基于BP网络的煤层注水效果的预测

对煤层注水效果的科学预测是调整注水工艺参数的重要依据.由于煤层注水效果受多种因素影响,属于非常复杂的非线性问题,很难用传统的数学方法进行定量评价.针对影响煤层注水效果的诸多地质因素及注水工艺参数,采用具有非线性映射功能的神经网络预测煤层注水效果,通过比较和实例验证,其误差为6.25%,较其它方法精度有明显提高,对于实际煤层注水工程有指导意义.     

油田注水系统仿真模型校正

油田注水管网系统属于大规模复杂网络系统.由于注水系统长期运行,管线普遍存在老化结垢等问题,从而导致管网系统水力摩阻系数发生改变,使得仿真模型得出的结果和真实值会有较大的偏差.为了解决这一问题,本文建立了油田注水管网系统的仿真校正模型.通过把由于水力参数改变而导致的误差转化为等效管长的思想,将误差求解问题转化为优化问题,利用列队竞争算法来进行求解.校正后的仿真计算结果与实际生产数据更相符.校正后的仿真模型为油田注水操作提供可靠的指导.     

赵庄矿煤层注水治理强矿压预评价研究

为了评估采用煤层注水治理赵庄矿3号煤层强矿压的效果,开展了煤层注水治理强矿压的预评价研究。对3号煤层试样含水率、吸水率、普氏系数等注水参数进行实验测试,分析3号煤层注水的可行性;测试分析试样浸水前后的抗压强度绝对变化量和变化速率,分析煤层注水卸压预期效果,并提出注水方案。分析结果表明,3号煤层符合注水条件,且浸水后,煤岩样物理性质发生改变,抗压强度大幅度降低,具有较理想的预期卸压效果。     

因子分析判别准则的线性降维方法研究

提取稳定且具有判别性的低维特征是模式识别研究中的关键问题。在深入研究Fisher判别准则的基础上,从因子分析的实际角度考虑,提出基于因子分析的判别准则,解决Fisher判别准则类内和类间散布矩阵非最优定义问题。通过在合成数据集和真实人脸数据集上进行实验比较表明,该方法在解决数据集中的边缘类和人脸的表情、姿态变化等问题上比Fisher判别准则更优。     

基于遗传算法-BP神经网络的煤层注水效果分析

为了提高BP神经网络预测煤层注水效果的精度,采用遗传算法优化BP神经网络的权值和阈值,建立了遗传算法-BP神经网络模型,并采用该模型对煤层注水湿润半径进行模拟预测。Matlab模拟结果表明,遗传算法-BP神经网络模型的预测结果比BP神经网络模型更准确,平均相对误差降低了40.29%,训练步数减少了1 665步,收敛速度快,稳定性好。     

三种判别模型在化学结果分析中的应用

医学鉴别上,通常需要利用化验指标协助医生诊断.论文以七种元素的含量为参考变量,对是否患有肾炎进行判别,针对60组受检者（30组健康、30组患病）的数据应用主因素分析进行降维,得到关键因素,继而采用综合偏离因子判别、Fisher判别、Binary Logistic判别分别建立数学模型,自动判别结果准确率均在85％以上.其中,Binary Logistic模型克服了单因素分析和线性回归处理的局限性,准确率达100％.     

基于GeoMedia的油田注水系统建模软件设计

油田注水系统是一个包括注水站、配水间、注水井和相互连接的注水管线的非线性、地域跨度大的生产系统，在对其进行仿真之前，需要对其进行计算机建模。一般是通过读取GeoMedia中的静态数据，建立适合计算的数据结构和模型．为油田注水系统下一步的仿真和优化计算提供物理模型。详细介绍了软件的流程和结构设计，所设计建模软件实现了与GeoMedia的数据接口并实现了物理模型在计算机上的显示。实际应用表明，软件设计简单可靠，可移植性好，适合于国内各类油田注水系统。     

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。     

基于GeoMedia的油田注水系统建模软件设计

油田注水系统是一个包括注水站、配水间、注水井和相互连接的注水管线的非线性、地域跨度大的生产系统,在对其进行仿真之前,需要对其进行计算机建模。一般是通过读取GeoMedia中的静态数据,建立适合计算的数据结构和模型,为油田注水系统下一步的仿真和优化计算提供物理模型。详细介绍了软件的流程和结构设计,所设计建模软件实现了与GeoMedia的数据接口并实现了物理模型在计算机上的显示。实际应用表明,软件设计简单可靠,可移植性好,适合于国内各类油田注水系统。     

基于ICA与Bayes的判别分析模型*

简要介绍了Bayes判别分析模型的特点及存在的问题,概括了独立成分分析(ICA)的特点及发展现状,提出了基于ICA与Bayes的判别分析模型--IBD模型.该模型首先利用ICA的方法将相关性数据指标转换为互相独立的数据指标,并通过卡尔曼滤波方式滤去高频数据,有效地去除了噪声,最后利用Bayes方法对转换的数据进行判别分析.实验结果表明,当数据之间存在相关关系时,IBD模型的判别分析效果要优于Bayes与Fisher判别分析模型.     

基于多核Fisher判别分析的人脸特征提取

核Fisher判别分析法是一种有效的非线性判别分析法。传统的核Fisher判别分析仅选用单个核函数,在人脸特征提取方面仍显不足。鉴于此,提出多核Fisher判别分析法,即通过将多个单核Fisher判别得到的投影进行加权组合得到加权投影,以加权投影为依据进行特征提取和分类。实验表明,在进行人脸特征提取和分类时,多核Fisher判别分析法优于单核Fisher判别分析法。     

局部Fisher判别分析算法及仿真研究*

复杂化工过程常被多种类型的故障损坏,正常的训练数据无法建立准确的操作模型。为了提高复杂化工过程中故障的检测和分类能力,传统无监督Fisher判别分析(Fisher Discriminant Analysis,FDA)算法无法在多模态故障数据中的应用,本文提出基于局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)的故障诊断方法。首先计算训练数据的局部类内和类间离散度矩阵,寻找LFDA的投影方向;其次把训练数据和测试数据向投影向量上投影,提取特征向量;最后计算特征向量间的欧氏距离,运用KNN分类器进行分类。把提出的LFDA方法应用到Tennessee Eastman(TE)过程,监控结果表明,LFDA的效果好于FDA和核Fisher判别分析(Kernel Fisher Discriminant Analysis,KFDA),说明LFDA方法在分类及检测不同类的故障方面具有高准确性及高灵敏度的优势。     

Distance-Based Classifier via the Kernel Trick

For classifying large data sets, we propose a discriminant kernel that introduces a nonlinear mapping from the joint space of input data and output label to a discriminant space. Our method differs from traditional ones, which correspond to map nonlinearly from the input space to a feature space. The induced distance of our discriminant kernel is Eu- clidean and Fisher separable, as it is defined based on distance vectors of the feature space to distance vectors on the discriminant space. Unlike the support vector machines or the kernel Fisher discriminant analysis, the classifier does not need to solve a quadric program- ming problem or eigen-decomposition problems. Therefore, it is especially appropriate to the problems of processing large data sets. The classifier can be applied to face recognition, shape comparison and image classification benchmark data sets. The method is significantly faster than other methods and yet it can deliver comparable classification accuracy.     

Breast cancer diagnosis using genetic programming generated feature

This paper proposes a novel method for breast cancer diagnosis using the feature generated by genetic programming (GP). We developed a new feature extraction measure (modified Fisher linear discriminant analysis (MFLDA)) to overcome the limitation of Fisher criterion. GP as an evolutionary mechanism provides a training structure to generate features. A modified Fisher criterion is developed to help GP optimize features that allow pattern vectors belonging to different categories to distribute compactly and disjoint regions. First, the MFLDA is experimentally compared with some classical feature extraction methods (principal component analysis, Fisher linear discriminant analysis, alternative Fisher linear discriminant analysis). Second, the feature generated by GP based on the modified Fisher criterion is compared with the features generated by GP using Fisher criterion and an alternative Fisher criterion in terms of the classification performance. The classification is carried out by a simple classifier (minimum distance classifier). Finally, the same feature generated by GP is compared with a original feature set as the inputs to multi-layer perceptrons and support vector machine. Results demonstrate the capability of this method to transform information from high-dimensional feature space into one-dimensional space and automatically discover the relationship among data, to improve classification accuracy.     

一种新的基于高斯混合模型的线性判别分析

Fisher准则函数的前提条件就是假设每类样本数据满足单峰高斯分布,即各类样本在模式空间的分布近似椭球状,但是当训练样本数据较多且呈多峰分布时,传统的Fisher准则函数并不能准确反映样本数据的分布,显然基于Fisher准则函数的线性判别分析得到的最优判别矢量集也不是最优的。针对这种情况,通过引入高斯混合模型的概念,提出了一种新的基于高斯混合模型的线性判别分析方法,同时也给出了在该模型下的最优判别矢量集的直接求解方法,并通过实验证明了该算法的有效性。     

无监督模式下统计不相关最佳鉴别平面

统计不相关最佳鉴别平面是一种重要的特征抽取方法,在模式识别领域中具有广泛的应用。然而,统计不相关最佳鉴别平面是基于Fisher准则和总体散布矩阵共轭正交条件的,需要通过样本类别信息计算Fisher最佳鉴别矢量,因而只能用于有监督模式。提出了一种将统计不相关最佳鉴别平面扩展到无监督模式下的方法,其基本思想是将模糊概念引入Fisher线性判别分析,通过对模糊Fisher准则的优化,在无监督模式下计算出最佳鉴别矢量及模糊散布矩阵,再根据共轭正交约束条件,求得第二条最佳鉴别矢量,进而获得一种基于无监督统计不相关最佳鉴别平面的特征抽取方法。对UCI数据集及CMU-PIE人脸数据库进行实验,结果表明,在样本类别信息缺失的情况下,该方法尽管无法具有与有监督模式下的统计不相关最佳鉴别平面特征抽取方法同样的性能,但当类别差异较大时,能够抽取有利于分类的统计不相关特征,获得优于主成分分析与独立成分分析等常见无监督特征抽取方法的性能。     

主成分—费歇尔判别模型在煤与瓦斯突出等级预测中的应用

针对现有煤与瓦斯突出预测方法存在计算过程较复杂、预测主观性强、预测精度较低等问题,构建了主成分-费歇尔判别模型,并将其应用于某煤矿的煤与瓦斯突出等级预测。从瓦斯因素、煤体结构及地质构造方面分析得出了影响该矿煤与瓦斯突出的因素包括瓦斯压力、瓦斯含量及瓦斯放散初速度等指标。以影响该矿煤与瓦斯突出的23组实测数据为基础,首先利用主成分分析模型对影响该矿的煤与瓦斯突出因素进行降维,提取与指标相关度较高的5个主成分,然后将5个主成分输入费歇尔判别模型,并根据判别函数对样本进行煤与瓦斯突出等级预测。应用结果表明:主成分-费歇尔判别模型具有较高的可信性,能对煤与瓦斯突出等级进行准确预测,训练样本的正确率为100%,待测样本的预测结果也与该矿煤与瓦斯突出的实际情况相符,误判率为0,为准确预测煤与瓦斯突出提供了一种新方法。     

Chilean wine varietal classification using quadratic Fisher transformation

This paper deals with the Chilean red wine varietal classification problem. The problem is solved here by using one of the simplest statistical classification methods based on quadratic discriminant analysis (QDA) together with a new recently introduced nonlinear feature extraction technique called quadratic Fisher transformation. Classification is based on liquid chromatograms of polyphenolic compounds present in wine samples, obtained from a high performance liquid chromatograph with diode alignment detector. For comparison purposes three other feature extraction methods are studied: linear Fisher transformation, Fourier transform and wavelet transform, maintaining QDA as classification scheme. From experimental results it is possible to conclude that when using quadratic discriminant analysis as classification method, the percentage of correct classification was improved from 91% (obtained for the case of wavelet extraction) to 99% when employing quadratic Fisher transformation as feature extraction method.     

On a theoretical comparison between the orthonormal discriminant vector method and discriminant analysis

The performance of the orthonormal discriminant vector (ODV) method is discussed in comparison with discriminant analysis. The ODV method produces the features which maximize the Fisher criterion subject to the orthonormality of features. In contrast with discriminant analysis, the ODV method has no limitation on the maximum number of features to be extracted. From a theoretical viewpoint, it is proved that the ODV method is more powerful than discriminant analysis in terms of the Fisher criterion. The theoretical conclusion is experimentally verified using two real data sets.