衰减全反射傅里叶变换红外光谱法结合模式识别分析橄榄油中掺杂大豆油的研究

采用衰减全反射傅里叶变换红外光谱(FTIR-ATR)结合模式识别的方法建立橄榄油的快速鉴别模型。实验中测定不同品牌的纯橄榄油样本与纯大豆油样本以及橄榄油中掺入大豆油的混合油样本的FTIR-ATR光谱。将625~4000 cm-1波段的光谱数据作为鉴别研究对象,应用主成分分析法(PCA)对光谱数据进行降维处理,再结合Fisher判别分析和多层感知器神经网络两种模式识别的方法对纯橄榄油、纯大豆油以及三种掺杂有大豆油的橄榄油样本进行鉴别。结果表明:对原始数据所采用的预处理方法中,经小波去噪后的数据的鉴别效果最佳。PCA结合Fisher判别分析建立的判别模型,原始判别的准确率达到100%,交叉验证的准确率达到97.1%;多层感知器神经网络鉴别模型训练集分类准确率为100%,测试集分类准确率为100%。因此,FTIR-ATR光谱技术结合模式识别方法可以实现对纯橄榄油、纯大豆油以及三种掺杂有大豆油的橄榄油样本的鉴别,而且具有操作简便、快速、可靠等优点。     

基于光谱融合的油漆分类方法比较

为了实现对油漆物证的快速、无损以及准确分类,实验收集了犯罪现场常见的5个油漆品牌共计50个油漆样本的红外原始光谱数据和导数光谱数据,结合光谱融合技术,建立了基于KNN、SVM以及逐步判别分析的油漆分类模型.实验结果表明:3种分类模型对于融合光谱的识别率要高于单一光谱;KNN以及SVM分类模型对于其中的3种油漆样本识别率高,但对其余2种样本的分类效果并不好,而逐步判别分析模型对5种油漆样本的各种光谱数据识别率均高于KNN和SVM模型,其中采用逐步判别分析中的Smallest F ratio判别模型对一阶导数光谱和三阶导数光谱融合数据的训练集和测试集实现了完全识别.本文方法的检验效率高,定性能力强,满足公安机关对于相关物证的快速检验要求,为刑事技术人员快速识别油漆物证提供了一种有效的手段.     

一种基于目标空间的局部判别投影方法

现有的局部判别分析方法依据样本在投影前的近邻关系(原空间的近邻关系)设定优化目标中的权值,没有考虑样本的近邻关系在投影前后的变化。为了更准确地描述分类优化目标,该文提出了一种基于目标空间的局部判别投影方法,依据样本投影后的近邻关系(目标空间的近邻关系)设定目标函数中的权值矩阵,并采用迭代过程求解。其基本思想是使目标空间中的同类近邻样本尽量紧凑,目标空间中的异类近邻样本尽量分开。实验结果表明,该方法有效克服了原空间局部判别分析中存在的固有问题,在人工数据集和手写数字标准数据集均取得较好效果。     

牛顿插值多项式-导数光谱无损检测车用保险杠

为了提高检验鉴定效率、降低检验鉴定成本，实现对案件现场车用保险杠碎片的快速无损检测，采用了基于红外指纹光谱结合牛顿插值多项式、光谱求导和判别分析的车用保险杠鉴别方法。采集并获取奥迪等6种品牌共计40个不同型号的车用保险杠样本的红外光谱，选择牛顿多项式插值、光谱求导等方法建立了判别模型。结果表明，基于指纹区波段建立的判别模型总体准确率(80.0%)高于全波段模型(77.5%)，指纹区光谱结合4次牛顿插值多项式处理后的判别准确率可到85%，经1阶导数处理后判别准确率可达100%，以判别函数DF₁和DF₂作为判别轴构建判别分类模型，6种品牌的样本均实现了100%的准确区分；红外指纹光谱结合4次牛顿插值多项式、1阶导数和判别分析可实现车用保险杠品牌快速、无损鉴别，且模型检测精度高。该方法具有普适性和一定的借鉴意义。     

一种基于模糊近邻标签传递的半监督分类算法

提出了样本分布无关,模型简单,单控制参数的模糊近邻标签传递算法.该算法依据样本与其k个近邻的模糊相似性连接,使类别标签从标签数据向未标签数据传递,实现未标签数据的分类.最后,通过人工合成数据和UCI数据集中数据的分类实验验证了该算法的简单有效性.     

基于PCA和核FDA的人脸识别研究

基于主分量分析的特征脸识别是人脸识别中重要的识别方法,具有简单、实用等特点。Fisher判别分析是统计分析一种常用的降维方法,多类Fisher判别分析在模式识别领域得到广泛应用。核方法技术是设计全局非线性算法最流行的工具之一,应用核方法技术使得低维空间线性不可分的样本在高维空间线性可分。先对ORL人脸数据库中的图像应用主分量分析提取主分量,再应用核Fisher判别方法把特征向量做隐式变换,最后把得到的数据采用k-紧邻分类器进行分类识别,并对实验结果做了比较分析。     

基于特征波段-Fisher-K近邻的木器漆拉曼光谱的快速无损鉴别

为了实现木器漆的快速无损检测以及精确识别与分类,采集并获取了晨阳等3种品牌木器漆样本的拉曼光谱,并考察了基线校正、Savitzky-Golay九点平滑法、一阶导数和二阶导数等不同预处理方法的处理效果,建立了特征波段比值、Fisher判别、K近邻(KNN)模型。结果表明:特征波段比值法能以1358cm-1/1239cm-1表征3种木器漆的特征;基于Fisher判别的基线校正、平滑和二阶导数处理的拉曼光谱模型的分类准确率最高,能实现100%区分;在相同的预处理下,KNN判别模型的准确率仅为88.5%。基于二阶导数的拉曼光谱结合特征波段-FisherKNN法能为不同品牌木器漆的准确检测提供一种新的快速无损分析手段,具有普适性和一定的借鉴意义。     

基于影响函数的k-近邻分类

分类是一种监督学习方法,通过在训练数据集学习模型判定未知样本的类标号。与传统的分类思想不同,该文从影响函数的角度理解分类,即从训练样本集对未知样本的影响来判定未知样本的类标号。首先介绍基于影响函数分类的思想;其次给出影响函数的定义,设计3种影响函数;最后基于这3种影响函数,提出基于影响函数的k-近邻(kNN)分类方法。并将该方法应用到非平衡数据集分类中。在18个UCI数据集上的实验结果表明,基于影响函数的k-近邻分类方法的分类性能好于传统的k-近邻分类方法,且对非平衡数据集分类有效。     

基于SRM自组织多区域覆盖的可拒绝近邻分类算法研究

该文依据区分与划分相结合的可拒绝模式识别思路,提出了高维空间海量训练样本情况下的基于结构风险最小化决策的自组织多区域多球覆盖可拒绝近邻分类算法。该方法利用同类样本之间相互接近的特性,通过结构风险最小化紧几何覆盖策略,选择训练样本,通过自组织多区域多球覆盖模型构成同类样本的划分性描述,达到拒绝识别非训练类样本的目的,最后通过k近邻相互区分性比较确定真实类别。仿真实验结果表明该文的思路是合理可行的,在实际应用领域具有一定价值。     

基于红外指纹光谱的快速鉴别黑色记号笔墨水

为了实现对记号笔墨水的检验与认定，采集了广博等5种品牌共计40支黑色记号笔红外指纹图谱数据。采用了多元散射校正、峰面积归一化、自动基线校正和Savitzky-Golay平滑等技术，建立了基于多层感知器的黑色记号笔墨水分类模型，进行了理论分析和实验验证。结果表明，红外指纹图谱能反映分子结构的细微变化，可将水性与油性记号笔区分; 针对4种油性记号笔样本，发现模型在30维矩阵上特征提取最好，准确率为100%, 其中特征12、特征26和特征17对模型区分效果的贡献程度最高，分别为0.0355, 0.0347和0.0346;4种油性品牌记号笔样本均实现了100%的准确区分, 其中乐途品牌样本聚敛程度较高，分布集中，其墨水组分和含量差异较小，宝克品牌样本分布较为分散，其墨水组分和含量相对差异较大; 在验证性分析中，8个待判定样本均实现了100%的准确区分和归类，实验结果理想，利用红外指纹图谱结合多层感知器可实现黑色记号笔墨水品牌间的准确识别与分类。该方法提高了检验鉴定效率、降低了检验鉴定成本、可满足一线执法人员快速、准确的检验需求。研究结果具有一定的普适性和借鉴意义。     

不同产地苹果的近红外光谱分类识别法

以山东和陕西两地产的红富士苹果作为实验对象,提出了一种不同产地苹果的分类识别法。首先对苹果的近红外光谱数据进行小波软阈值预处理,去除噪声和冗余;再采用主成分分析法(Principle ComponentAnalysis,PCA)进行降维;然后应用Fisher判决(Fisher DiscriminantAnalysis,FDA)进一步提取特征;最后使用K_近邻法进行分类识别(K_near neighbor classification,KNN)。通过实验比较,本文提出的方法能很好地实现不同产地苹果无损、快速和准确分类识别,识别正确率达到97.5%。     

红外光谱结合化学计量学检验直液式走珠笔墨水

检验鉴定书写墨水是法庭科学领域中一项重要的工作。利用傅里叶变换红外光谱仪对市面上常见的20种直液式走珠笔墨水样品进行检验,采取化学计量学实现了对直液式走珠笔墨水的快速检验。对傅里叶变换红外光谱数据做标准化处理,采取自动基线矫正、峰面积归一化、Savitzky-Golay 5点平滑3种方法对谱图做预处理,通过误差平方和指标（sum of the squares errors, SSE）确定分类K的最优取值,对样品进行K-均值聚类分析并解释聚类结果。采取主成分分析方法验证K-均值聚类的结果,利用组均值均等检验考察主成分变量对Fisher判别分析（Fisher discriminant analysis, FDA）模型的贡献程度,构建直液式走珠笔墨水的FDA判别模型。结果表明,K-均值聚类将全部墨水样本聚类为3类,PCA-FDA（principal components analysis-fisher discriminant analysis）模型能够对不同类别直液式走珠笔墨水达到100%的预测分类,经交叉验证后正确率达到100%。红外光谱与PCA-FDA模型结合可用于直液式走珠笔墨水的快速、准确检验鉴定。     

光纤光谱结合模式识别无损检测苹果表面疤痕

为了实现基于光纤光谱技术结合模式识别无损检测苹果表面疤痕, 利用光纤光谱采集系统采集了完好无损和表面有疤痕苹果的光谱数据, 采用标准正态变换(SNV)和1阶导数对原始光谱数据进行预处理; 利用主成分分析方法对预处理后的光谱数据进行降维, 以提取能反映苹果表面疤痕的特征光谱; 利用k最近邻(KNN)模式识别方法和偏最小二乘判别分析方法, 建立了苹果表面疤痕的识别模型。结果表明, 采用主成分分析法选择了累计贡献率超过99%的前8个主成分作为样本集特征光谱数据, 很好地实现了光谱数据的降维; 利用1阶导数+KNN识别模型对校正集以及SNV+KNN识别模型对预测集中正常果和疤痕果的正确率识别均高达96.0%。验证了基于光纤光谱技术结合模式识别方法无损检测苹果表面疤痕的可行性。     

极端环境下光学红外望远镜伺服系统模型预测

在极端环境下光学红外望远镜伺服系统建模的实际工作过程中,实测的望远镜状态数据经常包含有各种噪声。为了减小噪声对模型辨识精度的影响,提出了一种基于带有控制的非线性动力学稀疏辨识（Spark Identification of Nonlinear Dynamics with Control, SINDYc）算法的稀疏辨识方法。针对望远镜伺服系统,对SINDYc算法进行了理论分析和数值模拟,对比了在不同的噪声水平下,望远镜伺服系统预测模型的状态变量曲线,并拟合了不同噪声水平下辨识模型的决定系数曲线。基于南极望远镜实验平台,设计了正弦和方波信号作为激励信号进行模型辨识实验,对SINDYc算法的建模准确性进行了实验验证。数值模拟模型的预测输出结果显示:SINDYc算法在20%噪声水平以下时,模型辨识精度在0.99以上;在10%噪声水平以下时,状态变化跟随最大偏差值在信号幅值的5%以内。辨识实验数据表明,在两种不同信号激励下望远镜伺服系统模型预测的辨识精度分别为0.9857与0.9952,证实了基于SINDYc算法的稀疏辨识方法的有效性和准确性。该方法辨识出的系统模型可以为未来的南极大口径光学红外望远镜控制系统的分析及控制器设计提供很好的分析模型。     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

基于近红外光谱技术的小白菜农药残留鉴别分析

针对市场销售蔬菜存在农药残留的问题,提出了一种高效无损的小白菜农药残留定性分类鉴别方法。以3组小白菜叶片和农药氯氟氰菊酯为研究对象,对其中的2组小白菜分别喷洒2种不同浓度的农药（农药与水的配比分别为1:500和1:20）,构成不含农药、含轻度农残和含重度农残三类样本。分别采集了这三类样本的近红外光谱,然后对该数据进行小波软阈值预处理和主成份分析降维,并对其进行Fisher判决和K近邻分类鉴别。实验结果表明,该方法对小白菜无农药残留和含轻度农药残留两类样本的正确鉴别率为95%,对含轻度农残和含重度农残的两类样本的正确鉴别率为90%。因此本文方法对小白菜农残定性分类鉴别有效,为蔬菜农残定性分类鉴别提供了一种新思路。     

Intelligent hybrid approaches for human ECG signals identification

This paper presents hybrid approaches for human identification based on electrocardiogram (ECG). The proposed approaches consist of four phases, namely data acquisition, preprocessing, feature extraction and classification. In the first phase, data acquisition phase, data sets are collected from two different databases, ECG-ID and MIT-BIH Arrhythmia database. In the second phase, noise reduction of ECG signals is performed by using wavelet transform and a series of filters used for de-noising. In the third phase, features are obtained by using three different intelligent approaches: a non-fiducial, fiducial and a fusion approach between them. In the last phase, the classification approach, three classifiers are developed to classify subjects. The first classifier is based on artificial neural network (ANN). The second classifier is based on K-nearest neighbor (KNN), relying on Euclidean distance. The last classifier is support vector machine (SVM) classification accuracy of 95% is obtained for ANN, 98 % for KNN and 99% for SVM on the ECG-ID database, while 100% is obtained for ANN, KNN, and SVM on MIT-BIH Arrhythmia database. The results show that the proposed approaches are robust and effective compared with other recent works.     

基于随机森林算法的食源性致病菌拉曼光谱识别

药品食品的安全问题一直是人们关注的重点。相比于传统的食源性致病菌光谱检测方法,拉曼光谱法具有检测范围广、检测灵活、光谱特征突出等特点。本文以常见的食源性致病菌为研究对象,利用拉曼光谱仪采集了11种食源性致病菌样品的132个拉曼光谱数据,提出了一种基于主成分分析和随机森林算法的分类模型。实验结果表明,主成分分析结合随机森林算法的分类模型可以将食源性致病菌区分开,且分类准确度可达到91.36%。