基于深度学习的番茄叶部病害识别模型

番茄叶病种类多、成因复杂,其预防和识别难度较大。传统基于机器学习的方法多靠人工识别,需要一定的专家经验,且具有主观性强、识别准确率不高等缺点。为实现番茄叶病特征的自动提取,并提高识别准确率,提出一种基于深度学习的番茄叶病识别模型。该模型基于卷积神经网络对番茄叶部病害特征进行自动提取,获得高维特征后,采用PCA降维算法去除冗余特征;从增大类间距离并减小类内距离的角度改进了softmax分类器,提高了识别准确率。将该模型在CrowdAI提供的数据集上进行了仿真验证,结果表明,该模型能够对番茄叶部常见10种病害进行自动提取特征和识别,综合识别准确率达到95%以上。     

基于太赫兹光谱的人参和西洋参鉴别

为了快速区分人参和西洋参，依据两者所含的人参皂苷在太赫兹波段具有不同指纹光谱，提出了一种基于人参皂苷的太赫兹光谱鉴别人参和西洋参的方法。采用MATLAB软件识别人参和西洋参的太赫兹光谱，同时根据太赫兹光谱特征并通过标准的主成分分析(PCA)区分出人参、西洋参。实验结果表明，基于太赫兹光谱的主成分分析可精确区分出人参、西洋参，并且还可以应用于其他类似物质的区分中。     

模糊数学感官评价法优化三种干果复合固体饮料的配方

以枸杞、山楂、红枣三种药食同源物品为原料,经高压均质、喷雾干燥等工艺制得三种干果复合固体饮料。综合模糊感官评分、可溶性固形物含量、总酸含量、溶解时间、澄清度建立主成分综合评价模型,并以主成分分析综合得分为指标,利用L₉(34)正交试验对喷雾干燥法制备三种干果符合固体饮料的配方进行优化。实验结果表明,三种干果复合固体饮料的最优配方是以500 mL饮用水为标准,枸杞汁添加量48%,红枣汁添加量14%,山楂汁添加量18%,复合稳定剂添加量0.20%,白砂糖添加量4%,柠檬酸0.02%,麦芽糊精10%。在此条件下的产品的主成分综合得分为0.53,其颜色为橙黄色,色泽透亮,口感细腻,具有枸杞,山楂,红枣的复合香味。     

基于数据融合的ECT图像重建算法

针对固定电极的ECT成像独立测量值较少和因电极位置的影响而导致重建图像失真等问题,提出了基于旋转电极ECT系统模型和数据融合方法来提高重建图像质量。本模型对16电极的ECT模型进行5次旋转,得到的数据采用两种方式进行处理:一是5组数据分别采用线性反投影(LBP)和修正共轭梯度法(MCG)进行重建,再对重建数据进行主分量分析(PCA)的数据融合;二是直接用PCA数据融合再分别进行LBP和MCG图像重建。实验证明:通过增加测量电容数,结合两种数据处理方式可明显提高重构图像质量,降低成像误差。     

一种改进的Condensation人脸特征点跟踪算法

Condensation跟踪算法只能完成一些简单的目标跟踪。由于人脸容易出现被遮挡,姿态和表情也经常发生变化,导致人脸特征点极易跟踪失败。针对这些复杂变化,提出一种改进的Condensation人脸特征点跟踪算法。该算法对跟踪的特征点利用增量PCA方法实现特征基和均值的在线更新,同时,加入一个遗忘因子,使得在新样本的更新过程中,考虑了旧样本的存在,更新了均值。实验证明,该算法可以有效地克服复杂变化带来的影响,实现了人脸特征点的准确跟踪。     

基于主成分和神经网络的风力发电机主轴承故障预警

主轴承作为风力发电机组的重要部件,一旦发生故障,会影响风力发电机组整机工作的发电性能,严重时故障甚至会造成停机,不仅影响发电量,更会产生高昂的维修费用。通过运用相关性分析,根据Pearson相关系数矩阵对原有的多个指标进行分析。然后运用主成分分析,首先对数据的原始特征预处理,得到6个主成分,然后将这6个主成分作为BP神经网络的输入,运用神经网络对风力发电机的主轴承进行预警。神经网络模型结果表明,该模型对风力发电机主轴承故障预警具有非常好的识别效果,基于主成分和神经网络对风力发电机主轴承故障预警对实现机组智能故障诊断,提高机组的运行效率具有十分重要的意义。     

美国：水泥消费继续增长——PCA夏季预报重定2006年增长目标

尽管人们期盼着美国经济能减速发展，但专家预测2006年的水泥消费较2005年同期要增长2．3％达到1．296亿t，连续增长进入第3年。另外专家还预测。2007年的水泥消费将有1．2％的增长。     

基于MNF、PCA与ICA结合的高光谱数据特征提取方法

特征提取一直是高光谱遥感数据处理与实际应用的难题之一,目前高光谱数据特征提取方法主要有主成分分析(PCA)、最小噪声分离(MNF)和独立成分分析(ICA)等.然而,这些特征提取方法很难较好地适应光谱响应特性变化和高度混合的地类,会导致重要的信息损失.为解决此问题,本文在分析各种特征提取方法的优点的基础上,提出了一种基于MNF、PCA与ICA相结合的高光谱数据特征提取方法.实验表明,本文提出的特征提取方法正确可行,与其他特征提取方法相比效果较好,它充分利用了ICA的分解类别高度混合的数据、PCA的压缩数据和MNF的高度降噪的优点,能较好地适用于小样本和类别高度混合的数据.     

基于GC-MS指纹图谱和化学计量学方法鉴别陈皮

制备了陈皮挥发油提取物并建立其气相色谱-质谱（GC-MS）指纹图谱,对不同批次的陈皮指纹图谱进行相似度评价;对其共有成分峰面积数据进行主成分分析（PCA）和层次聚类分析（HCA）。建立了具有16个共有峰的新会陈皮挥发油指纹图谱,通过化学计量学分析方法能将新会陈皮和其他陈皮样品准确区分开来;不同采摘期及贮存时间陈皮的成分呈现规律性特征。方法可用于不同产地、采摘期及贮存时间陈皮的鉴别,并为陈皮的质量控制提供依据。