晋西北丘陵风沙区人工植被数量分类与排序研究

在群落样方调查的基础上,采用TWINSPAN等级分类和DcA排序相结合的方法,对晋西北丘陵风沙区人工植被群落进行了植被数最分类与排序分析.TWINSPAN分类将晋西北丘陵风沙区人工植被87个样方109个种划分为11个群丛,并论述了各群丛的特征.分类结果很好地反映了植物群丛类型与环境梯度之间的关系,并在DCA二维排序图上得到了较好的验证,DCA排序轴反映了海拔、坡向和土壤水分的梯度变化,结果表明海拔、坡向和土壤水分是决定群落分布的主导因子.     

怀柔山区灌丛群落数量分类

运用多元分析方法中的等级聚合组平均法对怀柔山区的灌丛群落进行了群系和群丛两个等级上的划分。结果将所取的83个样方划为6个群系、16个群丛。研究表明:数量分类方法能排除过多的主观干扰,在暖温带灌丛群落分类研究中有良好的适用性。     

汾河临汾段湿地植被的数量分类和排序

采用双向指示种分析法(TWINSPAN)和除趋势对应分析法(DCA)对汾河临汾段湿地植被做了分类和排序研究.TW INSPAN分类将湿地植被82个样方分为16个群丛,论述了各群丛的群落学特征.DCA排序结果反映了植物群落类型与环境梯度之间的关系,表明影响群丛分布格局的主导生态因子为土壤水分和海拔高度.     

雾灵山自然保护区研究:V.森林群落的排序

应用系统取样的方法 ,根据不同的生态条件选取有代表性的典型样方 ,对样方进行主分量分析 ,得到第一主分量、第二主分量二维排序图 ,第一主分量主要反映森林群落的分布随海拔高度而变化 ,第二主分量主要反映植被群落的分布随坡向而变化 ;二维排序图中的样方分布较好地反映了雾灵山森林群落的演替过程 .     

山西霍山次生植被的主分量分析

运用主分量分析法对霍山东、西两坡的105个样方进行了排序。前三个主分量占总信息量东坡为70.68％,西坡为69.68％。降维效果良好。排序图中,样方间距离客观地表达了群落间的生态学相关程度。据此,首先将所作样方划分为若干群系,分析了群落随环境梯度变化的规律,并预测了群落演替的趋向。     

七里海古泻湖湿地植被群落分类与排序及多样性研究

通过双向指示种分析法(TWINSPAN)及除趋势典范对应分析法(DCCA)对植被群落进行分类和排序,并通过GIS图直观表现多样性指数的分布情况.研究发现,经过TWINSPAN分类,并结合考察实际情况,50个样方划分为6个植被类型,分别为乔木群落;灌丛;灌草丛;草甸植被;藤本植物;湿生、水生植被.DCCA二维排序和TWINSPAN分类结果较一致,其中样方排序能够很好地反映群落的生境特征.排序轴的第一轴,从左到右,群落由中生、旱生群落演变成为中生、湿生群落,反映了水分的变化情况.排序轴第二轴从下到上,群落类型从草本植物变为灌丛再变为乔木群落,近似反映了地形上坡度的变化.通过GIS图可以发现,物种丰富度较高的群落主要集中于乔木群落及灌丛;而α指数较高的群落主要集中于乔木(人工林)、农作物、部分野生灌木和草本群落,灌木群落的多样性处于中间水平,藤本植物和水生植物群落的多样性指数都处于较低水平.这与人工干扰强度较大以及超级植物大量繁殖占据生态位有很大关系.     

香港岛森林群落的数量分析——模糊聚类、相互平均排序与R型主分量分析

应用模糊聚类、相互平均排序及R型主分量分析,对香港岛13个森林群落及其组成物种进一步研究的结果表明:模糊聚类是一种可行的数值分类方法;二维的相互平均排序能很好地反映各森林群落间的相互关系,以及各物种在森林群落中的分布关系;R型主分量分析则能直观地表明香港岛森林群落中优势种与伴生种之间的相互关系.     

太行山南端野皂荚群落数量分析

在野外调查的基础上,应用TWINSPAN和DCA对太行山南端野皂荚植物群落进行了分类与排序研究.结果表明:TWINSPAN将野皂荚植物群落划分为6个群丛,分别是野皂荚+荆条-中亚苔草+荩草群丛、野皂荚+荆条+小叶鼠李-中亚苔草+荩草群丛、野皂荚+荆条+毛黄栌-冰草+中亚苔草群丛、野皂荚+荆条+小叶鼠李-白羊草+冰草群丛、野皂荚+荆条+小叶鼠李-中亚苔草+荩草群丛和野皂荚+毛黄栌-中亚苔草群落.样方和种的DCA排序结果表明,样方的DCA第一排序轴表明决定群落分布的是坡向,从阳坡过渡到半阳坡;种的DCA第一排序轴主要反映了物种生活型的变化,即由中生植物为主过渡到以旱中生植物为主.样方和种的DCA的第二排序轴生态学意义不明显,主要是研究区域尺度较小,群落异质性不明显所致.     

铜川地区次生落叶灌丛植被的数量分析

本文用数量分析方法对铜川地区的次生灌丛进行分类和排序,以揭示其类型构成及生态特点。我们选择盖度、高度和多度之综合作为种优势度指标,共划分出12个群系,它们在水热条件和土壤有机质含量的影响下,分化为旱中生和典型中生两大生态类群。所用数量分析方法中,聚类分析适宜于分类研究,所得结果清晰明确;主分量分析直观反映群落的相似与差异程度及群落与环境间的生态联系,反映引起分异的主导生态因子及具指示意义的植物种类。     

管涔山撂荒地植物群落演替过程中优势种种间关系分析

采用一次性同时调查的方法获得数据,运用X~2-检验、Spearman秩相关指数分析方法对管涔山余庄乡撂荒地植物群落在演替过程中优势种种间关系进行了研究.结果表明:(1)依据TWINSPAN分类,把所取得的39个样方划分为7个群丛,分别属于演替过程中的三个不同阶段--草本群落阶段(包括群丛I1、I2、I3)、灌丛群落阶段(包括群丛II1和II2)和森林群落阶段(包括群丛III1和III2).(2)在X~2-检验的基础上,运用Spearman秩相关分析每个演替阶段种对间的关系,结果显示不同演替阶段种对间的关系不同.如在草本群落阶段,白莲蒿和黄芪呈正相关,而在灌丛群落阶段,二者则表现为负相关,这可能是因为物种适应不同微环境而表现出的差异.但正负关联比呈增加趋势(0.78→0.86→1.09),说明了植物群落是向着群落稳定的方向发展.(3)本研究结果支持随着群落演替进程的发展,正关联比例越高,群落结构越趋于稳定,多物种可以稳定共存,群落达到与环境条件相适应的稳定阶段的观点.     

利用主成分分析法提取水体信息

以陕北农牧交错带为试验区,采用主成分分析法对TM图像进行增强,然后应用最大似然分类法提取水体信息,并将提取的结果与单纯依靠最大似然分类法得到的结果进行了对比.试验结果表明,主成分分析法应用于水体信息提取中,可明显增强水体光谱特征,主成分分析法与最大似然分类法结合得到的提取精度高于直接采用最大释然分类法提取的精度.     

主成分分析法和Fisher判别方法在汽油分类分析过程中的应用

应用主成分分析(principal component analysis,PCA)法对从90#和93#两种汽油的50个实验样所取的特征数据进行降维处理,再结合Fisher判别方法对这两种汽油进行分类,并将分类结果与不采用PCA法而直接计算数据所得出的Fisher判别结果进行比较,前者的分类正确率达到100%,而后者却只有50%.结果说明采用PCA方法事先对数据处理可以大大的提高汽油分类的准确性.     

基于改进的主成分分析和集成综合评价法的水质评价

针对传统主成分分析对非线性数据处理的不足,提出了一种改进的主成分分析方法：首先利用对数变换对原始非线性数据进行线性化,然后利用均值化进行无量纲化处理,所得结果尽可能最大保留原始信息,同时大大降低了数据维数.同时,改进综合评价函数,结合熵值法,提出了集成综合评价方法：即首先利用传统主成分分析得到综合评价值,再利用熵值法得...     

一种改进的主成分分析特征抽取算法:YJ-MICPCA

针对主成分分析(PCA)假设数据服从高斯分布的条件以及只能处理特征之间线性关系的不足,提出一种基于Yeo-Johnson变换和最大信息系数(MIC)的PCA特征抽取算法,命名为YJ-MICPCA。通过YeoJohnson变换改善原始数据分布,使其近似服从高斯分布,并将PCA中计算协方差矩阵转化为计算MIC矩阵的平方,使其也能处理特征间存在的非线性关系。以UCI机器学习数据库中的11个数据集为实验对象,采用支持向量机、朴素贝叶斯模型、k近邻算法这3种分类器,比较了YJ-MICPCA与PCA及其他常用非线性降维方法LLE、Isomap、MSD、KPCA的降维效果和分类精度,结果表明YJ-MICPCA总体上优于其他几种算法。     

基于伪模块2D PCA的人脸识别方法

在模块2D PCA方法的基础上提出了伪模块2D PCA的人脸识别方法.该方法不仅保留了模块2D PCA方法在特征抽取之前无需将图像矩阵转化为图像向量、能快速降低鉴别特征的维数、可以完全避免使用矩阵的奇异值分解等优点,而且在降维的同时尽可能保持了原样本的变化信息,使得降维后的同类数据样本尽可能保持相似.在ORL人脸数据库上的实验结果表明,伪模块2D PCA在识别性能上优于模块2D PCA.     

分块PCA和奇异值分解相结合的人脸识别算法

针对分块PCA算法对位移、旋转等几何变化比较敏感的缺点,提出一种基于分块PCA和奇异值分解相结合的人脸识别算法。该算法分别提取分块子图像的PCA特征和奇异值特征,在此基础上得到同时包含分块PCA和奇异值信息的距离测度,利用最小距离分类器进行分类识别。在ORL人脸库上的实验结果表明,该方法能够得到较高的识别率。     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

纹理保留的PCA非局部均值改进降噪方法

针对PCA-NLM去噪方法容易丢失图像纹理细节的问题,提出一种基于纹理特征描述的改进PCA非局部均值去噪方法.基于局部结构张量的边缘纹理描述将图像划分为平坦区、边缘区和纹理区,根据边缘纹理特征值自适应地选取PCA维数和搜索区域以改进去噪效果.实验结果表明,该方法对纹理细节丰富的区域能更好地保留了图像纹理细节,降噪效果优于PCA-NLM方法.     

基于粗糙集的人脸识别改进方法

人脸识别因其高效、安全和非接触性的特点,在公共信息安全领域得到了广泛应用.针对传统主元分析方法(PCA)和随机主元分析法(Random PCA)在实际应用中存在抗干扰能力差、识别率不高以及2种方法特征融合后计算复杂的问题,提出了一种基于随机主成分分析+粗糙集(Random PCA+rough set)的人脸识别方法.该方法用PCA提取人脸的全局特征,用Random PCA提取人脸图像的局部特征,再将这2种特征通过串联的方式构建特征子空间.在特征子空间里用粗糙集去提取最具区分度的特征,从而有效减少了分类时的计算复杂度并提高了识别率.实验结果表明:该方法较传统PCA方法的识别率和识别时间分别提高了7.09%和6.06%.     

基于PCA和BP网络的液压油缸内泄漏故障诊断

针对液压油缸内泄漏故障诊断时,由于提取的时域参数过多,导致诊断速度慢、实时性差等问题,提出基于主成分分析(PCA)和BP神经网络的诊断方法.该诊断方法是:首先提取压力信号的时域参数作为初始特征,然后利用PCA方法将高维初始特征空间压缩到低维最终特征空间,并将得到的最终特征输入到BP神经网络进行故障模式识别.研究结果表明:该诊断方法在满足故障检测识别率的同时提高了诊断速度,为液压油缸内泄漏的故障诊断提供了一种实用方法.