独立成分分析结合近红外光谱分析用于多组分同时测定

建立了1种基于独立成分分析的多元校正方法,结合近红外光谱分析技术进行多组分同时测定.以甲苯、氯苯和正庚烷构成的混合体系为例进行建模和预测,并将预测结果与主成分回归所得的结果进行了比较.结果主成分回归方法对独立测试集32例样本中甲苯、氯苯和正庚烷浓度的预测平均相对误差分别为4.5030、6.0231及9.6042,而独立成分回归方法对三组分浓度的预测平均相对误差分别为4.3871、4.1465及5.8104,说明本方法具有很强的预测能力,可作为1种实用的多元校正方法.     

基于光谱信息散度的近红外光谱局部偏最小二乘建模方法

常见的近红外光谱分析技术,一般将欧式距离作为相似性判据,但是在很多情况下并不能真实体现样本间的相似性;同时,线性回归模型无法克服校正样本集光谱数据中非线性以及样本差异大而导致的精度降低问题。针对上述问题,本文首次将光谱信息散度引入到局部建模算法中,以未知样本光谱与校正样本光谱间的光谱信息散度作为样本相似性判据,选取一定数量与待测样本最相似的校正样本组成局部校正子集,建立局部偏最小二乘模型。为了验证算法的有效性,将现有的全局建模算法、基于样本光谱间欧式距离的局部建模算法与本文提出的基于光谱信息散度的局部建模算法应用于猪肉近红外光谱标准数据集。实验结果表明:本文新方法的预测均方根误差(RMSEP)分别比现有的两种算法降低了22.8%与48.7%,克服猪肉近红外光谱的非线性和差异性,在近红外光谱定量分析领域具有良好的应用前景。     

基于正交独立成分分析的过程数据建模

针对非高斯数据分布过程中回归预测精度不足的问题,提出一种在独立成分分析（ICA）的基础上与正交信号校正（OSC）相结合的多元线性回归（MLR）方法——正交独立成分回归（O-ICR）．首先将原输入数据通过正交ICA（O-ICA）进行预处理,去除ICA在提取高阶统计量时带来的与Y无关的干扰变化,然后对校正后的X提取独立成分,代替原输入数据建立与Y之间的回归预测模型．与传统的ICR相比,该方法提取的独立成分经过校正可使回归模型的预测精度更高．最后通过Tennessee Eastman（TE）过程的质量预测仿真,验证了该建模方法的有效性．     

基于正交信号校正的喷气燃料近红外光谱去噪研究

为了提高喷气燃料近红外光谱模型的预测精度和稳健性,结合近红外光谱的特点,将正交信号校正法(OSC)用于喷气燃料近红外光谱的预处理.在正交信号校正过程中,通过K矩阵法建模选择正交信号校正的最佳主成分数.将正交信号校正后的光谱分别与K矩阵法、主成分回归(PCR)和偏最小二乘法(PLS)结合建立校正模型,对喷气燃料的密度和2...     

人工神经网络在舌诊近红外光谱中的应用研究

为了能客观地反映中医舌诊所蕴涵的病理信息,首次采用近红外光谱和神经网络对疾病进行诊断。分别采用了BP网络、广义回归神经网络(GRNN)、主成分分析和广义回归神经网络(PCA-GRNN)结合的三种模型在舌诊光谱法中的分析预测,首先对三种建模方法进行了分析,再用采集的健康人和糖尿病患者舌诊光谱数据进行校正模型的建立,两类舌诊光谱样本各39例,共计78例样本,在神经网络学习中,将其分成训练集样本60例和预测集样本18例,分别利用所建的三种模型对舌诊光谱样本进行训练和预测。实验结果是三种模型中PCA-GRNN相结合的方法平均绝对误差最小为13.2%、训练时间最短为0.072255s,以相对偏差在0.5以内为正确的情况下,其正确率为100%。说明用PCA-GRNN模型可以应用于舌诊光谱法的分析,并取得较好的分析结果,这对中医舌诊的客观化起到了一定的推动作用。     

基于ANN模型的非线性自校正预测控制器

采用局部建模和线性化方法,提出了一种基于人工神经网络(Artificial Neural Network --ANN)模型的非线性自校正预测控制算法.仿真实例表明,所提控制策略可有效地 控制某些未知多变量非线性动态系统.     

基于ICA和SVM的道路网短时交通流量预测方法

交通流量预测是智能交通系统(ITS)研究的一个重要课题。通过对多个观测点交通流量数据特点进行分析,采用一种基于独立成分分析(ICA)与支持向量机(SVM)相结合的短时交通流量预测方法。首先,通过独立成分分析得到同一条道路上各个观测点的交通流量的独立源信号;接着利用支持向量机预测模型对源信号进行建模和预测,并通过遗传算法(GA)优化参数;最后将其转换为交通流量数据,得到预测结果。实例分析结果显示,该算法优于直接利用支持向量机对交通流量进行预测的方法,并能去除同一条道路上多个观测点测量数据之间的相互影响。     

基于协同表示的多特征融合岩石分类

针对传统的岩石薄片成分分析耗时、识别率不高等问题,提出了一种基于协同表示(CR)的岩石薄片成分分析方法。首先,分析探讨了岩石薄片中颗粒纹理特性,证明将薄片图像的分层多尺度局部二值化(HMLBP)特征与灰度共生矩阵(GLCM)特征相融合能有效地表征岩石薄片中颗粒的纹理。然后,为降低识别阶段时间复杂度,采用主成分分析(PCA)方法将新特征降维到100维。最后,采用基于协同表示的分类器(CRC)进行分类识别。与基于稀疏表示的分类器(SRC)分别采用样本字典中某一个样本单独编码表征预测样本不同,基于协同表示的分类器采用样本字典中的所有样本协同编码表征预测样本,借助不同样本的同一属性提高识别率。实验结果表明该方法的识别速度较基于稀疏的分类器识别方法提高300%,识别率提高2%;在实践应用中能较好地区分岩石薄片中的石英成分和长石成分。     

PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

基于时延SDG和ICA的多工况过程故障预测方法

针对多工况生产过程,提出基于时延符号有向图(SDG)和独立成分分析(ICA)的在线故障预测方法.时延符号有向图描述了过程变量间信息传递的方向和时延大小;在有向图模型基础上,对过程数据进行信息同步校正;ICA方法应用于校正后的过程数据,使得基于ICA的性能监测方法具有良好的故障预测能力.在空分设备中的应用结果表明,该方法...     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

连续小波变换-支持向量回归用于植物样品多组分分析

采用连续小波变换（CWT）技术对近红外光谱（NIR）数据进行预处理，扣除光谱中的背景与噪音成分，再用支持向量回归（SVR）进行建模，建立了用于复杂植物样品多组分分析的建模方法（CWT-SVR），并应用于烟草样品中常规成分（总糖、总植物碱和总氮）含量的测定。结果表明，CWT—SVR方法优于基于全谱数据的SVR和偏最小二乘（PLS）法，为近红外光谱定量分析提供了一种新的建模方法。     

基于PCA和ICA的糖基化位点的预测和分析

为了提高糖基化位点的识别率,提出主成分分析(PCA)和独立成分分析(ICA)相结合的新方法对O-糖基化位点进行预测和分析。以窗口长度为51的蛋白质序列为研究对象,采用稀疏编码方案,首先利用PCA算法对蛋白质序列进行去相关预处理,以降低原始蛋白质序列的维数。然后利用ICA算法进行训练,提取特征向量构建子空间。测试序列投影到每一类子空间,计算测试序列和每类子空间重构序列的距离,根据距离大小确定所属的类。实验表明,提出的新方法有较高的预测性能。     

Kernel ICA: An alternative formulation and its application to face recognition

This paper formulates independent component analysis (ICA) in the kernel-inducing feature space and develops a two-phase kernel ICA algorithm: whitened kernel principal component analysis (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The experiment using a subset of FERET database indicates that the proposed kernel ICA method significantly outperform ICA, PCA and KPCA in terms of the total recognition rate.     

ICA-based neighborhood preserving analysis for face recognition

We present a new dimensionality reduction method for face recognition, which is called independent component based neighborhood preserving analysis (IC-NPA). In this paper, NPA is firstly proposed which can keep the strong discriminating power of LDA while preserving the intrinsic geometry of the in-class data samples. As NPA depends on the second-order statistical structure between pixels in the face images, it cannot find the important information contained in the high-order relationships among the image pixels. Therefore, we propose IC-NPA method which combines ICA and NPA. In this method, NPA is performed on the reduced ICA subspace which is constructed by the statistically independent components of face images. IC-NPA can fully consider the statistical property of the input feature. Furthermore, it can find an embedding that preserves local information. In this way, IC-NPA shows more discriminating power than the traditional subspace methods when dealing with the variations resulting from changes in lighting, facial expression, and pose. The feasibility of the proposed method has been successfully tested on both frontal and pose-angled face recognition, using two data sets from the FERET database and the CAS-PEAL database, respectively. The experiment results indicate that the IC-NPA shows better performance than the popular method, such as the Eigenface method, the ICA method, the LDA-based method and the Laplacianface method.     

一种新的多人脸检测方法研究

自动人脸检测是人脸识别系统的一个重要部分,本文提出了一种新的基于独立成分分析（ICA）和多项式神经网络（PNN）相结合的人脸检测方法,该方法首先在训练样本中使用ICA分离出代表人脸和非人脸特征子空间的独立影像基,把训练图像映射到该子空间降维后作为PNN网络的输入训练网络;对测试图像采用移动多尺度窗口提取图像模式,采用ICA降维后输入PNN网络,进而分类检测出人脸和非人脸。算法通过CMU-MIT的复杂背景人脸库中的多人脸图像进行实验,得到很高的检测率和较低的误检率.     

用于近红外校正模型的训练样本选择

近红外(near-infrared,NIR)校正模型建立时传统的训练样本选择方法只考虑光谱欧氏距离的同类就近选取,不考虑光谱特征异常的训练样本的影响.基于主元分析(principal component analysis,PCA)残差,在同类就近取样的基础上引入异常光谱剔除技术进行训练样本的二次提取,用于建立偏最小二乘(partial least squares,PLS)回归模型.实验结果表明,该方法比传统方法的预测精度有较明显的提高.     

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。     

高炉铁水硅含量预报的ICA-SVM建模方法

提出了一种基于改进的动态独立分量分析（independent component analysis, ICA）和支持向量机(support vector machine, SVM)的高炉铁水硅含量预报模型建模方法．采用动态ICA方法对样本数据进行特征提取,消除生产工艺参数之间的相关性．在此基础上,再使用目前计算复杂性较小的最小二乘SVM算法建立高炉铁水硅含量预报的动态递推模型,并引入了遗传算法以优化模型性能．以某钢厂高炉实际生产数据进行了应用实验,并与现有的时间序列分析、人工神经网络和基本SVM建模方法进行了对比．实验统计结果表明,本文方法显著提高了铁水硅含量的预测命中率．