近红外光谱结合模糊非相关QR分析的生菜储藏时间辨别

生菜是人们经常食用的蔬菜之一,生菜的储藏时间是影响生菜新鲜程度的重要因素。所以研究一种简单、快速、非破坏性的生菜储藏时间的鉴别方法是非常必要的。近红外光谱(NIR)分析能快速和准确的获取生菜的近红外光谱,从而实现无损鉴别生菜储藏时间。但是生菜的NIR数据中存在噪声信号和冗余信号,为了消除光谱的噪声信号并提取特征信息,提出了一种基于模糊非相关QR分析(FUQRA)的近红外光谱生菜储藏时间鉴别新方法。首先,需要降低原始NIR数据的维数,通过使用主成分分析(PCA)将包含1557个维度的光谱数据降至包含22个维度。然后通过模糊非相关判别转换(FUDT)计算出特征向量,利用特征向量建立鉴别向量矩阵,并进行QR分解,得到最终的鉴别向量矩阵。最后以60个新鲜生菜样本为研究样本,使用K近邻(KNN)方法进行分类,用AntarisⅡ型NIR光谱仪对生菜样品进行近红外光谱检测和数据收集。实验过程中每隔12小时对每个样本进行3次重复检测,将这些数据取平均值作为实验数据。随后利用多元散射校正(MSC)减少近红外光谱中的噪声信号。为了验证所提出方法的有效性,分别将主成分分析(PCA)结合KNN、主成分分析和模糊线性判别分析(FLDA)结合KNN、主成分分析和模糊非相关判别转换(FUDT)结合KNN以及主成分分析和模糊非相关QR分析(FUQRA)结合KNN四种算法分析结果进行比较。将权重指数m的不同取值产生的分类准确率进行比较,选出最合适的权重指数和KNN的参数K:m=2,K=3。最终得到的分类准确率分别为43.33%、96.67%、96.67%和98.33%。可以看出,相比其他三个算法,模糊非相关QR分析可以更好地实现对生菜储藏时间的鉴别。

苹果近红外光谱的特征提取和分类研究

采用近红外光谱分析法对不同种类的苹果样品进行分类,提出一种基于非相关判别转换的苹果近红外光谱定性分析新方法。实验分别采用主成分分析、Fisher判别分析和非相关判别转换三种方法对苹果光谱数据进行特征提取,并使用K-近邻分类算法建立三种苹果分类识别模型,最后使用"留一"交叉验证法进行模型检验。结果表明,使用非相关判别转换方法建立的模型正确识别率优于使用主成分分析和Fisher判别分析建立的模型。

模糊非相关鉴别C均值聚类的茶叶傅里叶红外光谱分类

茶是一种让人喜爱的健康饮品,不同品种的茶叶其功效和作用是不相同的。研究出一种可靠、简单易行、分类速度快的茶叶品种鉴别方法具有重要的意义。在模糊非相关判别转换(FUDT)算法和模糊C均值聚类(FCM)算法的基础上提出了一种模糊非相关鉴别C均值聚类(FUDCM)算法。FUDCM可以在聚类过程中动态提取光谱数据的模糊非相关鉴别信息。用FTIR-7600型傅里叶红外光谱分析仪分别采集优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰三种茶叶的傅里叶中红外光谱,波数范围为4 001.569~401.121 1cm^(-1)。先用多元散射校正(MSC)进行光谱预处理,然后用主成分分析法(PCA)将光谱数据降维到20维,再利用线性判别分析(LDA)提取光谱数据中的鉴别信息。最后分别运行FCM和FUDCM进行茶叶品种鉴别。实验结果表明:当权重指数m=2时,FCM的聚类准确率为63.64%,FUDCM的聚类准确率为83.33%;FCM经过67次迭代计算实现了收敛,而FUDCM仅需17次迭代计算就可以实现收敛。用傅里叶红外光谱技术结合主成分分析、线性判别分析和FUDCM的方法能快速、有效地实现茶叶品种的鉴别分析,且鉴别准确率比FCM更高。

模糊非相关判别转换及其应用

线性判别分析是一种特征提取和维数缩减的方法,广泛应用于人脸识别,语音识别和手写字母识别等领域。但是许多线性判别分析都是"硬"线性判别分析,每个数据点都严格地属于这一类或那一类。在非相关判别转换(UDT)基础上,提出了模糊非相关判别转换(FUDT)。FUDT是利用模糊集理论的有监督学习方法,其判别向量满足广义瑞利商方程,同时也满足样本到模糊非相关优化判别向量上的投影是非相关的。通过FUDT和UDT对公共数据库MSTAR的实验结果可看出,FUDT在处理SAR图像的特征提取方面优于UDT。

FUDT在苹果近红外光谱分类中的应用

苹果的分类是苹果采收后商品化处理的重要环节。为了快速、无损和有效地实现苹果的分类,利用近红外光谱技术采集四种苹果的近红外反射光谱,用主成分分析对高维的近红外光谱进行降维处理,分别运行线性判别分析,二次判别分析,模糊非相关判别转换和Foley-Sammon判别分析提取鉴别信息,用k-近邻分类器进行分类。分类结果表明,模糊非相关判别转换能更好地提取苹果近红外光谱的品种鉴别信息,达到了最高的分类准确率。

融合2DUDT与2DLDA的人脸识别研究

提出了一种融合二维非相关判别转换和二维线性鉴别分析分别提取人脸图像矩阵行方向的非相关鉴别信息和列方向的线性鉴别信息的人脸识别方法。该融合方法将线性鉴别向量提取方法与非相关鉴别向量提取方法相结合。首先计算进行人脸图像矩阵列压缩时的类间散射矩阵和类内散射矩阵,用二维线性鉴别分析计算特征值和所对应的特征向量,用特征向量集对人脸图像矩阵进行列压缩。其次,计算人脸图像矩阵行压缩时的类间散射矩阵、类内散射矩阵和总体散射矩阵,用二维非相关判别转换求出最优投影矩阵并用最优投影矩阵的转置矩阵对人脸图像矩阵行压缩。最后用最近邻分类器对压缩的ORL人脸图像测试样本进行分类处理,可实现人脸图像的准确识别。

人脸识别:一种基于特征融合及神经网络的方法(英文)

基于特征融合和神经网络构建了一个完整的人脸识别系统。首先使用广义K-L变换对人脸的自组织特征和形状特征进行融合;然后使用UDT(UncorrelatedDiscriminantTransform)对融合后的特征进行变换,以获得最优鉴别矢量;最后使用多层感知器作为分类器。仿真结果证明了该方法的有效性。

局部统计不相关非线性鉴别变换

子空间学习方法是研究人脸识别问题的经典算法。然而,在实际中,人脸图像通常是高维线性不可分的,此时线性方法很难提取出更有效的特征;同时,人脸图像不满足理想的高斯分布,而传统的统计不相关方法使用所有样本的均值来估计期望,这种估计方法在样本数很少的情况下会出现较大的偏差。为了解决上述问题,文中提出了局部统计不相关非线性鉴别变换(LUNLDT)方法。该方法在核空间中,通过改良的统计不相关约束,迭代地求解出最优的鉴别向量集。AR人脸库和CAS-PEAL人脸库的实验结果验证了所提算法的有效性。

局部和全局加权的二维统计不相关鉴别分析

传统的统计不相关鉴别分析方法使用样本的均值来估计期望,计算出总体散度矩阵。这些方法在数据不满足高斯分布的情况下会出现大的偏差,影响最优鉴别特征的提取。为了解决该问题,文中结合二维鉴别分析的思想,分别提出了基于局部的二维统计不相关鉴别变换(L2DUDT)方法和基于全局加权的二维统计不相关鉴别变换(WG2DUDT)方法。L2DUDT通过用样本的近邻中心来定义每个样本的期望,而WG2DUDT用样本间的欧几里得距离加权来定义期望。基于AR和FERET人脸数据库的实验表明,文中提出的方法与一些相关方法相比,有效地提高了识别性能。