基于KPCA与KLPP及Wilks统计量的留兰香三维荧光数据特征提取与鉴别分析

为实现留兰香产地的快速鉴别,该研究提出了一种核主成分分析(kernel principal component analysis,KPCA)与核局部保持投影(kernel locality preserving projections,KLPP)及WilksΛ统计量序贯融合的特征波长提取策略,在此基础上鉴别5个产地的留兰香。首先,在采集5个产地300个留兰香样本的三维荧光数据后,运用三角形内插值法去除原始光谱中的瑞利散射和拉曼散射,并运用SG(Savitzky-Golay)对数据进行平滑预处理。然后,对预处理后的荧光光谱数据分别利用KPCA、KPCA+KLPP、KPCA+WilksΛ统计量、 KPCA+KLPP+WilksΛ统计量4种方法提取特征激发波长和特征发射波长。接着,按特征激发波长从小到大顺序将其对应的特征发射波长光谱值首尾相连转换成行向量;4种方法从300个样本中各得到1个300行的特征波长光谱值矩阵。再者,运用Fisher判别分析(fisher discriminant analysis,FDA)对特征波长光谱值矩阵进行数据可分性融合,生成可分性FD(fisher discriminant)变量。选取前4个累计判别能力达到99%的FD变量作为鉴别模型的输入向量。最后,用支持向量机(support vector machine,SVM)算法分析4个FD变量,分别得到对应于4种特征提取波长方法的FDA+SVM鉴别结果,其正确率分别为92.00%、96.00%、94.67%、100%。结果表明,所提出的KPCA+KLPP+WilksΛ统计量序贯融合的特征波长提取策略能够有效减少三维荧光光谱数据的冗余,并能表征原始荧光数据的信息特征,实现了5种留兰香产地的正确鉴别。该研究可为后续利用三维荧光光谱开展留兰香重要组分量化分析提供一定的基础。

矩阵数据基于鲁棒主成分分析的距离加权判别分析

距离加权判别(DWD)是一种已被广泛应用的矩阵数据分类模型,当数据中存在严重的噪声污染时,该模型的性能会明显下降。鲁棒主成分分析(RPCA)因具备分离数据矩阵低秩结构和稀疏部分的特性已成为解决该问题的有效手段之一。因此,提出一种矩阵数据鲁棒距离加权判别(RDWD-2D)模型。特别地,该模型以有监督的方式对数据矩阵进行鲁棒主成分分析,并同步实现干净数据的恢复与分类。在MNIST和COIL20数据集上的实验结果表明,针对有噪声污染或数据缺失的矩阵数据,与DWD-2D、RPCA+DWD等模型相比,RDWD-2D模型有最好的数据恢复能力和最高的分类准确率;同时RDWD-2D模型对于数据污染度也有较好的鲁棒性。

改进Fisher判别法的突水水源快速判别模型

为快速有效地判别矿井突水水源位置,预防水害事故的发生,根据平煤五矿实际水文地质特征,针对砂岩、太灰和寒灰含水层水质差异性,收集34组水样资料,并选取K^(+)+Na^(+)、Ca^(2+)、Mg^(2+)、SO_(4)^(2-)、Cl^(-)、HCO_(3)^(-)六大常规水化学离子作为判别因子,开展水化学特征分析;结合PCA降维统计算法,建立改进的Fisher水源判别模型,并利用待测样本对比改进前后Fisher模型的判别结果,同时将训练样本回代到改进模型中进行验证。结果表明,根据水化学类型无法准确区分寒灰水与太灰水;利用改进Fisher判别模型测试10组待测样本,判别准确率为100%,相较于基础Fisher模型,准确率提高了20%,应用改进Fisher判别模型可大幅提升水源识别准确率;已知训练样本的回代结果显示,改进Fisher判别结果与实际情况基本吻合。通过2种模型的对比分析,采用改进Fisher模型进行矿井水源识别准确率及可靠性高,具有一定研究价值,可为矿井水源识别提供新的思路。

基于主成分分析的矿井突水水源Bayes判别模型

矿井突水严重威胁矿区安全生产,快速准确地判别突水水源,对有效防治矿井突水灾害有重大意义。根据鹤壁矿区6个主要含水层水化学成分的差异性,选取了Ca2+、Mg2+、Na++K+、CO2-3、HCO-3、Cl-、SO2-47个指标作为突水水源判别的评价因子,并选用鹤壁矿区294个水样作为学习样本,以Matlab为平台,先采用主成分分析法提炼出三个主成分Z1、Z2和Z3。然后把这3种主成分的值作为贝叶斯判别指标,建立了鹤壁矿区突水水源判别模型。利用该模型对鹤壁矿区随机选取22个突水水样进行水源判别,判别正确19个,错误3个,精度达到86%。判别错误的原因,主要是因为有的含水层水化学类型相似或者几个含水层之间存在一定的水力联系。研究结果表明,基于主成分分析的矿井突水水源Bayes判别模型能够满足矿井生产要求,可为防治水工作提供决策依据。

基于特征差异的仿真模型验证及选择方法

为了实现在系统存在多个数据类型各异的输出时,多个备选仿真模型的验证和择优,提出了基于特征差异的仿真模型验证及选择方法.首先,将系统输出分为静态、缓变和速变三类数据,并分别给出了每类数据的特征差异度量模型;然后,采用主成分分析法从多个具有相关性的特征差异中提取出少数几个独立的主成分变量;再者依据主成分数据,采用K-均值聚类分析方法将多个备选仿真模型的输出划分为K类;最后,基于Fisher判别分析法判定参考输出是否属于其中的某类,进而实现对多个备选仿真模型的验证和选择.通过实例应用,表明了该方法的有效性.

我国上市公司财务危机预警实证研究——基于主成分分析模型、线性判别模型和逻辑回归模型的比较分析

以我国上市公司为研究对象，根据行业分类和总资产规模（相差在5％以内）选取了2001～2002年被ST的公司和正常公司各28家作为训练样本，2004年被趼的公司和正常公司各28家作为检验样本，运用3种独立的建模方法，分别建立了我国上市公司的主成分分析预警模型、线性判别预警模型和逻辑回归预警模型。通过模型比较发现，逻辑回归模型的效果要优于另外两种模型。具有较高的判别准确率。实证研究表明，这种预警模型适用于各个行业，对中国企业的财务危机的预测与防范能起到一定的作用。

一种改进的步态识别方法

步态识别通过人体走路的姿势来识别人的身份。近年来,步态作为一种生物特征识别技术备受计算机视觉研究者的关注。对某个人的一个步态序列利用动态Viterbi算法得到一个样本姿态序列,对其多个步态样本姿态序列的对应姿态取平均得到这个人的特征姿态序列,对特征姿态采用主成分分析法和线性判别分析法处理特征空间,并用最近邻法进行识别。利用CASIA数据库对本文方法进行验证,取得了较高的识别率,并对体形变化具有较强的鲁棒性。

基于混合概率核主成分二次相关红外目标检测

在主成分特征提取基础上,提出了一种把子空间二次综合判别函数(Subspace Quadratic Dynthetic Discri minant Function,SSQSDF)作为相关滤波器的红外目标检测算法.该算法把混合概率核主成分分析推广到混合概率模型,在核空间对样本进行特征提取,获取目标样本的低维主特征向量.对训练和待检测样本向主特征向量投影获得它们的低维特征分量,并把获取的特征量作为SSQSDF的样本参量.最后,SSQSDF滤波器输出大于给定阈值所对应的检测区域,将其作为检测目标.实验证明,该算法能较强抑制目标背景噪音,提高目标检测准确度,具有一定的可行性和有效性.

基于PCA-DDA原理的砂土液化预测模型及应用

影响砂土液化的因素有很多,建立多指标的液化预测模型非常有必要。目前所有的多指标砂土液化预测模型,均默认选取的判别因子之间相互独立,不存在相关性,可能导致各判别因子之间存在信息叠加而发生误判。以唐山地震砂土液化的25个案例为样本,选取8个影响因素作为砂土液化预测的初始判别指标,首先采用主成分分析(PCA)对各判别指标进行分析,对存在相关性比较高的指标进行了降维处理。基于降维后的4个主成分换算得到新的样本数据,以18个案例为学习样本,建立主成分分析与距离判别分析(DDA)相结合的砂土液化预测模型。利用建立的预测模型对18个案例进行回判,结果全部正确。对其他7个案例的液化情况进行了预测,并与规范法、Seed方法、BP法、DDA法的判别结果进行分析比较,结果表明基于主成分分析与距离判别方法的砂土液化判别模型预测准确率为100%。将模型应用于工程实例,判别结果也与实际情况一致,表明该模型具有良好的预测功能,可在实际工程中应用。

一种多角度的人脸识别方法

针对传统人脸识别方法的识别率受角度变化影响大的缺点,提出了一种多角度的人脸识别方法.首先用多个不同角度的主动表观模型(AAM)估计人脸旋转角度;然后通过多角度模型合成正面人脸;最后采用线性判别分析法(LDA)获取最佳分类特征,并对其进行识别.实验结果表明:与主成分分析法(PCA)相比,该方法对不同角度的人脸具有更高的识别率.

基于Fisher判别法则的小麦品质多指标分级

小麦生理生化指标对研究其储藏品质具有重要的作用,但由于各指标间关系的复杂性,所表达的信息存在较大差别,这给小麦储藏品质分析带来很大的不便。针对该问题,该文提出了一种小麦储藏品质多指标分析模型,选取降落数值、发芽率、过氧化物酶、脂肪酸值、电导率、还原糖值、丙二醛7个生理生化指标作为分析的关键因素,通过相似性和主成分法对各指标进行分析计算,发现脂肪酸值最具代表性;基于脂肪酸值数据分布变化趋势,采用聚类分析方法对小麦分类;使用Fisher判别法对小麦数据进行训练,得到2类判别函数,其中判别函数1的贡献率达到89.7%,在该函数下,计算获得3种类别小麦的中心值为–5.699、1.316和3.945,从而为判断小麦的品质状况提供计算依据。试验计算结果表明,在18批储藏小麦中,该文判别模型对小麦的分类结果与实际参考标准分类结果的一致性达到88.9%,验证了本模型的合理性,研究结果可为小麦品质评价分类提供参考。

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法 VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。

基于FLDA、CPCA与HMM的人脸识别

为了获得具有较高识别率的算法,提出了一种将Fisher线性鉴别分析(Fisher Linear Discriminant Analysis)、复主分量分析(Principal Analysis in the Complex Space)与隐马尔可夫模型(Hidden Markov Models)相结合进行人脸识别的方法。对于输入的不同光照、人脸表情和姿势的图像先进行归一化处理,然后将归一化后的图像转化成一维向量,再用FLDA方法提取每幅图像的特征,形成新的复向量空间;通过运用复主分量分析,来抽取人脸图像的有效鉴别特征;最后通过HMM对这些特征进行训练,得到一个优化的HMM并应用于识别。在ORL人脸数据库中进行实验,实验结果表明,该方法具有较高的识别率。

黑龙江省联合体试验玉米新品种综合性状评价及与环境互作的分析

为了探究联合体试验玉米新品种性状在不同分析模型下的表现规律,并作出客观合理的综合性评价,本文采用AMMI模型、灰色关联度及主成分分析法对15个玉米品种(系)的14个性状进行综合分析。结果表明:玉米产量基因型与环境互作主成分IPCA1、IPCA2、IPCA3累计占比90.49%的互作效应,说明AMMI模型比较透彻地分析了基因型与环境互作信息;在品种稳定性Di及试点鉴别力参数Dj分析中,品种G1、G3属于高产稳产型品种,G15为低产稳产品种,试点E2、E1、E5对品种的分辨力较强;通过品种×地点互作两项表中得出品种G1、G3、G15适应性及稳定性好。综上,结合品种田间产量表现及差异显著性,AMMI分析科学反映加性遗传模型的交互效应,灰色关联度及主成分分析品种多性状比较的优势分析认为,灰色综合评判值Gi分别为0.7574和0.7160,主成分综合得分为0.62和0.58的品种G1、G3,综合性状良好具有可靠的高产、稳定及适应性。G15在各分析方法中排名较低,表示其综合性状差,为低产稳产品种。

Q型主因子分析与判别函数法进行储层综合评价——以子长油田为例

储层分类评价是油藏研究的重要内容,为了使储层分类更为准确、合理,采用Q型主因子分析与判别函数法进行储层综合评价。以子长油田储层为研究对象,优选取心井的砂岩厚度、砂岩百分含量、孔隙度、渗透率等储层参数,应用数理统计方法将这些参数集合起来,采用Q型聚类分析法对储层进行分类,采用贝叶斯判别法建立进行储层分类的判别函数,并以此判别函数对非取心井的目的层进行定量分类评价。评价结果表明,储层可以分为四类,Ⅰ类和Ⅱ类储层分布较少,主要以Ⅲ类、Ⅳ类储层发育为主。其中,Ⅲ类储层发育的2号小层的储量丰度要高于Ⅳ类储层发育的1号小层。

基于判别特征加权的GPLVM算法

高斯过程隐变量模型是最近提出的比较流行的无监督降维方法。但是,它是一种无监督的机器学习算法,没有突出类结构,使得结果不能有效地表示类别信息。因此,提出一种利用判别特征值对高斯过程隐变量模型进行加权的算法,该算法不仅能够加强模型在低维流形上的判别性,而且能很好地保持类内的流形结构。

违约率评估的经济计量方法:理论、模型与实证研究

违约率的评估与测度是巴塞尔新资本协议内部评级法的关键内容。因此,如何准确、有效地计量违约率是商业银行信用风险管理的核心问题。文章从违约与违约率的概念出发,对国内外学术界违约率评估的主流方法——经济计量方法进行了探讨,对其理论基础,模型构建以及实证研究进行了梳理、评价和比较分析。

基于Gabor小波和增强Fisher模型的掌纹特征提取

对于其他身份识别的生物特性而言掌纹有着很多的先天优势,因此在各个领域得到了非常广泛的应用。本文通过研究掌纹的特征,提出了一种基于Gabor小波和增强Fisher线性判别模型(EFM)的掌纹特征提取算法。先对预处理掌纹,在对掌纹灰色图像通过算法进行Gabor小波变换后,得到Gabor的掌纹特征向量。随后,通过主成分分析变换高维特征向量至低维空间,最后在此空间内利用EFM变换矩阵提取到掌纹的特征。由于Gabor函数在特征提取方面有着优良的性能,对高维特征的降维处理问题可有效解决,同时,算法也提高了Fisher线性判别式(FLD)的推广能力,可以较好地实现掌纹的特征提取。

主成分-费歇尔判别模型在煤与瓦斯突出等级预测中的应用

针对现有煤与瓦斯突出预测方法存在计算过程较复杂、预测主观性强、预测精度较低等问题,构建了主成分-费歇尔判别模型,并将其应用于某煤矿的煤与瓦斯突出等级预测。从瓦斯因素、煤体结构及地质构造方面分析得出了影响该矿煤与瓦斯突出的因素包括瓦斯压力、瓦斯含量及瓦斯放散初速度等指标。以影响该矿煤与瓦斯突出的23组实测数据为基础,首先利用主成分分析模型对影响该矿的煤与瓦斯突出因素进行降维,提取与指标相关度较高的5个主成分,然后将5个主成分输入费歇尔判别模型,并根据判别函数对样本进行煤与瓦斯突出等级预测。应用结果表明:主成分-费歇尔判别模型具有较高的可信性,能对煤与瓦斯突出等级进行准确预测,训练样本的正确率为100%,待测样本的预测结果也与该矿煤与瓦斯突出的实际情况相符,误判率为0,为准确预测煤与瓦斯突出提供了一种新方法。

西北地区干红葡萄酒产地与酒龄的理化判别方法

西北地区具有独特的风土条件,适宜酿酒葡萄的种植,已形成“大产区大品牌”的产业规划。但西北地区葡萄酒的地域风格尚不明晰,导致产业的规范性不足,可持续发展存在隐患。该研究分析西北地区干红葡萄酒的23项重要的色泽-味感理化指标,旨在开发一种基于机器学习技术的葡萄酒判别方法,实现西北地区干红葡萄酒产地和酒龄的精准判别。首先,以西北地区200款干红葡萄酒为研究对象,通过理化试验测定了总酚、总花色苷、滴定酸等23项色泽-味感理化指标;然后,采用Pearson相关系数分析了西北产区葡萄酒质量特征的一致性,并耦合随机森林(Random Forest,RF)分析理化指标对干红葡萄酒产地和酒龄表征的贡献度;最后,基于人工神经网络(Artificial Neural Networks,ANN)构建了西北地区干红葡萄酒产地和酒龄的精准判别模型。结果表明,色泽相关指标的模型贡献率合计31%,花色苷相关指标的模型贡献率合计26%,酚类物质相关指标的模型贡献率合计21.1%。模型对宁夏产区酒样判别的灵敏度(Sensitivity,SEN)为98.72%,准确率(Accuracy,CCR)98.72%;对新疆产区酒样判别的SEN为95.45%,CCR为100%;对甘肃产区酒样判别的SEN为100%,CCR为95.45%。该方法可以实现西北产区干红葡萄酒产地和酒龄的精准判别,可为中国西北地区优质葡萄酒的生产和产品的市场监管提供科学依据。