilksΛ统计量,进而可选出WilksΛ值最小的主成分变量(第3主成分, PC3),绘制出该主成分对应于原始变量(各波长)下的组合权重系数图,将权重系数图中的波峰、波谷所对应的波长变量提取出来即为该法提取出的特征波长。按此方法共提取出9个特征波长。同时,对香蕉的色差数据进行分析,通过分析测试样本的L^*,a^*,b^*,ΔE值随贮藏时间的变化趋势,找到数据异常点(拐点)所在位置,并结合实际感官情况初步确定了腐败基准为第6个贮藏日。为了进一步说明所确定的腐败基准的合理性,应用特征光谱数据做出不同贮藏时间样本平均光谱反射值曲线,对比发现在不同特征波长下光谱反射值均在贮藏第6天达到最小值,与色差指标分析结果一致,进一步证明了腐败基准选取的正确性。所以,可用第6个贮藏日的特征光谱信息来表征基准信息,以生成腐败基准的特征光谱表征向量及其对应的协方差矩阵。最后,以表征腐败基准的光谱特征向量为基点,采用马氏距离(MD)构建了香蕉贮藏过程中基于高光谱特征波长信息的腐败预警模型,并对模型进行了验证。结果表明:随着香蕉贮藏时间的延长,该预警模型给出的测试样本与腐败基准的距离越来越近,吻合香蕉腐败的实际进程。因此,所提出的高光谱特征波长提取方法、腐败基准的确定及其表征方法以及腐败预警高光谱模型是合适的,能有效地预警香蕉腐败。

香蕉贮藏气体3D荧光表征特征选择及早期腐败预警初探

为利用3D荧光技术实现基于贮藏室气体荧光信息的香蕉腐败早期预警,选取两批不同贮藏日期的香蕉贮藏室气体进行三维荧光数据采集。首先对荧光数据进行了预处理:为消除三维荧光仪整体漂移现象,对得到的三维荧光数据进行去除漂移处理;利用matlab中eemscat工具包对瑞利与拉曼散射进行去除处理,有效消除了瑞利散射和拉曼散射的不利影响;运用Savitzky-Golar(SG)进行数据平滑处理,减少了噪声对荧光信号的干扰。同时,对三维荧光数据进行初步筛选,去除了荧光强度接近于0的发射波长,以及利用三阶高斯混合分布对不同激发波长下的发射光谱进行拟合去除了离散性较大的激发波长。然后针对荧光数据的特征表征,提出了一种基于WilksΛ统计量融合间隔偏最小二乘法(iPLS)的荧光数据特征选择策略。具体是:用WilksΛ统计量进行特征激发波长的选取,初步选出了5个特征激发波长;根据初选的特征激发波长用iPLS结合pH值及相对电导率进行了特征发射波段的选取,结果每个特征激发波长下均选出包含14个波长的特征发射波段。为进一步减少分析变量个数,根据选出的特征发射波长,运用WilksΛ统计量再次进行特征激发波长反选,最终得到了3个特征激发波长。考虑到各特征激发波长下对应14个特征发射波长,故可选出42个特征发射波长。最后基于香蕉在贮藏中其品质变化具有时变特点,根据42个特征发射波长使用系统聚类分析法(SCA)进行香蕉腐败基准界定,得到两批香蕉均在贮藏的第5天出现品质突变。因此选用第5天贮藏室气体荧光信息来表征香蕉的腐败情况。另外,利用主成分分析(PCA)初步探索了用第1主成分实现香蕉早期腐败的预警。结果表明:文中提出的三维荧光数据特征波长的选择策略是能够有效降低光谱数据的复杂度,同时给出的早期腐败预警方法是可行的。

基于变量逐步选择的Bayes信用风险判别模型

应用逐步判别理论筛选模型自变量,建立Bayes判别函数,推导出具体的判别模型.实证分析显示,模型具有良好的分辨精度.考虑到模型的应用范围,变量筛选时舍弃了上市公司特有的一些财务指标.