排序方式: 共有30条查询结果,搜索用时 15 毫秒
1.
线性判别分析是一种特征提取和维数缩减的方法,广泛应用于人脸识别,语音识别和手写字母识别等领域。但是许多线性判别分析都是“硬”线性判别分析,每个数据点都严格地属于这一类或那一类。在非相关判别转换(UDT)基础上,提出了模糊非相关判别转换(FUDT)。FUDT是利用模糊集理论的有监督学习方法,其判别向量满足广义瑞利商方程,同时也满足样本到模糊非相关优化判别向量上的投影是非相关的。通过FUDT和UDT对公共数据库MSTAR的实验结果可看出,FUDT在处理SAR图像的特征提取方面优于UDT。 相似文献
2.
新的改进型可能C-均值聚类 总被引:1,自引:0,他引:1
改进型可能C-均值聚类(IPCM)是在模糊C-均值聚类(FCM)和可能C-均值聚类(PCM)的基础上提出来的。通过引入一种新的非欧式距离以替代IPCM目标函数中的欧式距离,提出了一种称为新的改进型可能C-均值聚类(NIPCM)算法。在基于鲁棒统计观点和影响函数基础上,新的非欧式距离比欧式距离鲁棒性更强。从而NIPCM比IPCM和FCM更有鲁棒性。另外,NIPCM在处理噪声或野值数据方面比IPCM和FCM更有效。实验结果表明,NIPCM具有比IPCM和FCM更好的性能。 相似文献
3.
4.
为解决偏最小二乘判别分析(PLSDA)建模时光谱区域中的噪声及冗余信息干扰问题,提出一种基于联合区间偏最小二乘判别分析(Si PLSDA)算法,并将该算法应用于猪肉近红外光谱的定性建模分析。Si PLSDA利用联合区间偏最小二乘回归(Si PLS)进行光谱特征区域筛选,在筛选出来的光谱区域内建立数据的定性预测模型。采用Antaris II快速傅里叶变换近红外光谱分析仪获取波数范围为10000~4000 cm-1的猪肉样本近红外光谱,采用标准正态变量变换(SNV)进行近红外光谱的预处理,用Si PLSDA建立猪肉近红外光谱的定性模型。实验结果表明,Si PLSDA建立的预测模型对猪肉储藏时间的识别率达到93.94%,高于基于全光谱区域建立的PLSDA预测模型的识别率。 相似文献
5.
6.
基于MEA-BP神经网络的大米水分含量高光谱技术检测 总被引:1,自引:0,他引:1
利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。 相似文献
7.
FUDT在苹果近红外光谱分类中的应用 总被引:1,自引:0,他引:1
苹果的分类是苹果采收后商品化处理的重要环节。为了快速、无损和有效地实现苹果的分类,利用近红外光谱技术采集四种苹果的近红外反射光谱,用主成分分析对高维的近红外光谱进行降维处理,分别运行线性判别分析,二次判别分析,模糊非相关判别转换和Foley-Sammon判别分析提取鉴别信息,用k-近邻分类器进行分类。分类结果表明,模糊非相关判别转换能更好地提取苹果近红外光谱的品种鉴别信息,达到了最高的分类准确率。 相似文献
8.
基于小波分析的光电测量系统 总被引:3,自引:1,他引:2
将小波分析理论在CCD图像信息边缘检测中,设计了一种光电仪器自动测量系统。本文介绍了整个系统的组成和原理。实验结果表明,该系统具有精确度高,速度快等优点。 相似文献
9.
图像边缘检测的模糊方法能有效地将物体从背景中区分开来,本文介绍应用图像边缘检测的模糊数学方法测量卷烟直径的基本原理,并介绍了如何利用计算机实现整个测量过程,该系统具有较高的精确度。 相似文献
10.
目的:设计一种较为准确的生菜贮藏时间鉴别模型。方法:以新鲜生菜为试验对象,分别采用主成分分析、鉴别主成分分析、模糊鉴别主成分分析3种特征提取方法对预处理后的生菜近红外光谱数据进行特征提取,选出具有较高准确度的贮藏时间鉴别算法,并建立基于模糊鉴别主成分分析的生菜贮藏时间鉴别模型。结果:利用模糊鉴别主成分分析进行特征提取后的鉴别准确度显著增加。主成分分析、鉴别主成分分析和模糊鉴别主成分分析的最高准确度分别为46.67%,86.67%,93.33%。结论:采用近红外光谱分析和模糊鉴别主成分分析的鉴别模型具有较高的准确性和优越性。 相似文献