基于荧光卟啉传感器阵列系统的肺癌标志物检测研究

针对肺癌呼出挥发性有机气体（VOCs）中的特定标志物,提出了一种新型的基于荧光卟啉传感器阵列检测系统,并对4种肺癌呼出标志物进行检测研究。通过小波分析等数学工具对测得的荧光光谱数据进行特征提取,然后采用层次聚类、主成分分析等统计学方法对特征向量进行分析。不同体积分数的各类标志物在聚类分析中能够完全正确的聚到一起。通过主成分分析得到的前3个主成分包含了标志物的88%的信息,便能对不同类别的标志物进行识别。研究表明：该荧光卟啉传感器阵列系统能够快速有效地对不同肺癌标志物进行识别,有望在临床中得到应用。     

基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样.介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中.通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的.通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体.     

基于模板匹配的肺癌呼出气体标志物识别研究

肺癌呼出气体标志物所形成的颜色特征图谱是卟啉传感器阵列应用于肺癌早期筛查的重要媒介。因此,基于特征图谱设计合理的模式识别方法是实现肺癌标志物识别的关键核心。针对特征图谱的响应特点,提出了一种模板匹配识别方法,该方法不仅了考虑特征图谱中传感器单元的响应数目和颜色差值,并且在匹配程度计算中对于敏感响应单元和非敏感响应单元赋予不同权值。通过分别对6种肺癌呼出气体标志物样本,以及20例肺癌患者和16例健康志愿者的呼出气体样本进行了识别测试。6种肺癌标志物样本的测试结果表明,该方法识别正确率高达94.17%,且相比于常用的聚类分析法,其检测限值更低,可达150×10-9。36例人体实际呼出气体样本测试结果表明,肺癌患者和健康志愿者的差值图谱存在明显差异,同时该模板匹配方法能够较好地区分肺癌患者和健康志愿者。该研究对于基于卟啉传感器阵列的肺癌呼出气体检测方法具有重要的应用价值。     

基于可视传感阵列的NH_3快速检测方法

为实现环境中NH3污染物的快速、灵敏的检测,以卟啉及其衍生物和酸碱指示剂为敏感材料构建了一种6×6的可视传感阵列。用设计的可视传感阵列对4种不同体积分数NH3进行了检测,反应时间为2 min。实验结果显示:阵列对NH3的响应时间小于30 s,可以有效识别×10-9体积分数的NH3;对于不同体积分数的气体,其可视差图欧氏距离与体积分数存在线性关系,相关系数R2=0.996 2;SPSS聚类分析结果表明:阵列对4种不同体积分数NH3识别准确率达100%。本可视传感阵列可以快速、灵敏地检测NH3。     

基于FastICA和神经网络的电子鼻模式识别

气体传感器阵列是电子鼻系统的重要组成部分,传感器阵列的交叉敏特性严重影响电子鼻对气体识别的准确率.将快速独立分量分析算法和BP网络相结合用于电子鼻的模式识别可以有效地改善这一问题.并由一个5个传感器组成的电子鼻系统,对10组不同体积分数的3种气体测量得到的30组数据样本进行仿真.结果表明,用快速独立分量分析对数据作预处理,可以简化计算,减少数据之间的相关性,将预处理后的数据样本作为BP网络的输入,使网络结构简化,收敛速度快.利用该方法可以提高电子鼻识别气体的准确率.     

电子鼻用于检测掺假牛奶时其传感器阵列的优化

目前电子鼻在食品领域已有广泛的应用，由于气味组成成分复杂，仅用单个气体传感器是无法评定气体质量，因此气体传感器阵列应运而生。在对不同的食品进行检测时，电子鼻的传感器阵列的构成是不同的。本文运用PEN2便携式电子鼻对掺假牛奶进行检测，用方差分析、主成分分析和聚类分析对信号进行分析，得到由8个传感器组成的用于检测掺假牛奶的最佳传感器阵列。用这8个传感器组成的传感器阵列对掺假牛奶进行检测区分，结果用LDA方法 (线性判别式分析) 进行分析，在LDA分析图上，不同比例掺假的牛奶能被明显地区分。新的传感器阵列具有较少的传感器和与原传感器阵列相同的检测区分能力。     

检测掺假牛奶的电子鼻传感器阵列的优化

目前电子鼻在食品领域已有广泛的应用,由于气味组成成分复杂,仅用单个气体传感器是无法评定气体质量的,因此气体传感器阵列应运而生.在对不同的食品进行检测时,电子鼻的传感器阵列的构成是不同的.运用PEN2便携式电子鼻对掺假牛奶进行检测,用方差分析、主成分分析和聚类分析对信号进行分析,得到由8个传感器组成的用于检测掺假牛奶的最佳传感器阵列.用这8个传感器组成的传感器阵列对掺假牛奶进行检测区分,结果用LDA方法(线性判别式分析)进行分析,在LDA分析图上,不同比例掺假的牛奶能被明显地区分.新的传感器阵列具有较少的传感器和与原传感器阵列相同的检测区分能力.     

基于传感器阵列优化的东北山参品质检测方法研究

研究了一种基于传感器阵列优化的储存山参品质检测方法.实验记录气体传感器阵列对山参样品的响应信号,采用传感器载荷分析的方法对传感器阵列响应信号进行优化.优化后传感器阵列主成分区分度提高了10.46％.优化后传感器阵列检测信号输入非线性数据共振模型,基于系统输出互相关系数COE(Cross Correlation Coefficient,)特征值经由线性拟合方法构建储存山参品质检测模型Q=(COEmax-0.23)/0.02(R2=0.99026).验证实验结果表明所构建的模型的预报准确度为83.3％.所探索的方法有望在储存中药材品质检测领域得到广泛应用.     

基于聚合物-碳黑敏感膜的气体微传感器阵列研究

研究了一种使用聚合物-碳黑混合物作为敏感膜的新型化学气体传感器。通过将4种不同的聚合物敏感材料聚-4-乙烯基苯酚、聚环氧乙烷、聚已内酯和乙烯-醋酸乙烯酯共聚物与一定配比的碳黑混合物分别淀积在梳状微电极上,就可以获得这4种聚合物-碳黑化学电阻型气体微传感器阵列。用这4种传感器对4种气体体积分数为5×10-4的有机类气体(丙酮、乙醇、甲醇和甲苯)进行了测试,比较了传感器的电阻变化率。微传感器的响应值,即电阻的变化率最大接近1.9%;最小的优于0.01%。梳状微电极的形状适合低体积分数的探测。通过对4种传感器响应的主成分分析,可以完全分辨被检测的4种有机类气体。     

用于检测糖尿病标志物的电子鼻优化设计

人体呼气中的丙酮含量可作为糖尿病的标志物.为实现无创糖尿病诊断,设计以金属氧化物半导体气敏传感器阵列为核心的人工嗅觉系统,对完成痕量丙酮的快速检测具有重要意义.通过多个气体流量控制器MFC(Mass Flow Controller)分别配制出模拟糖尿病患者呼气样本(30×10-6丙酮)与另两种干扰气体样本(30×10-6乙醇样本、15×10-6丙酮与15×10-6乙醇混合样本)进行实验,基于BP神经网络算法对3种气体定性识别,并通过主成分分析PCA(Principal Component Analysis)算法对原始的高维特征子集进行降维优化.实验表明:PCA与BP算法相结合,可降低BP神经网络的复杂性、减少预测的误差,同时能够解决单个气体传感器交叉敏感问题,进而提高对气体的选择性.对痕量丙酮样本与另两种干扰气体样本进行分析识别,识别的结果显示:对3种样本的识别准确率为91％.该研究为准确识别糖尿病标志物实现无创诊断技术提供了理论指导.     

低秩和主动形状模型的肺区分割

目的 肺区分割是肺癌计算机辅助诊断系统的首要步骤。主动形状模型（active shape model,ASM）能根据训练集获得肺区形状模型,再结合待分割肺区影像自身的局部特征,进行测试影像的分割。由于主成分分析（principal component analysis,PCA）仅能去除服从高斯分布的噪声,不能处理其他类型的噪声,所以当训练集含有非高斯类型的噪声样本时,采用基于PCA的ASM无法训练出正确的形状模型,使得肺区分割不能得到正确的结果。而低秩（low rank,LR）理论的鲁棒主成分分析（robust principal component analysis,RPCA）能去除各种类型的噪声,基于此,本文提出一种将RPCA与ASM相结合的方法。方法 首先对训练样本集标记点矩阵进行低秩分解,去除噪声样本对训练出的形状模型的影响。然后在ASM训练局部梯度模型时,用判断训练样本轮廓上的标记点曲率直方图的相似度来去除噪声样本。结果 在训练集含噪声样本时,将基于RPCA的ASM与传统ASM（即基于PCA的ASM）分别生成的形状模型进行对比,发现基于RPCA的ASM生成的形状模型与训练集无噪声样本时传统ASM生成的形状模型更相符。在训练集含噪声样本的情况下,基于RPCA的ASM方法分割EMPIRE10数据集中的22个肺影像,与金标准的重叠度为94.5%,而基于PCA的ASM方法分割准确率仅为69.5%。结论 实验结果表明,在训练样本集中有噪声样本的情况下,基于RPCA的ASM分割能得到比基于PCA的ASM更好的分割效果。     

改进的PCA-LDA人脸识别算法的研究

主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求。线性鉴别分析算法存在“小样本”和“边缘类”问题,降低了人脸识别的准确性。针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法。二维主成分分析法提取的特征比一维主成分分析法更丰富,并且降低了计算复杂度。改进的线性鉴别分析算法重新定义了样本类间离散度矩阵和Fisher准则,克服了传统线性鉴别分析算法存在的问题,保留了最有辨别力的信息,提高了算法的识别率。实验结果表明,该算法比主成分分析算法和线性鉴别分析算法具有更高的识别率,可以较好地用于人脸识别任务。     

基于伪PCA的手写数字识别算法

PCA(Principal Component Analysis)是最重要的数据降维算法之一,针对降维过程出现的信息丢失问题,学术界说法不一。基于此,文中提出了一种新的改进算法(Similar Principal Component Analysis,SPCA), 新算法 在处理过程中保留了部分细节信息。以手写数字(MNIST)数据库为例,将原始向量组进行临近特征筛选,得出多维复合非正交特征向量组;将训练库所得的向量组与测试集的向量组进行比对,识别出所测试的手写数字。结果表明,该算法能够以较少量的训练样本实现对测试样本的较为完全的识别。     

面向提高图像分辨率的遥感数据融合新算法

在遥感应用研究中,数据融合技术有着非常广泛的应用.主分量分析方法(principalcomponentanalysis,简称PCA)是一种经典的遥感数据融合技术,在主分量分析方法的基础上,将小波变换与其结合起来,提出了一种新的基于小波叠加的PCA融合算法(addingwaveletcoefficientsprincipalcomponentanalysis,简称AWPCA).实验证明,与原来的PCA和IHS方法相比,基于小波叠加的PCA融合算法进一步提高了融合信息的质量,并能应用于其他需要高分辨率图像的场合中.     

基于K-均值聚类的彩色图像质量评价及优化

针对彩色图像质量无法实时评价及优化的问题,提出了基于K-均值聚类的彩色图像质量评价及优化算法。首先利用K-均值聚类的方式构建样本数据集;然后通过待评价图像与聚类数据集之间的相似性来构建特征集;之后再将待优化图像与聚类数据集之间进行融合,对融合后的矩阵进行PCA变换实现了图像质量的优化;通过实验证明,所提评价算法与人眼主观视觉具有较好的一致性;同时,还能通过评价结果实现图像质量的自适应优化。     

A novel hybrid approach based on sub-pattern technique and whitened PCA for face recognition

Recently, in a task of face recognition, some researchers presented that independent component analysis (ICA) Architecture I involves a vertically centered principal component analysis (PCA) process (PCA I) and ICA Architecture II involves a whitened horizontally centered PCA process (PCA II). They also concluded that the performance of ICA strongly depends on its involved PCA process. This means that the computationally expensive ICA projection is unnecessary for further process and involved PCA process of ICA, whether PCA I or II, can be used directly for face recognition. But these approaches only consider the global information of face images. Some local information may be ignored. Therefore, in this paper, the sub-pattern technique was combined with PCA I and PCA II, respectively, for face recognition. In other words, two new different sub-pattern based whitened PCA approaches (which are called Sp-PCA I and Sp-PCA II, respectively) were performed and compared with PCA I, PCA II, PCA, and sub-pattern based PCA (SpPCA). Then, we find that sub-pattern technique is useful to PCA I but not to PCA II and PCA. Simultaneously, we also discussed what causes this result in this paper. At last, by simultaneously considering global and local information of face images, we developed a novel hybrid approach which combines PCA II and Sp-PCA I for face recognition. The experimental results reveal that the proposed novel hybrid approach has better recognition performance than that obtained using other traditional methods.     

基于PCA和K 均值聚类的有监督分裂层次聚类方法*

提出了一种新的基于PCA和K-均值聚类的有监督二叉分裂层次聚类方法PCASHC,用K-均值聚类进行逐次二叉聚簇分裂,选择PCA第一主成分相距最远样本点作为K-均值聚类初始聚簇中心,解决了K-均值聚类初始中心随机选择导致结果不确定的问题,用聚簇样本类别方差作为聚簇样本不纯度控制聚簇分裂水平,避免过拟合,可学习到合适的聚类数目。用四组UCI标准数据集对其进行了10折交叉验证分类误差检验,与另外七种分类器相比说明PCASHC有较高的分类精度。     

Two-stage image denoising by principal component analysis with local pixel grouping

This paper presents an efficient image denoising scheme by using principal component analysis (PCA) with local pixel grouping (LPG). For a better preservation of image local structures, a pixel and its nearest neighbors are modeled as a vector variable, whose training samples are selected from the local window by using block matching based LPG. Such an LPG procedure guarantees that only the sample blocks with similar contents are used in the local statistics calculation for PCA transform estimation, so that the image local features can be well preserved after coefficient shrinkage in the PCA domain to remove the noise. The LPG-PCA denoising procedure is iterated one more time to further improve the denoising performance, and the noise level is adaptively adjusted in the second stage. Experimental results on benchmark test images demonstrate that the LPG-PCA method achieves very competitive denoising performance, especially in image fine structure preservation, compared with state-of-the-art denoising algorithms.