基于模式识别技术的中成药分类与质量鉴定流程

通过分析模式识别各种技术的应用特点,结合指纹图谱技术的应用,文章探索出了一条针对中成药分类与质量鉴定的标准技术路线,可以完成中成药的分类与质量鉴定工作。以六味地黄丸分析为案例,分析流程先将样品的指纹图谱信息转化成数学信息,再使用模式识别技术进行判别分析,技术路线基于MATLAB编程实现。技术路线准确的进行了样品的分类与质量鉴定,分析结果可用于评价药品的生产工艺,比较不同品牌药品的质量稳定性。     

中药血竭的化学模式识别研究

建立了10种中药血竭样品的HPLC(High performance liquid chromatgraphy)指纹图谱，并把HPLC指纹图谱信息进行数据化及数据标准化处理；用重叠率与相关系数两个参数，从两个方面定量地对这10种样品的HPLC指纹图谱进行了相似性评价；在此基础上用系统聚类分析法定性地对这10种样品进行了分类和鉴别．从而建立了一种相对完善的中药血竭的化学模式识别技术，为中药血竭的质量评价和分类鉴别提供了一个很好的方法和思路．     

葛根HPLC指纹图谱及模式识别研究

采用高效液相色谱法,建立9种不同产地的葛根样品的指纹图谱,并利用化学计量学中的主成分分析和聚类分析方法对所得到的葛根HPLC指纹图谱进行模式识别的研究,实现了9种不同产地葛根样品的分类.本研究获得的指纹图谱较全面的反映不同产地的葛根的特征差异,可为葛根的质量控制及综合评价奠定基础.     

中药山茱萸的高效液相色谱指纹图谱及其聚类分析

采用高效液相色谱（HPLC）法建立了10个不同山茱萸样品的中药指纹图谱（TCMF）．对所获得的指纹图谱信息进行了数据化处理；用色谱峰重叠率定量地对10个样品的指纹图谱进行了相似性评价，其重叠率均大于85．4%．在此基础上用模糊聚类中的几何平均最小法定性地对10个样品进行了分类和鉴别，其相似性的相关系数为0．927时，全部样品可归为一类．通过HPLC指纹图谱、色谱峰重叠率和模糊聚类分析，建立了控制山茱萸药材质量的新方法，该法为中药样品的鉴定和质量控制提供了依据，并为HPLC在复杂组分样品的分析领域开拓了新的应用途径．     

核磁共振指纹图谱用于阿胶的鉴别

建立阿胶核磁共振指纹图谱法用于阿胶的鉴别。基于阿胶水提液成分,采用核磁共振氢谱(¹H-NMR)建立阿胶核磁共振指纹图谱方法,并进行方法学验证;对不同来源样品进行核磁共振氢谱测定,得到样品数据集。采用主成分分析(PCA)和片段偏最小二乘法(i-PLS)对样品进行模式识别研究,建立阿胶判别模型。结果显示,阿胶核磁共振指纹图谱方法的精密度、稳定性和重现性良好。PCA分析结果表明:不同来源样品有一定的类别差异,但阿胶真品与伪品难以分开。采用i-PLS法建立真伪阿胶判别模型,分类能力强,能够实现真伪阿胶的正确判别。阿胶核磁共振氢谱指纹图谱结合模式识别方法能够用于中药阿胶的真伪鉴别,为阿胶的质量控制及评价提供借鉴。     

色谱技术在中药指纹图谱研究中的应用

本文介绍了气相色谱、高效液相色谱、超临界流体色谱和高速逆流色谱等几种色谱技术在中药指纹图谱研究中的应用现状，以及使用模糊聚类分析和人工神经网络分析指纹图谱，对中药进行模式识别和质量签定的方法。     

HPLC指纹图谱及化学模式识别鉴别菟丝草药材

通过菟丝草药材的高效液相色谱指纹图谱,结合化学模式识别,鉴别菟丝草药材的产地来源;同时,测定了其中3种黄酮类组分的含量.采用Agilent HC-C18色谱柱(250 mm×4.6 mm,5 μm),以乙腈-0.3%磷酸为流动相,在柱温30 ℃,流速1.0 mL/min进行梯度洗脱,在360 nm检测波长下,获取菟丝草药材的HPLC图谱,在不同产地的样品中,获取了12个共有峰.通过菟丝草的HPLC指纹图谱,运用相似度分析,并经过化学模式识别即聚类分析和主成分分析法,可将样品按来源分成两类,不同样品表现出不同的特性.相似度分析和化学模式识别结果相互印证,均将样品分为两类.同时对药材中金丝桃苷、紫云英苷和槲皮素含量进行了测定,其相关系数均为0.997以上,重复性、稳定性、精密度均小于3%,平均加标回收率均在95%以上.结果表明,HPLC指纹图谱与化学模式识别结合,可准确、综合地对菟丝草药材进行产地鉴别,并确定了3种黄酮类有效成分的含量.     

色谱指纹图谱在精油质量分析中的应用研究进展

精油是天然活性成分,是由一类化学成分组成的复杂体,通过多组分、多指标的分析检测,对其整体信息予以控制,才能科学有效地评价其质量、品质。指纹图谱技术作为复杂化学体系分析的重要方法,可综合反映出精油组分的色谱特征信息,达到全面质量控制的目的。本文综述了指纹图谱技术及其在精油质量分析中的现状与应用,旨在建立规范的精油色谱指纹图谱并推广应用,这对精油的质量控制和标准完善,以及我国精油植物资源的开发具有十分重要的意义。     

mRNA差异显示技术及其在植物基因工程中的应用

mRNA差别显示技术是将mRNA反转录技术与PCR技术二者相互结合发展起来的一种RNA指纹图谱技术,目前已广泛应用于分离鉴定组织特异性表达的基因.本文介绍了mRNA差别显示的基本原理、技术路线以及反应条件的改进方法,最后指出了此技术在植物基因工程中的应用.     

基于Web的中药指纹图谱智能管理系统

为了实现中药成分定量分析和质量控制,通过.NET平台、SQL Server数据库和学习向量量化神经网络构建了一个基于Web的中药指纹图谱智能管理系统,实现中药指纹图谱的分类和识别,并以Web方式进行信息共享,该系统为中药质量的现代化管理提供保障.     

Fractal image encoding with flexible classification sets

Fractal image compression(FIC)technology is an interesting attempt at structure similarity-based image compression.It has been widely applied in many fields such as image encryption,image retrieval,image sharpening,and pattern recognition.However,overlong encoding time is the main difficulty for the application of FIC.In this paper,a new FIC speedup algorithm is proposed with two steps.Firstly,the simplified statistical variable expressions can speed up encoding twice more than the baseline fractal compression(BFC)without loss of image quality corresponding to BFC.Secondly,based on the fact that the affine self-similarity is equivalent to the absolute value of Pearson’s correlation coefficient,a new block classification strategy with flexible classification sets is proposed to speed up encoding further.The experiment results and theoretical analysis show that the proposed scheme achieves high performance in both image quality preservation and encoding efficiency.     

支持向量机学习方法的选择与应用

介绍支持向量机中的核函数及其参数的选择和相关应用技术，以及SVM的应用研究。在不同的学习方法下进行了仿真实验，并对4种不同方法的分类特性进行了对比分析，给出了在不同模式识别问题中不同方法的选择条件。     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

衍射时差图像处理与缺陷识别技术综述

焊缝是压力容器的质量薄弱环节,焊缝缺陷直接影响压力容器的安全运行。衍射时差(TOFD)检测是目前焊缝质量评价的主要手段。随着TOFD成像检测技术的不断发展,TOFD成像结果自动判读的不足,正成为制约TOFD检测规模化应用的障碍。图像处理和缺陷识别是TOFD成像检测的技术关键。本文将TOFD图像处理技术归纳为噪声去除、直通波处理、曲线拟合和图像分割,将TOFD缺陷识别技术归纳为特征提取和模式分类,详细介绍了国内外的相关研究成果,并对TOFD图像分割、特征提取和缺陷分类识别的研究提出建议。     

基于GPR信号频带介电谱特征的公路早期病害检测*

现有的探地雷达(GPR)技术都是在公路病害产生后进行病害定位,而不是在病害发生的早期对病害进行预测。为了实现公路早期病害检测,本文构建了公路早期病害识别系统,该系统充分利用GPR信号的频带介电谱特征,分别抽取训练样本和测试样本的频带介电谱特征向量,以识别公路早期病害情况。实验结果表明：频带介电谱特征向量能较好的表征GPR信号对应的地电信息,适用于GPR信号的分类;该系统能对公路基层的密实度特征和含水量特征进行有效识别,为公路早期病害检测提供了技术保障;此外,该系统具有很强的实时性,对各个测试样本进行特征向量提取和识别的平均耗时不大于0.8ms。     

一种基于模拟退火的特征层融合模式识别实现方法

文章提出一种特征层融合模式识别的方法,定义"融合特征"和"特征融合系数"实现模式的特征融合。使用模拟退火算法搜索最佳的"特征融合系数",从而提高模式识别的正确性,降低分类决策的模糊性。特征层融合的交通标志形状识别实验和数字字符识别实验均表明:该方法具有以上两方面的优点。     

EEG classification based on probabilistic neural network with supervised learning in brain computer interface

Aiming at the topic of electroencephalogram (EEG) pattern recognition in brain computer interface (BCI), a classification method based on probabilistic neural network (PNN) with supervised learning is presented in this paper. It applies the recognition rate of training samples to the learning progress of network parameters. The learning vector quantization is employed to group training samples and the Genetic algorithm (GA) is used for training the network’s smoothing parameters and hidden central vector for determining hidden neurons. Utilizing the standard dataset I(a) of BCI Competition 2003 and comparing with other classification methods, the experiment results show that the best performance of pattern recognition is got in this way, and the classification accuracy can reach to 93.8%, which improves over 5% compared with the best result (88.7%) of the competition. This technology provides an effective way to EEG classification in practical system of BCI.     

基于核PCA与SVM相结合的电子鼻模式识别算法研究

将核主元分析(PCA)与支持向量机(SVM)相结合并将其应用到电子鼻模式识别单元中,实现了数据降维和改善分类器性能。实验结果表明与单纯的应用支持向量机方法进行分类相比,此方法具有更高的识别率。     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.