人工嗅觉系统及其在卷烟烟气中的研究

用金属氧化物半导体气敏传感器阵列组成的人工嗅觉系统 (电子鼻 )对 3种品牌卷烟烟气进行分析 详细阐述了实验过程及确定传感器的组成方法 ,并从样本中用马氏距离选取合适的样本 ,用主成分分析法和神经网络聚类分析法对样本进行分析 主成分分析结果是已较好地把各品牌的烟分开 ,神经网络对 3种品牌烟的识别率分别为玉溪 85%、白沙 90 %、红梅 95%     

基于主元分析的电子舌味觉检测

 基于光寻址(LAPS)型电子舌的基本结构及检测原理,提出了一种基于主元分析(PCA)的味觉识别算法.通过对LAPS型电子舌提取到的信号特征进行主元分析,在其第一主元和第二主元得分图上,5种基本味道样本溶液的落点在各自区域内互不干扰,5种基本味道能够很好地区分.进一步采用最小距离法对其分类,表明该方法优势突出,对5种基本味道分类的平均识别准确率达到96.54%.试验表明,将主元分析应用于LAPS型电子舌的味觉检测分析方面有很好的效果,为研制小型化LAPS型电子舌提供了科学依据.     

电子鼻与电子舌在可可椰奶品质评价中的应用

采用电子鼻和电子舌测试了可可粉、砂糖与椰子粉配比不同时的产品信号响应值,并应用主成分分析法、判别因子分析法和统计质量控制分析法对数据进行了分析.结果表明,在3种主要原料配比不同时,电子鼻与电子舌对产品的响应信号有明显区别,主成分分析法和判别因子分析法等可以区分不同品质的可可椰奶,能够从气味、滋味和总体质量方面对可可椰奶检测和鉴定.     

化学仪器与电子舌表征绿茶滋味感官品质的比较

为弥补感官审评方法评定绿茶滋味品质存在的不足,研究采用化学仪器方法和电子舌方法评价绿茶的滋味感官品质.利用化学分析仪器测定茶汤的10种主要滋味成分(茶多酚、氨基酸、咖啡碱、GA、EGC、C、EGCG、GCG、ECG和儿茶素总量)含量,同时利用电子舌获取茶汤的传感器响应值.分别建立10种滋味成分含量与滋味感官评分、传感器响应值与滋味感官评分之间的BP-ANN模型.结果表明:用2种方法评价绿茶的滋味感官品质,其准确度都可靠,但基于电子舌方法建立的BP-ANN模型性能更好;该模型对预测集样本的预测均方根误差为1.913,模型预测值与实际评分值之间的相关系数为0.932,说明利用电子舌方法能更好地预测绿茶的滋味感官品质.     

基于核主成分分析的话题跟踪系统

话题跟踪是信息处理中的一项重要技术,如何提取鲁棒的话题样本特征是其中的研究重点。针对样本中的话题偏移问题,提出一种基于核主成分分析的算法。该算法首先利用开发集的先验知识构建加权矩阵;然后采用核主成分分析对样本进行话题偏移补偿,从而有效地去除了话题偏移的影响,提升了样本特征的鲁棒性;最后通过K-最近邻(K-nearest neighbor,KNN)和Rocchio算法进行分类。在Fisher英文数据库的话题跟踪测试结果表明,相对于基线系统,该系统在检测代价上有15%～18%的相对降低。     

人工嗅觉系统及其在卷烟烟气中的研究

用金属氧化物半导体气敏传感器阵列组成的人工嗅觉系统对３种品牌卷烟烟气进行分析，详细阐述了实验过程及确定传感器的组成方法，并从样本中用马氏距离选取合适的样本，用主成分分析法和神经网络聚类分析法对样本进行分析。主成分分析结构是已较好地把各品 烟分开，神经网络对３种品牌的识别率分别为玉溪８５％、白沙９０％、红梅９５％。     

基于主成分分析协同随机森林算法的热连轧带钢宽度预测

为提高热连轧粗轧带钢生产过程中换钢种、换规格及换辊后的首块带钢宽度设定模型精度,本文提出一种基于主成分分析协同随机森林(PCA-RF)算法的宽度预测模型.采用主成分分析法对数据样本合理分析,通过计算特征值、主成分贡献度及累计贡献度进行特征选择.在PCA筛选的变量数据集上训练最佳随机森林宽度预测模型.同时,使用支持向量机回归(SVR)、K-最近邻(KNN)模型进行对比验证.通过实际应用表明,PCA-RF各道次宽度模型R-squared值控制在99.9%~1,且96%以上样本点预测误差在-5~5mm,从而证明该模型实现了换钢种、换规格及换辊后的首块钢宽度的高精度预测.     

特征提取和小样本学习的电力工程造价预测模型

通过特征提取和小样本学习的结合,提出一种全新的基于混合算法的电力工程造价预测模型。利用主成分分析对原始指标进行预处理,消除原始指标之间的相关性,并提取潜在的综合独立指标,将新指标作为输入集构造基于最小二乘支持向量机的预测学习模型,将其预测结果和神经网络模型预测对比分析。并通过不同主成分数目预测结果的比较,确定最优的主成分个数,达到理想的预测效果。实例预测结果表明:该方法可以有效提取原始指标的信息量,在小样本学习方面表现突出,能够达到期望的预测效果。     

近红外光谱在印刷品颜色检测中的应用

为了对印刷品颜色进行快速、准确检测,应用近红外光谱技术(NIR)并结合偏最小二乘法(PLS)建立印刷品颜色检测模型.对近红外光谱获取的144个样本光谱曲线,应用主成分分析方法进行降维,维数为5.选取的主成分作为光谱优化特征子集以替代原来复杂的光谱数据.随后,将144个样本数据随机分为定标集和预测集,利用偏最小二乘法在103个定标集样本数据基础上建立印刷品颜色预测模型,应用此模型对41个预测集样本颜色进行预测.研究结果表明:利用PLS模型得到样本的实测值和预测值之间的预测决定系数(R~2)为99.74%,预测平均相对误差为0.636%,表明利用近红外光谱技术检测印刷品颜色是可行的.     

基于全局与局部特征的嵌入式人脸识别系统

基于主成分分析人脸识别算法,提出一种基于全局特征和局部特征的加权算法,并且在嵌入式(Tiny6410)上完成系统的设计与实现.利用主成分分析提取人脸全局特征,根据特征值贡献率获取降维后的人脸子空间,采用欧氏距离匹配测试样本;用人眼检测算法、鼻子检测算法等提取每个样本的左眼、右眼、鼻子、嘴,分别建立样本集,采用主成分分析;分别计算全局和局部特征的离散度,根据离散度进行自动加权算法,给出最终的人脸识别结果.实验表明,该系统具有一定的稳定性,识别效果优于单一模块的识别.     

家用切花保鲜方法探究

选用玫瑰和非洲菊两种常见的观赏花卉为实验材料,采用洗洁精溶液浸养法和洗洁精溶液浸养与末端灼烧相结合的方法对其保鲜效果进行了实验探究.实验得出切花保鲜效果最佳的洗洁精浓度是1‰~2‰,而不是某些资料报道的2%~4%.该结果不仅修正了原来对切花保鲜最佳洗洁精浓度的报道,而且为人们提供了一种简单实用且环保的切花保鲜法,即先在低浓度(1‰~2‰)的洗洁精溶液中浸养,几天后将其末端烧焦浸入清水中浸养.     

近红外光谱分析中的一种基于XY变量联合的异常样本剔除算法

在近红外光谱分析中,异常样本的存在会影响所建预测模型的性能.为了剔除异常样本,提高预测模型的预测能力,首先提出并证明了XY距离关系定理;在此基础上,设计了一种新型的基于XY变量联合的ODXY异常样本剔除算法.本次研究对102个羊肉样本的近红外光谱及其含水率进行了测定,在此样本集上分别采用常用的马氏距离剔除法、蒙特卡洛采样法和本文提出的ODXY算法对异常样品进行判别和剔除,并用剔除后的样本建立偏最小二乘预测模型;然后采用预测均方差RMSEP和决定系数R~2来检验模型的性能;最后,通过重新分配训练集和验证集检验算法的泛化能力.实验结果表明,在利用ODXY算法剔除预测样本的基础上建立的预测模型性能最佳,且具有更好的泛化能力.     

基于主成分分析和递归神经网络的短期股票指数预测

运用递归神经网络,并结合主成分分析方法建立基于主成分分析的递归神经网络(PCA-RNN)预测模型.实验采用玉米股票价格指数,首先,利用主成分法对玉米指数的多个指标进行特征提取,然后利用提取的主成分建立3种神经网络模型,并对开盘价进行预测,最后与ARIMA模型进行比较分析.结果表明PCA-RNN模型取得了较好的效果,更加适用于股票价格的短期预测,可以为决策者提供一定的参考.     

基于主成分分析和支持向量机的砂土渗透系数预测模型

渗透系数不仅是描述土体透水性能的重要指标,同时也是影响固结沉降和渗透变形的重要因素.首先对华北平原中东部地区的28个砂土样本通过自行改装的渗透固结仪进行渗透固结试验,得到不同孔隙比下的渗透系数.然后选取有效粒径d_(10)、限制粒径d_(60)、不均匀系数C_u、曲率系数C_c和孔隙比e 5个指标作为渗透系数k的影响因子,采用主成分分析(PCA)方法提取3个主成分,对影响渗透系数的主成分进行了全新的解释.最后,引入支持向量机(SVM)方法建立了华北平原中东部地区砂土渗透系数的预测模型,并利用该模型对华北平原中东部地区随机选取的20组样本进行渗透系数的预测.结果表明:自行改装的渗透固结仪可以较好地进行渗透固结试验;预测模型的精度较高,可以为华北平原中东部地区砂土渗透系数的研究提供参考依据.     

基于主成分分析的BP神经网络长期预报模型

MATLAB是进行神经网络系统设计及多元统计分析的有力工具.利用MATLAB6.5对月平均降水量的前期预报因子进行主成分分析,实现样本的最优压缩,从而降低样本的维数,建立起基于主成分分析的神经网络广西北部地区5月平均降水预测模型.计算结果表明,基于主成分分析的神经网络模型在预测中与多元回归模型相比有较好效果.     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

一种基于主成分分析的稀疏数据模式分类隐私保护算法

 模式分类过程涉及到对原始训练样本的学习,容易导致用户隐私的泄露。为了避免模式分类过程中的隐私泄露,同时又不影响模式分类算法的性能,提出一种基于主成分分析（PCA）的模式分类隐私保护算法。该算法利用PCA 提取原始训练数据的主成分,并将原始训练样本集合转化为主成分的新样本集合,然后利用新样本集合进行分类学习。选用Adult 数据集和KDDCUP 99 数据集进行仿真实验,并采用正确率和召回率进行性能评价,结果表明,该隐私保护算法通过PCA 提取原始数据特征属性的主成分,可避免原始属性的泄露,同时PCA 在一定程度上可实现去噪,从而使分类器的分类性能优于原始数据集的分类性能。与已有算法比较,该隐私保护算法具有更好的模式分类精度和隐私保护性能。     

基于PCA和PSO-SVM在葡萄酒分类中的应用研究

针对葡萄酒的物理化学成分冗余数据,提出了一种基于主成分分析(PCA)和粒子群优化—支持向量机(PSO-SVM)的模型用于葡萄酒的分类.首先,对葡萄酒的物理化学成分进行主成分分析,提取主要影响因素,减少输入维数,再利用粒子群优算法寻找支持向量机的最佳参数,并用支持向量机完成对训练集样本的学习和测试集样本的预测分类.结果表明,该模型与其他模型相比较,具有较高的准确性,有一定的适用价值.     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

基于PCA-BP的煤层底板突水预测研究与防治

为了提高煤层底板透水预测的效率和准确性,将主成分分析(PCA)与神经网络(BP)相结合,对煤层底板透水进行预测。根据搜集到的煤层底板透水的影响因素及其相关数据。通过收集不同矿井透水资料,综合考虑多种影响煤层底板透水的因素,利用主成分分析(PCA)法提取影响因素的主成分,建立PCA-BP煤层底板透水预测模型。选取典型的矿井透水样本进行工程实践验证,结果表明本预测模型符合实际情况。