成分特征范文（精选9篇）
成分特征 第1篇
1 资料与方法
1.1 一般资料
选取近几年我院针对感冒群体所收集的600张处方。
1.2 方法
对感冒患者用药的临床反应进行回顾性分析, 并及时记录用药不合理性及不良反应。
2 结果
临床感冒药的处方, 存在不合理处方张数有14张, 占2.3%, 部分药物组成出现重复现象的有10张, 占71.4%;药物使用不对症张数:2张, 14.3%。之所以容易出现不合理用药处方的现象, 关键在于感冒药彼此组成成分特别的类似, 极易造成药物的重复使用。
3 讨论
3.1 常用抗感冒用药的成分及作用
由于现在对外销售的抗感冒药种类不一, 大部分属于对症用药的复方制剂, 大部分药物的名称命名均不相同, 但药物组成成分非常相似或相同[1]。为防止患者重复使用药物, 使感冒症状有所缓解, 必须对感冒药的成分深入了解。抗感冒药的主要成分介绍如下: (1) 解热镇痛药:复方感冒药中最关键的成分就是解热镇痛药, 最常见的是对乙酰氨基酚、阿司匹林、布洛芬、氨基比林, 可以起到降热、缓解头疼痛的作用。尤其是对乙酰氨基酚最常使用[2]。 (2) 镇咳药:咳嗽是感冒的一个主要症状, 常用感冒药中, 含氢溴酸右美傻芬6种, 本品镇咳作用较高, 不良反应较小, 但孕妇、肝功能不全及多痰多咳嗽者慎用[3]。盐酸二氧异嗪具有较强的镇咳作用以及抗组胺作用, 对肝肾功能及血常规无明显影响, 有困倦、乏力等不良反应, 驾驶人员或高空作业者慎用。 (3) 抗病毒药:某些药品具有抑制病毒蔓延, 控制病毒进一步变异的功能。主要由抗病毒成分发挥的作用。比如快克药物中的盐酸金刚烷胺可以有效治疗病毒引起的对呼吸道造成的影响;对于流感病毒的蔓延和扩散, 康必得药物成分中的板蓝根浸膏起到了主要作用[4]。还有, 感冒清中的盐酸吗啉胍也可以消灭某些流感病毒祸根。 (4) 祛痰药:祛痰药可分为不同的作用机制。恶心性祛痰药和痰液溶解药。愈创木酚甘油醚对胃黏膜的神经末梢产生刺激之后, 使患者有轻微恶心的反应, 加速支气管腺体的分泌, 使喉咙痰液被稀释, 以便容易咳出。痰液溶解药主要成分是溴环己胺醇和乙酰半胱氨酸, 根据痰中黏性成分的破坏程度来降低沾黏度, 以便痰液容易快速咳出。 (5) 抗过敏药:如氯苯那敏 (扑尔敏) 、海拉明等, 通过对组胺受体产生阻断, 起到控制小血管扩张的作用, 使血管的通透性降低, 可以起到减弱或消除打喷嚏和流鼻涕等抗过敏功效, 相反, 容易导患者出现爱睡觉、身体疲惫乏力等消极的不良反应。所以, 服药后的感冒患者, 禁止立即驾车或行驶船类等交通工具, 更不能进行高空作业或有危险性的机器操作工作[5]。 (6) 鼻黏膜血管收缩药:这种药物在临床上主要应用于感冒症状, 有利于解除鼻塞, 助于患者呼吸畅通, 在临床上使用比较多的是伪麻黄碱。但在使用这种药物时也出现了一定的不良反应, 主要表现在心脑血管系统中, 大剂量的使用该药可引发早搏、心跳过速, 因此对于甲状腺功能亢进、高血压、心脏病等患者应谨慎的使用含该成分的药物, 同时对于中枢神经系统也易引起不良反应。另外, 对于含有苯丙醇胺的复方也容易引起心血管的不良反应中, 因此苯丙醇胺也都不再用于抗感冒药复方制剂中。
3.2 抗感冒药的临床用药不良反应
(1) 消化系统:主要反应部位是消化道, 容易出现恶心、呕吐、腹痛等不良反应, 部分患者有可能伴随消化道出血症状。有专家说, 双氯酚酸钠服用后, 很容易出现溃疡、出血及穿孔等症状, 发生频率与用药量存在正相关。 (2) 泌尿系统:主要症状包含血尿、肾功能衰竭与急性肾炎等。解热镇痛药的服用大部分都会引起肾脏功能出现问题, 尤其是阿司匹林和对乙酰氨基酚成分。乙酰氨基酚的长期或过度使用极易导致肝肾功能下降。
总之, 感冒药的选用必须根据患者症状、年龄、职业而定, 避免乱用药。在年龄的角度分析, 年龄稍大的群体而言, 因为肝肾功能远远不年轻时期强大和有活力, 对服用的药物吸收能力明显下降;婴幼儿极易受到各种机制的影响和干扰, 过量服用后, 会导致中毒。所以, 一定要根据不同年龄段服用药物的需求情况选用合适科学的药物处方。针对高空作业及驾驶车人员, 尽量减少服用药物中含有扑尔敏或苯海拉明成分的感冒药, 因为二者均有嗜睡的不良反应, 可选用白加黑的白片。
摘要：目的 介绍抗感冒药物成分药理特征, 对临床用药全面观察和分析。方法 选取近几年我院针对感冒群体所收集的600张处方, 对感冒患者用药的临床反应进行回顾性分析。结果 不科学感冒临床用药处方14张, 不合理率2.3%;其中含有药物成分重复张数10张, 占总数量71.4%。选用药物不对症数量2张, 占14.3%。结论 抗感冒药的合理应用需受到高度关注, 以免出现过敏、呕吐等不良反应, 避免乱用药的出现。
关键词：抗感冒药,解热镇痛药,药理特征,临床研究
参考文献
[1]陈飞, 陈高炎, 沈靖才.中西药品联用之管见[J].中国当代医药, 2010, 17 (7) :86.
[2]任美芝.感冒药的合理应用[J].海峡药学, 2010, 22 (8) :211-213.
[3]肖厚平.常见感冒药的使用误区与合理应用[J].长江大学学报 (自然科学版) 医学卷, 2010, 7 (1) :215.
[4]唐玲华, 崔云, 林家扬, 等.154例慢性肺心病急性发作期中医证候的回顾性调查[J].中国中医基础医学杂志, 2010, 16 (5) :321.
成分特征 第2篇
江西省铜厂斑岩铜矿磷灰石世代和成分特征研究
对德兴铜矿区的铜厂斑岩铜矿中出现的岩浆成因和热液成因磷灰石进行了对比研究.在铜厂,除含矿斑岩体中含有磷灰石以外,成矿早期蚀变(钾化)与主矿化期蚀变 (石英-绿泥石-绢云母化)也形成了磷灰石.电子探针分析结果表明三期磷灰石成分差异显著,岩浆期磷灰石的主要特征是富S和Si,钾化期磷灰石的.主要特征是富Mn和Fe,主矿化期磷灰石与早期磷灰石的主要差别在于其较高的S含量、F含量和较低的Cl含量;岩浆期、钾化期和主矿化期磷灰石的Cl/F比值依次降低,这反映了流体和岩浆Cl/F比值的演化趋势.岩浆Cl/F比值的降低可能由岩浆的析气作用以及Cl和F在岩浆和流体中的分配系数不同所致.S在岩浆期磷灰石和主矿化期磷灰石中均作为P的替位阳离子存在,但在两期磷灰石中替位机制不同,P-S替位的电荷平衡离子分别为Si和Na.在三期磷灰石中,主矿化期磷灰石S含量最高,而Cl含量显著低于岩浆期和钾化期磷灰石,这表明在主矿化期,Cu-S配合物可能是比Cu-Cl配合物更重要的金属搬运形式.
作 者：姚春亮 陆建军 郭维民 YAO Chun-liang LU Jian-jun GUO Wei-min 作者单位：南京大学,地球科学系,江苏,南京,210093刊 名：矿物学报 ISTIC PKU英文刊名：ACTA MINERALOGICA SINICA年，卷(期)：27(1)分类号：P571 P578.92 P618.41关键词：铜厂斑岩铜矿 磷灰石 岩浆析气 岩浆演化
成分特征 第3篇
关键词：非典型性明喻习语构式；喻体；成分构成；语义特征
[中图分类号]H030
[文献标识码]A
[文章编号]1006-2831（2013）08-0140-5 doi：10.3969/j.issn.1006-2831.2013.03.037
1 . 引言
“As+Adj+As+N（P）”这一结构既是一种明喻形式，也是一种习语构式，因为这一结构是英民族基于互动性体验形成的固定习语，是集明喻、隐喻和换喻于一身的特殊语法构造，体现了人们认知事物和理解世界的最基本认知方式之一（王寅，2007：7），它“把两种具有共同特征的事物或现象进行对比”，是约定俗成的明喻成语（汪榕培、王之江，2008：250）。汪榕培、王之江（2008：253）根据不同喻词将明喻成语分为两类：（1）as…as结构型，如as firm as a rock（坚如磐石），as light as a feather（轻如鸿毛）；（2）like结构型，如to sleep like a log（酣睡），to go like wind（飞驰）。like结构型（A is like B）介于as…as结构型（A is as…as B）和隐喻结构（A is B）之间，在两者之间起着桥梁或纽带的作用（刘铁恺、谷化琳，2005：89）。这实际上是把明喻看成是显性隐喻。正如王寅（2007：8）认为as…as结构型是隐喻认识理论中的一种值得关注的认知现象。他认为“As X As Y”构式习语如“as brave as a lion”是对明喻（He is like a lion.）增加了喻底的扩展式表达，这一增加，使得喻底和喻体共现，不仅使“明喻更明”，还产生了语义互相阐明和限制的效果。
许多学者（汪榕培、王之江，2008；张维友，2010；王寅，2007）已著书撰文讨论过这一习语构式，但所讨论的大都是明喻习语构式中的原型形式，即其典型形式如as free as air和上文数例，而忽略了明喻习语构式中的一些特殊现象，即其非典型性形式如as safe as a crow in a gutter或as sure as God made little green apples。这里的非典型性指的是原型形式的一些变体，如“As+Adj+As+N（P）”构式原型中的单个名词喻体N扩展成了NP名词性短语，（也可能是小句①，本文未列入统计，故不作讨论）其结构变得更为复杂，意义也变得更加模糊不定，对理解和翻译造成了较大困难。本文主要针对明喻习语构式中的这些非典型形式进行详细探讨。
2 . 非典型性明喻习语中喻体N的成分构成
笔者统计了6部英语习语、谚语、典故大词典②中的“As+Adj+As+N（P）”构式习语，共计502条；其中喻体词N大部分都是由单个名词（包括普通名词与专有名词）构成，但由多个名词或带有限定修饰语的名词性短语成分构成的共计139例，占总数的27.7%，其结构较复杂，语义多变，不容忽视。
这些非典型性明喻习语中的喻体成分构成主要有以下三种特征：
一是构成喻体的中心词词前带有明确的限定修饰语。这些限定修饰语位于中心词之前，或表示所属关系，如（as） common as a barbers chair，或起描述和限定作用，如（as） helpless as a new-born babe等。这一限定修饰语或是由普通名词充当，如：
（as） lean as an alley cat
（as） broad as a barn door
（as） poor as a church mouse
（as） American as apple pie
也可由专有名词构成，如：
（as） poor as Jobs turkey
（as） old as Pauls steeple
最为普遍的还是由一般形容词和具有形容词词性的分词构成，如：
（as） tough as an old boot
（as） wise as a dead sow
（as） thick as two short planks
（as） drunk as a boiled owl
（as） wet as a drowned rat
（as） pure as the driven snow
二是构成喻体的中心词词后带有明确的限定修饰语，起描述和限定性作用，且主要是由介宾短语构成，如：
（as） like as two peas in a pod
（as） numberless as the sands of Ganges
（as） sure as a mouse tied with a thread
（as） sharp as the corner of a round table
（as） plain as the nose on your face
（as） fit as pudding for a dogs mouth
（as） busy as a hen with one chicken
（as） fine as an ape in purple
第三种为喻体由两个名词联合使用构成，两个名词之间或用“-”连字符连接，构成一个临时性的合成词，如（as） smooth as a billiard-table，（as） great as inkle-weavers，或者用“and”连接，如（as） like as chalk and cheese，（as） merry as cup and can。
从数量上看，第一、二种形式均明显多于第三种形式。但无论对于哪一类来说，结构形式上的变化常常孕育着意义上的变化，如（as） slippery as an eel dipped in butter比（as） slippery as an eel程度表达更强，意义更生动；而（as） bold as an Essex lion与（as） bold as a lion的意义却正好相反。Essex（艾塞克斯）是英格兰东海岸的一个郡，因牛犊而驰名。艾塞克斯狮子实指牛犊，用以讽刺胆小的人。（as） bold as an Essex lion是指温顺如犊、胆小如鼠，而非（as） bold as a lion勇猛如狮，勇敢无比之意。
3 . 非典型性明喻习语构式的语义特征
有时，“As+Adj+As+N（P）”明喻习语构式的语义非常模糊晦涩，并非像人们通常认为的那样清澈见底，一目了然，时常需要借助于百科知识和文化背景才能完全理解。典型性明喻习语以单个名词成分构成喻体，较为简单明了。“一喻体多喻义”和“一喻义多喻体”，即通过同一喻体N表达不同喻义或喻底Adj的，和使用不同的喻体N来表示同一喻义或喻底Adj的习语占绝大多数，是明喻习语构式较为明显的特征。此外，中心词前/后带有限定修饰语成分的非典型性明喻习语则出现意义的两极化现象：限定修饰语一方面会强化其相似性，另一方面则会凸显差异性或反义性。
3 . 1 一喻体多喻义与一喻义多喻体
笔者统计的502个“As+Adj+As+N（P）”明喻习语中，喻底Adj与喻体N用词完全不重复，即在所有明喻习语中Adj仅出现一次且N也仅出现一次的仅为27例，占总数的5.4%，如“（as） sober as a judge”，“（as） brown as a berry”，“（as） snug as a bug in a rug”，“（as） rare as a black swan”，“（as） deep as a well”，“（as） pretty as a picture”等。
一喻体多喻义和一喻义多喻体的现象颇为显著，也就是说，使用不同的喻体N来表示同一喻底Adj的习语以及使用同一喻体N表达不同喻底Adj的习语占绝大多数，合94.6%。下表中几例可充分说明“As+Adj+As+N（P）”明喻习语的“一喻体多喻义”和“一喻义多喻体”的特点。Group 1中16个不同喻体N（P）均与同一喻底drunk搭配形容人醉酒的情形，也都表示近似的语义“烂醉如泥”；Group 2使用同一喻体hell表达9个不同喻底Adj的含义，都旨在加强程度，为“非常”、“太”、“过于”之意。
有时喻体N的更换或者喻底词Adj的变化，并不影响明喻习语的语义和语用，一是因为能互换的喻体词在某一方面往往具有相同的属性或者人们在生活中通过对外界事物的感知赋予了它们相似的特性，如：
（as） strong as a horse/an ox
（as） fit as a fiddle/ flea
（as） flat as a fluke/ flounder
（as） fat as butter/ a young thrush
（as） hard as iron/rock
（as） mad as a hatter/ a March hare
二是因为可互换的喻底词常常为同义词或近义词，如
（as） bold/brave as a lion
（as） big/round as saucers
（as） clever/smart as paint
（as） easy/simple as ABC
（as） obstinate/stubborn as a mule
（as） stiff/straight as a ramrod
这充分说明了语言表达的丰富性和创造性，也体现了英语的一词多义和一义多种表达的特点。一些习语词典将它们列在同一词条里，表示完全同义可交互使用，如“（as） quiet/silent as the grave/tomb”，③另有一些词典将它们分别列为不同的词条，互为释义。如词条“tight as a brick， （as）”的解释为<美口>烂醉如泥/大醉/酩酊大醉/酩酊烂醉亦作“tight as a lord， （as）”，“tight as a mink， （as）”，而词条“tight as a mink， （as）”的解释为<美俚>见“tight as a brick， （as）”。④
但喻体N或喻底词Adj的变化多数情况下会带来相应的语义变化，给英语学习者的理解和掌握造成一定的困难。例如上表中Group 3以cat为喻体的5个习语，随着喻底词Adj的变化，明喻习语的意思也发生相应的转变，从而给动物cat也赋予了不同的性格特征：病弱、忧郁、惶恐，而流浪猫alley cat显然经历了世间的风风雨雨，改变了病弱的形象，虽然骨瘦如柴，却也能坚韧耐劳。
喻体arrow，die，ramrod均可与straight搭配构成明喻习语，但其意思和用法均有一定差异。（as） straight as an arrow意思指路线、道路、方向是笔直的，但与动词go， run， drive， fly，throw一起使用有快且直的意思，如：
The bullet flew as straight as an arrow towards the bird.（子弹笔直向鸟儿飞去。）
（as） straight as a die既有（as） straight as an arrow的意思，指路线、方向笔直，也有（as） straight as an arrow所没有的引申义，指人忠诚老实，如：
If anyones stealing from the till it must be the new assistants—Jones has been with us for years and I know hes as straight as a die.（如果有人打算到钱柜里偷钱的话，那只会是某个新来的助理员。琼斯跟我们相处多年，我知道他为人老实可靠。）
（as） straight as a ramrod指的却是人的（姿势、仪态）直挺挺的，僵硬的；（举止、风度）生硬，刻板，拘谨的。该习语又和“（as） stiff as a ramrod，（as） stiff as a poker”完全同义，可互换。见下文二例：
She sat there on the edge of her chair， her back as stiff as a ramrod the whole evening. 她坐在那里椅子边上，背挺得笔直地坐了一整晚。
I think he feels quite friendly towards people， but hes as stiff as a poker in company—cant relax at all. 我认为他对人很友好，只是交往过于拘谨，完全不能够无拘无束。
3 . 2 语义的差异性与反义性
通过统计对比发现，明喻习语“一喻体多喻义”和“一喻义多喻体”的特点不仅可以透视明喻本体与喻体之间的“相似性”及“相关性”（刘铁恺，2005：89），还可以透视明喻本体与喻体之间的差异性或相反性。譬如，（as） gentle as a dove，（as） gentle as a lamb，（as） gentle as a falcon，喻底都是gentle。dove和lamb不管在寓言、童话世界里，还是在圣经文本里总是温和乖顺的，而falcon无论在动物世界里还是人文著作里总是凶悍猛烈的，和“温顺”二字背道而驰，显然gentle在此用作反义，是加了双引号的“温柔”，名为像猎鹰一样“温柔”，实为像猎鹰一样凶猛。
再如，（as） clear as a bell，（as） clear as a crystal，（as） clear as day，（as） clear as noonday，（as） clear as daylight，（as） clear as mud，以一般常识来看，bell显然指声音清脆响亮，crystal指溪水清澈见底，day，noonday，daylight均指夜晚月光清楚明亮，且（as） clear as a crystal，（as） clear as day，（as） clear as noonday，（as） clear as daylight都可引申为事情、观点非常明了，显而易见，一清二楚，昭如日月，洞若观火。这与mud显然构成了不可调和的矛盾，尽管说的是（as） clear as mud，实际指as unclear as mud，指以戏谑的口吻说别人的解释或指示模糊不清。He gave directions how to get there. They were about as clear as mud though. I wish Id asked him to draw a rough sketch-map. 他指点我怎么到达那里，然而说得一点也不清楚。我该叫他画个草图就好了。
用作反语或讽刺的这类明喻习语中，典型的以单个名词成分构成喻体的仅有7例：（as） great as beggars，（as） good as dead，（as） good as a headache，（as） welcome as a storm，（as） wise as an owl，以及上面提到的（as） clear as mud，（as） gentle as a falcon。而以带有限定修饰语成分的名词性短语构成喻体的非典型性的明喻习语出现意义的差异性或反义性的比例较高，在笔者统计的502个明喻习语中有38例，占总数的7.6%，但在139例非典型的明喻习语中占27.3%，四分之一强。换句话说，超过四分之一的非典型性明喻习语中的限定修饰成分凸显了喻体成分语义特征与喻底意义的差异性或反义性，从而构成了非典型性明喻习语语义与喻体特性的反义性特征。
前文所提到的明喻习语如（as） like as chalk and cheese，（as） bold as an Essex lion，（as） sure as a mouse tied with a thread，（as） sharp as the corner of a round table，（as） busy as a hen with one chicken，（as） fine as an ape in purple，（as） fierce as a lion of Cotswold，（as） safe as a crow in a gutter等均具有这一特征。
（as） like as chalk and cheese通过chalk和cheese虽颜色相近但质地不同的特点构成反义，表示二者“根本不同，完全两码事”。（as） sure as a mouse tied with a thread，拿一根细线系老鼠，怎敌得住老鼠的尖牙俐齿，意为“不靠牢”；（as） busy as a hen with one chicken，（as） safe as a crow in a gutter，（as） sharp as the corner of a round table均与此同理。而（as） fine as an ape in purple和（as） fierce as a lion of Cotswold的含义理解涉及文化背景知识。（as） fine as an ape in purple源于英语谚语“An ape is an ape， a varlet is a varlet， though they be clad in silk or scarlet.”（即使穿上绫罗绸缎，猴子还是猴子，无赖还是无赖。）因此（as） fine as an ape in purple意思是指“如猴子穿紫袍一样，欲充高贵反成小丑”。上文中an Essex lion指牛犊，这里的a lion of Cotswold是对绵羊的戏称，指位于英国西南部科茨沃尔德丘陵地带产的一种长毛羊，字面言凶得像科茨沃尔德之狮，实指“温顺如绵羊”。
4 . 结语
这类具有特殊喻体成分构成的非典型性英语明喻，即喻体N由多个名词或名词性短语成分构成的英语明喻习语，占总数的27.7%，其喻体结构较复杂，语义多变。这一现象打破了人们认为英语明喻习语简单明了的惯常思维，英语明喻习语的语义并非一目了然，而是具有“一喻体多喻义”和“一喻义多喻体”的显著特点，喻体N和喻底Adj的使用存在大量语义交织、纵横交错的现象，不少明喻习语中还存在喻体特性与所指语义完全相反的情况，构成一个错综复杂的明喻习语网络，同中有异，异中有同，增加了学习和掌握明喻习语构式的难度，提高了明喻习语理解与翻译的难度，值得引起广大英语学习者和英语教师的了解与关注。
参考文献
刘铁恺、谷化琳.比喻的相似性与相关性及其感知过程[J].四川外语学院学报，2005（6）：86-91.
汪榕培、王之江.英语词汇学[Z].上海：上海外语教育出版社，2008.
王寅.“AsXAsY构造”的认知研究——十论语言的体验性[J].解放军外国语学院学报，2007（4）：7-13.
成分特征 第4篇
关键词：主成分分析,特征脸,人脸识别,降维
0 引言
主成分分析(PCA)也被称为Karhunen Loeve(KL)变换或者Hotelling变换。它是以线性代数中因式分解为基础的。通常,因式分解常用于将矩阵对角化,以便它的逆容易求得。PCA根据数据的统计特性,采用因式分解对数据进行变换。数据变换对分类与压缩尤为有用。
在人脸自动识别研究中,可以将K-L展开用于人脸图像的表示。对于计算机中的一幅图像,用f(x,y)表示。我们可以把一幅数字图像看成一个矩阵或一个数组,用B(i,j)或[bij]表示。其行和列标出了图像上的一个点,而矩阵中的相应元素的值则标出了该点的灰度等级。这样的数字阵列中的元素叫图像或像素。
1 建模原理与方法
1.1 数据
通常,数据用一个m个向量的集合表示:
undefined
每个向量xi有n个元素或特征。也就是,
undefined
解释每个向量xi的方式取决于应用。在模式分类中,每个向量表示一个测量值,向量的每个元素表示一个诸如颜色、大小或边缘强度特征。
每个向量的元素组成特征。也就是说,集合X的特征列向量k可以定义为:
undefined
k的取值从1到n。下标x用于区分原始集合和变换后的数据的特征。
考虑到每个向量cX,k是矩阵中的一列,可以对特征矩阵中的所有特征进行分组。也就是
undefined
PCA技术变换特征向量cX,k以定义新的向量,新向量定义了更好的分类能力成分。因此,通过对更重要的元素,也就是那些数据中定义重要变化的元素,按照距离准则进行聚类,可以对新向量进行分组。PCA确保突出了根据协方差衡量具有最大变化的数据。
从广义上讲,协方差表示两个随机变量之间线性相关性。所以,通过计算协方差,可以确定两个数据集合之间是否有关系。若数据只有两个成分,那么特征之间的协方差可以通过考虑每个向量的成分进行定义。即若xi={xi,1,xi,2},那么协方差为:
undefined
协方差用矩阵表示为:
undefined
1.2 协方差矩阵
当数据超过两维时,则可以根据每一对成分定义协方差。这些成分一般用矩阵形式表示,被称为协方差矩阵。协方差矩阵的定义为:
undefined
根据式(5),协方差矩阵中的(i,j)元素由下式给出
undefined
将该等式推广到特征矩阵的元素,并采用式(6)中的符号表示,协方差矩阵可以表示为:
undefined
记:A=cX-μX,则(9)式变为
undefined
1.3 计算特征值及特征向量
计算协方差矩阵∑X的特征值及对应的特征向量。假设计算得到的特征值按大到小的顺序排列为:
undefined
对应的特征向量则为:[u0,u1,,ur-1]。
2 实例计算
2.1 计算步骤与结果
2.1.1 特征脸提取
对于一幅图像可以看作一个由像素值组成的矩阵,也可以扩展开,看成一个矢量,如一幅N*N像素的图像可以视为长度为N2的矢量,这样就认为这幅图像是位于N2维空间中的一个点,这种图像的矢量表示就是原始的图像空间,但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何,这种方法用于图像识别的基本思想都是一样的:首先选择一个合适的子空间,图像将被投影到这个子空间上,然后利用对图像的这种投影间的某种度量来确定图像间的相似度,最常见的就是各种距离度量。
从ORL人脸库中读取标准图像(112*92),如图1所示。将每幅图像按列依次相连,组成一个形如式(2)向量xi,从而组成一个原始数据集合X。然后按式(10)计算特征值及特征向量。直接计算N2*N2维矩阵的特征值及特征向量是很困难的,在计算机中无法实现如此高维数的计算。于是,我们采取奇异值分解(SVD)定理来间接计算特征值和特征向量。
定理1(SVD):设A是秩为r的m*n(m≫n)维矩阵,则存在两个正交矩阵和一个对角阵使得:
undefined
其中U=[u0,u1,,ur-1],V=[v0,v1,,vr-1],∧=diag(λ0,λ1,,λr-1,且UUT=I,VVT=I,λi呈降序排列。其中λundefined为AAT∈Rm*m和ATA∈Rn*n的非零特征值,ui和vi分别是AAT和ATA对应于λundefined的特征向量。
可得一个推论:
undefined
计算ATA的特征值λundefined及相应的正交归一化特征向量vi后,可由推论知AAT的正交归一化特征向量
undefined
由此计算出来的特征向量按对应特征值从大到小的顺序就是第一主成分,第二主成分这就是图像的特征向量。它是通过计算低维矩阵ATA的特征值与特征向量而间接求出的。
U=[u0,u1,,ur-1]中的每一个单位向量都构成一个特征脸,如图2所示,参考程序见附录(特征脸提取部分)。
图2中1-7为按特征值大小(从大到小)对应的特征脸。最后一张为平均脸。由这些特征脸所组成的空间称为特征脸子空间,需要注意,对于正交基的选择的不同考虑,对应较大特征值的特征向量(正交基)也称主分量,用于表示人脸的大体形状,而对应于较小特征值的特征向量则用于描述人脸的具体细节,或者从频域来看,主分量表示了人脸的低频部分,而较小特征值的特征向量则描述了人脸的高频部分。
实验结果显示,累加贡献率向量为:
Rate=[0.2870,0.4978,0.6680,0.7910,0.8786,0.9473,1.0000,1.0000]
可以看出前5个特征脸的累积贡献率就达到87.86%(大于85%),所以在后面的人脸识别中,可以将这5个特征脸作为新的特征空间的一组正交基。每张待识别人脸和ORL人脸库中的人脸在该特征空间均对应着一个点。如此就起到了将大量的人脸库(一般至少有几百张人脸)作为特征空间转化为只用几个特征脸作为特征空间的降维作用。这是后续人脸识别的一个极其重要的一个工作!任何一幅人脸图像都可以向其做投影并获得一组坐标系数,这组系数表明了该图像在子空间中的位置,从而可以作为人脸识别的依据。换句话说,任何一幅人脸图像都可以表示为这组“特征脸”的线性组合,其加权系数即是PCA变换的展开系数,也可以称为该图像的代数特征。
2.1.2 人脸识别
利用上述方法,取前5个特征脸作为正交基组成特征子空间,样本库中的每幅人脸在该特征子空间按(14)式展开:
undefined
其中ci为标量。
如此,每幅人脸在特征空间就对应(一一对应)一个点,对应点为(14)式展开系数,记为:
undefined
将样本库中的样本均在特征空间中展开,找到对应的点,下面的任务就是一个分类和判别的问题了。同一个人作为一个类,样本库共4个人,所以分为4类。分类计算各类的类中心:
undefined
其中,ωi为类别,N为ωi类中样本的个数。
当系统读入一张经过标准化的待测人脸后,将其在特征子空间中展开,得出展开系数,如(15)式。然后计算待测人脸与上述4类中心的距离(本文用的是欧氏距离),距离哪一类最近,就将该待测样本判为这类(也就是这个人)。实现程序见附录(人脸识别部分)。
经过实验,将样本库中不同时间、不同表情的人脸图像读入系统测试,识别率为100%,表明基于主成分的方法用于人脸识别的效果非常好。
3 结束语
基于PCA特征脸方法简单、快速、有效,是人脸识别领域流行的方法之一。从本文以上的论述,我们可了解到特征脸方法的种种优点。通过对原始图像的K-L变换,完全去掉了图像中的相关性.从压缩能量的角度来看,K-L变换是最优的,它不仅使得从高维空间降到低维空间后的均方误差最小,而且交换后的低维空间有很好的人脸表达能力,从而使得人脸识别效果也很好。
参考文献
[1]MARK S.NIXON,ALBERTO S.AGUADO.特征提取与图像处理:第二版[M].北京:电子工业出版社,2010.
[2]边肇祺,张学工.模式识别:第二版[M].北京:清华大学出版社,2009.
[3]DEGROOT M H,SCHERVISH M J.Probability and statistics,3rdedn[M].Addison Wesley,Reading,MA,2001.
[4]李文革.基于主成分分析的人脸识别[D].济南:山东大学,2008.
[5]李进.基于代数特征的人脸识别研究[D].武汉:中南民族大学,2009.
[6]谢中华.MATLAB统计分析与应用[M].北京:北京航空航天大学出版社,2010.
成分特征 第5篇
关键词：面包,主成分分析,特征性指标
目前市面上的面包种类很多, 并且其成分基本相同, 例如能量、蛋白质、脂肪等.但是含量却各有所差异, 且具有一定的相关性。在参考了食品安全国家标准[1]和面包事件的基础上, 本文采用了主成分分析法来针对市面上一些品牌的面包进行研究, 并对市面上常见的面包特征性指标进行归纳分类, 从而为面包的处理和质检提供新的方法。
1 数据来源
本文所有的数据均来自于商品面包外包装, 厂方标明的指标虽然不能完全代表其产品中所有成分的含量, 但是就研究而言有一定价值, 对于面包成分表中所偶标注出来的数据, 为了使分析结果更加可靠精准, 均采用百分数的方式来进行计算分析, 面包特征性指标原始数据见表1, 表中只列出了常规的特征性指标。
2主成分分析法 (Principal Component Analysis, PCA)
主成分分析法也称主分量分析或矩阵数据分析, 旨在利用降维的思想, 通过变量变换的方法把相关的变量变为若干不相关的综合指标变量。[2]
比如建立一个指标体系, 为了从不同的侧面反映系统分析和评价的综合性与全面性, 在指标体系中要设立若干个 (n个) 指标。对于大系统的指标体系来说, 这类指标数量往往很大, 并且这些指标之间常常存在着联系。由于实际中存在的指标数量多且指标之间线性相关, 使得分析评价方法尤其是定量方法的应用面临着很大的困难, 甚至无法应用。在这种情况下, 主成分分析法的这一特点, 即能将众多的线性相关指标转换为少数线性无关的变量。由于线性无关, 就使得分析与评价指标变量时, 可切断相关的干扰, 找出主导因素, 做出更加准确的估量[3]。
3 主成分分析法的应用
3.1 原始数据的处理和标准化
在实际问题研究中, 为了全面、系统地分析问题, 必须考虑众多影响因素。这些涉及的因素一般称为指标, 在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息, 并且指标之间彼此有一定的相关性, 因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时, 变量太多会增加计算量和增加分析问题的复杂性, 所以在进行定量分析的过程中, 通过选择较少的变量, 得到较多的信息, 并且使得分析结果具有代表性和完整性。本着这一原则, 面对较多的原始数据以及数据之间差异较大, 对原始数据采取了标准化处理的方式, 得到进行主成分分析的6个变量相关系数矩阵, 见表1。
3.2 面包特征性指标主成分分析的计算结果
运用主成分分析所计算得出的结果中, 新变量所代表的方差 (即对应的特征值) 贡献率和由原变量变换为新变量的线性变换系数 (即对应的特征向量) 就成为我们进行综合分析的重点.在主成分分析中一般要求少数新变量的累积方差贡献率应大于75%[4].下列表3、表4和表5分别给出了原始数据的公因子方差、各个主成分的解释的总方差和主成分的计算结果。图2则是各个主成分的特征值。
由图1可知, 前两个主成分积累方差贡献率达到了78.863%, 按照主成分分析法的要求, 可以取前两个具有明显代表性的主成分.原有的6个变量可用两个个主成分表示, 如表4所示。
本文可以依据以上计算结果绘出成分图, 表明新旧变量之间的关系.并且与此同时, 也可以为原始的面包特征性指标分类, 得到成分图, 如图2。
3.3 结果分析
通过主成分分析的计算结果可知, 按照面包特征性指标的实际情况和主成分分析的标准, 本文采取了前两个主成分来代表原来的6个变量, 而这两个主成分的方差累计贡献率已经达到78.86%, 两个主成分的贡献率分别为53.86%和24.99%, 两个主成分在78.86%的程度上反映了某一样本的面包情况和指标特征.因此, 这两个主成分在一定程度上是可以反映出原变量的变化所代表的面包品质。
在第一主成分中, 蛋白质和钠这两个指数所占的比重较大, 同时两个指标的变化方向相同, 是呈正相关的.这说明了引起这两个指标变化的原因是类似的, 因此对这两个成分的检测可以采取相同的方式。蛋白质和钠都是人体所不可缺少的, 蛋白质能够给人类日常生活提供必要的动力, 钠是人体的必需元素[5]。因此蛋白质和钠在绝大多数的面包中都是必需元素, 而这两种成分的含量应受到严格控制。在面包中钠含量增加的同时, 蛋白质的含量也在增加, 所以这两点能够用一个主成分来表示, 本文将此命名为蛋白质钠成分。
在第二主成分中, 碳水化合物、能量和脂肪这三个指数所占比重较大。其中, 能量与脂肪这两个指标变化方向一致, 是呈正相关的, 而碳水化合物与能量和脂肪的变化方向相反, 呈负相关, 这就说明了能量和脂肪的来源比较接近, 但是与碳水化合物的来源相对较远, 能量能够给人们提供动力, 而脂肪则是人体所必需的三大热营养素之一, 能够产热维持人体体温, 能够缓冲外界撞击以此来保护体内脏器, 碳水化合物是维持人体内部生理环境不可缺少的重要有机化合物, 是人体的必须物质。因此在面包中这三种成分缺一不可。在研究时, 鉴于三者的相关性, 可以将它命名为能量脂肪负碳水化合物成分。
4 结论
主成分分析法结果表明, 面包的成分可以分为两类:蛋白质钠成分, 能量脂肪负碳水化合物成分.每种成分中所包含的变量大部分是正相关的, 但是其中有一个负相关成分, 所以在对面包进行初步检测时, 可以只抽取蛋白质钠成分中的一个变量来进行检测, 能量脂肪负碳水化合物成分一个成分进行检测以代表整个主成分的含量。根据各类成分指标相近的特点, 质监部门可以采用检查同类型指标中的一项的方法, 对面包进行初步检测, 检测其是否添加了不符合国家食品安全标准的添加剂, 以此种手段来改变该项指标含量。而采用这种方法所得出的结论与完全检测所有指标所得出的结论相近程度高达78.86%, 并且在很大程度上降低了初步检测的成本, 减少了工作量。主成分分析法能够显著提高提高面包检测效率, 其分析结果对面包商家以及相关食品检测部门具有一定意义上的指导作用。
参考文献
[1]中华人们共和国卫生部.GB5009.5-2010, 食品安全国家标准-食品中蛋白质测定[S].
[2]汪应洛.系统工程[M].北京:机械工业出版社, 2009:54-60.
[3]方开泰.实用多元统计分析[M].上海:华东师范大出版社, 1989:291-302.
[4]王学仁, 王松桂.实用多元统计分析[M].上海:上海科技出版社, 1990:270-272.
成分特征 第6篇
随着现代通信技术的发展,各种通信手段不断涌现,这使得本就有限的频谱资源日益紧张。提高频谱利用率已成为学者们研究的热点。基于这种思想,国内王红星教授提出了TPM(时相调制)技术的概念[1],它与美国H.R.Walker提出的3PRK(相位翻转键控)技术[2]以及吴乐南提出的EBPSK(扩展二元相移键控)调制技术[3]等一脉相承。
由于相位跳变的存在,TPM信号的频谱得到展宽,携带的相位信息位于扩展的连续谱中[4],常规的频域带通或低通滤波器用于TPM都将不可避免地造成信息的丢失。学者们围绕频域滤波设计做了种种尝试,终未取得明显进展[5]。换种角度来看,由于TPM的信息由突变的相位承载,如果突变相位特征的信息能够获取,那么对TPM发射信号的恢复就相对容易多了。学者们之前对TPM信号的特征提取研究少有提及,仅有文献[6]曾提出根据TPM信号的几何特征来判决,但该方法类似于包络检波,而非真正的时域滤波方法。近年来广泛应用的ICA(独立成分分析)技术属于盲源分离技术,已在多个领域得到重 视,在彩色图 像、音视频和 人脸等方面[7,8]的特征提取中取得了较好的效果。作为一种新的尝试,本文将ICA技术应用到TPM通信系统中,以提取TPM信号的相位突变特征,并对提取效果进行了仿真分析。
1TPM信号定义及功率谱特征
TPM信号是利用矩形脉冲快速的下降或上升边缘特性 进行相位 调制的一 种载波调 制技术。TPM信号中的“0”、“1”波形分别 对应式 (1)和式(2):
式中,A为幅度;fc为载波频率;θ∈ [0,π]为相位突变角;τ为相位突变时刻点;Tb为比特周期;Tbτ为相位突变持续时间。从式(1)、(2)可看出,TPM信号只在码元“1”的特定时刻有短时的相位突变,其余时间保持正弦波形不变。
至于TPM的功率谱,根据文献[8],由于存在式(2)中短时的相位突变,造成了频谱的极大扩展,如图1所示。
由图可知,TPM的频谱能 量高度集 中在载频上,但两旁会出现与相位突变所对应的连续谱,而这种连续谱的出现受控于TPM信号中相位信息的微小抖动,如果采用带宽很窄的滤波器,则会舍弃很大一部分边带频谱,也就意味着抹去了连续谱中携带的信号相位信息。因而,常规的频域滤波器将很难获取信号携带的完整信息,而避开频域滤波的时域滤波器则不失为一种可考虑的方法。
2TPM信号的ICA 模型
假设接收到m个观测信号x1、x2、…、xm,这些观测信号是由另外n个TPM信号s1、s2、…、sn线性组合得到TPM信号的ICA模型:
写成矩阵形式如下:x=As,其中,A是由混合系数{aij}m×n组成的混合矩阵,矩阵系数aij和sj均未知。
该模型求解的基本思路如下:在仅依靠观测向量xi的情况下,将系数矩阵A和TPM信号sj同时估计出来。由于可利用的数据太少,只能采用某种算法使ICA模型获得较满意的解。通过ICA算法得到矩阵A珟,计算它的逆可将源信号估计出来:s珓=A珟-1x。不过本文ICA估计出的s珓并非原来的s,但我们感兴趣的是s珓中各分量的相互独立性,这种独立性源于对相位突变特征的提取。
3基于ICA的TPM 信号特征提取算法
本文采用基于负熵的快速ICA算法进行TPM混合信号的分离,其基本原理是通过系统学习寻找一个方向,即单位矢量w,使得观测向量的投影y=wTx具有最大的非高斯性。在基于ICA的TPM系统模型中,观测信号是多个独立源TPM信号的线性组合,其高斯性应比源信号的高斯性要强。换言之,源信号就是ICA希望估计出的非高斯性比观测信号要强的信号,即非高斯性越强就越独立,这为ICA分离信号提供了依据。非高斯性采用负熵J来衡量,定义为
式中,yGauss为具有与y同方差的高斯随机变量。根据最大熵定理,非高斯性最大即负熵J(y)最大,而负熵可采用一种更稳健、速度更快的方法来近似:
J(y)∝ [E{G(y)-G(v)}]2,(5)
式中,G为任意非二次型函数;v为具有零均值和单位方差的高斯随机变量。将y=wTx代入式(5),得到:
在E{G(wTx)}的某种优化下,可以得到wTx的负熵近似的最大值。根 据Kuhn-Tuckert条件,在约束条件‖w‖2=1下,E{G(wTx)}的优化(极值点)由下述条件得到:
式中,g为G的导数;β=E{w0Txg(w0Tx)};w0为w在极值点的取值。式(7)用牛顿迭代法求解,其雅克比矩阵J(w)由下式得到:
而对于观测数据x,对其做过预处理即均值化和白化处理,所以上式近似为
用w的值代替w0,求得β的近似值,因此得到快速ICA算法中迭代的基本公式:
上面的ICA算法可以估计一个独立成分,而要估计多个独立成分,则需要将该算法执行多遍。
为避免不同向量收敛到同一个极值点,每次迭代后必须将wi标准化,wk+1=wk+1/‖wk+1‖,保证剩余分量不相关。标准化是必须的,因为它使得w的投影为单位值以保持wTx的方差不变。
4数据仿真与分析
4.1仿真实验
假设输入3路二元数字信号,均为1000个码元,分别进行TPM,得到的3路TPM信号的时域波形如图2所示。图中,比特周期Tb=0.01s,载波频率为1kHz,采样频率为10kHz,每个码元采用10个正弦载波调制,τ=9Tb/10。为了便于观察,图中只截取了前8个码元时间长度。
图2显示的是经过调制但未进入信道的TPM波形,这3路TPM信号的前8个码元分别是:[01101011]、[01001010]和[11010100]。很明显,在每个码元“1”的最后一个载波周期发生了π的相位跳变,而其余时段保持正弦波波形不变。
图3所示为接收端传感器接收的3路观测信号,每路观测信号均由TPM波形混合组成。从图中可以看出,确实很难从混合信号中获得原信号的信息。对3路观测信号按快速ICA方法处理,估计出的3路信号如图4所示。
(a) 信 号 1(b) 信 号 2(c) 信 号 3
从图4可以看出,ICA将观测信号分成了独立的3路信号。但这3路信号并非是原来的时域信号,由于TPM波形的微小差异性,ICA不能将源信号直接估计出来。ICA处理后的信号主要分为两部分:相位突变持续时间段内的信号部分和提取该部分后剩余的部分。图4(a)和图4(c)反映的是 源TPM信号所有相位突变处的信息。因此,接下来只需经过简单的阈值门限并利用码元同步信息就可以恢复出发射的数字信号。
(a) 估计后的第 1 路信号(b) 估 计后的第 2 路 信号(c) 估 计后的第 3 路 信号
4.2结果分析
下文将针对ICA方法提取TPM信号特征过程中算法分离性能以及分离后的检测恢复进行分析。
(1)算法分离性能。主要通过分析源信号、混合的观测信号和ICA分离后的信号的相关系数矩阵Rs(3路TPM源信号)、Rx(观测(混合)信号)和Ry(ICA分离后的信号)来评价。它们分别是:
可以看出,Rx增强,ICA分离后的Ry非常小,但并不为零,接近于完全独立,具有良好的分离效果。虽然Ry和Rs并不接近,且相差很大,但这种差异在本文中是必须的,这正是多路TPM混合信号采用ICA技术处理的独特之处。
(2)信号的检测恢复。因为ICA时域滤波后相位突变部分的信号幅度突出比较明显,经过包络检波后设定一定的门限值,就能将发射的数字信号恢复出来。根据幅度及跳变点位置,可由图4(a)得到两个数字信息,由图4(c)得到一个数字信息,如图5所示。图中显示的数字信息“0”、“1”正好对应发射端发射的未经 调制之前 的数字信 号。这说明,TPM信号相位突变特征经ICA处理后,完全能够被提取出来并转化为幅度信息,而幅度检波就变得较为简单。
(a) 恢复信号 1(b) 恢复信号 2(c) 恢 复信号 3
下文考虑含 噪TPM信号的ICA分离结果。TPM信号通过AWGN(加性高斯白噪声)信道,信噪比SNR=5dB,对接收的3路含噪观测信号进行了ICA处理,处理结果如图6所示。由图可看出,TPM信号虽受噪声干扰,但对接收信号采用ICA时域滤波处理,仍然能够较为有效地将TPM信号的相位突变部分和非相位突变部分分别估计出来。根据幅度及跳变点位置,可由图6(a)检测到两个数字信息,对应图5(a)和图5(b);由图6(b)也能检测到两个数字信息,对应图5(b)和图5 (c)。
(a) 估计后的第 1 路信号(b) 估 计后的第 2 路 信号(c) 估 计后的第 3 路 信号
由于图5就是发射端未经调制的数字信号,可见受高斯噪声影响且在信噪比较低的情况下,本文所提方法依然能够完成对TPM信号的相位突变特征的提取,并能进行有效检测和恢复。
5结束语
成分特征 第7篇
1 材料与方法
1.1 研究地自然概况
研究工作在青海省互助县林川乡万布沟内进行。试验样地位于青海省的东北部，地处湟水谷地北侧和大通谷地西南侧，海拔高度为3 208m左右;气候属于高寒半湿润气候;年平均气温为3.4℃，最冷月1月的平均气温为-11.0℃，最热月7月的平均气温为13.0℃，年平均降水量400～600mm，多集中在5～9月;≥0℃积温为965.6℃，生长季150d左右;土壤为高原草甸土;原生植被是以嵩草属植物为建群种的高原草甸。
1.2 研究方法
1.2.1 样地设置。
试验样地设在互助县林川乡万布沟山。研究采用空间分布代替时间演替的方法，根据不同退化程度草地的植物种类组成及高度、盖度、密度、频度和地上生物量的差异，选择4个典型样地，分别称其为：轻度退化草地、中度退化草地、重度退化草地、极度退化草地，各样地自然概况见表1。在4个梯度的草地随机各取1m1m的样方3个，共计12个样方。分别在样方中测定小嵩草、矮嵩草的盖度、高度、频度和地上生物量(干重)。
1.2.2 测定方法。
地上生物量测定采用收敛法，齐地面剪取样方内所有嵩草植株的地上部分，风干后称重。密度为测定样方内出现的嵩草种群的个体数。盖度采用针刺法测定，在每一样方内随机插100针，记录接触嵩草的针数，得出嵩草的分盖度。株高的测定为每一样方中随机测取10株小嵩草、矮嵩草的自然高度，取平均值。频度采用样圆法，在每一样地内用样圆(直径35.6cm)随机测定25次，记录嵩草种群出现的次数。将风干的小嵩草、矮嵩草作营养成分分析。蛋白质的测定用凯氏半微量定氮法，脂肪测定用乙醚清提法。
2 结果与分析
2.1 嵩草种群数量特征分析
2.1.1 地上生物量。
地上生物量直接定量反映草地第一性生产力。由于受家畜长期、频繁啃食及鼠害的破坏，又没有休闲等管理措施，高原草甸生植被中的优势种嵩草明显衰退。从图1可以看出，随着退化演替的加剧，嵩草种群的地上生物量显著降低，由轻度退化草地58.38g/m2降至中度退化草地的40.48g/m2，再降至重度退化草地的0.22g/m2，而极度退化草地已无嵩草种群的存在。其中由中度退化草地至重度退化草地下降最为明显。总地上生物量也呈下降趋势，但与嵩草种群的变化不完全一致：由轻度退化草地的112.50g/m2增至中度退化草地的121.97g/m2，再降至重度退化草地的91.48g/m2和极度退化草地的44.84g/m2。由重度退化草地至极度退化草地下降最为明显。
2.1.2 密度。
从图2可以看出，随着草地由轻度退化到极度退化，嵩草种群密度明显有高到低。其中，轻度退化草地至中度退化草地下降较明显，而由中度退化草地到重度退化草地显著降低，由939.00株/m2降至7.40株/m2。群落总密度则从轻度退化草地到重度退化草地明显增高，而后极度退化草地急剧下降。
2.1.3 盖度。
其测定可在一定程度上反映群落结构，反映植物占群落空间的大小，进一步反映植物在群落中的竞争地位。从图3可以看出，嵩草种群的盖度随着退化演替的加剧呈下降趋势。其中由轻度退化草地至中度退化草地下降不明显，由87.67%降至73.66%，而从中度退化草地降至重度退化草地的4.00%，下降十分显著。群落总盖度也随着草地退化程度的加重呈下降趋势。其中由重度退化草地至极度退化草地下降明显，由91.30%降至38.00%。
2.1.4 植株的高度。
可以指示植株的生长势以及竞争和适应能力的高低。从图4可以看出，嵩草种群高度在样地上由高到低的排列顺序是：中度退化草地>轻度退化草地>重度退化草地的平均高度;群落平均高度在样地上由高到低的排列顺序是：中度退化草地>重度退化草地>轻度退化草地>极度退化草地。
2.1.5 重要值。
反映一种植物在群落中的重要性，由嵩草种群特征的变化规律确定出在不同梯度重要值的变化规律。从图5可以看出，嵩草种群重要值在轻度退化草地、中度退化草地、重度退化草地和极度退化草地上分别为：0.39、0.28、0.05、0，由中度退化到重度退化过程中下降最显著。嵩草种群的重要性随着退化程度的加剧而降低。
2.2 嵩草种群营养成分分析
从图6可以看出，随着退化程度的加剧(极度退化草地中无嵩草)，嵩草种群的粗蛋白、粗脂肪、粗纤维含量有所减少，但差异不明显(p>0.05)。随着退化程度的加剧，土壤有机质、全氮、全磷以及速效氮、速效磷均呈下降趋势，这种趋势造成植物对土壤养分的吸收也呈下降趋势。干物质的含量有所增加，差异不明显(P>0.05)，这可能是因为退化程度越轻，植物生长越旺盛，这样可以大量消耗地上组织的糖分;同时随着退化的加剧，裸地面积增加，植物接受光照越强，蒸腾失水越多。
3 讨论
(1)随着过度放牧和家禽的频繁啃食，嵩草种群再生能力逐渐降低，其生物量、株高、分蘖数、生长速度均下降。从中度退化草地至重度退化草地下降趋势最明显，重度退化阶段嵩草种群已很小，至极度退化阶段嵩草种群已不存在。因此，在中度退化阶段就应采取如施肥、封育等各种管理措施，使退化草地向原生植被方向演替。若在中度退化草地继续放牧，又没有相应的管理措施，嵩草种群则会从群落中退出，而被退化的杂类草次生植被所取代。
(2)嵩草种群随着草地退化加重，粗蛋白、粗脂肪、粗纤维含量逐渐减少，干物质含量增加。草地退化程度对嵩草种群成分的有一定的影响。
(上接第302页)
摘要：对青海省互助县林川乡高寒嵩草草甸退化演替过程中嵩草种群数量特征和成分进行分析研究, 结果表明:随着高寒嵩草退化程度的加剧, 嵩草种群的高度、密度、盖度、生物量及重要值逐渐降低, 嵩草种群的优势地位逐渐被取代;嵩草种群的粗蛋白、粗脂肪、粗纤维含量, 随演替加剧而降低, 干物质含量随演替加剧而增加。
关键词：高寒草甸,退化演替,嵩草
参考文献
[1]陈全功, 梁天刚.青海省达日县退化草地研究[J].草业学报, 1998, 7 (4) :44-48.
[2]安渊, 韩国栋.不同退化梯度草地植物和土壤的差异[J].中国草地, 1999, (4) :31-36, 66.
[3]李希来, 王玲.山地草原化草甸草地放牧演替的研究[J].青海畜牧兽医学院学报, 1992, 9 (2) :5-8.
成分特征 第8篇
生物特征识别技术是基于个人独特的生理或行为特征进行自动身份鉴别的一种安全解决方案,具有普遍性、唯一性、安全性等特点。目前得到应用的生物特征包括指纹、掌纹、虹膜、人脸、声纹[1,10]等等。掌纹识别是利用掌纹信息来确定个人身份的[2],具有不涉及个人隐私、人们在心理上更容易接受、图像采集方便、可用低分辨率图像进行识别以及采集设备简单等优点。掌纹识别方法有很多,比如:徐凤,何玉琳,章海军的基于傅立叶变换的掌纹识别方法[3];陶俊伟,姜威的基于二维主成分分析的掌纹识别方法[4];赵英男,杨静宇的基于Gabor滤波器的特征抽取方法[5];以及苏晓生,林喜荣等人的基于小波变换的掌纹识别方法[6]等等。
本文的测试图像均来自香港理工大学掌纹库[7],试验是在MATLAB环境下运行的,具体实现过程如下:先将注册图像进行预处理,使图像具有更为明显的区分特征;然后提取图像的LBP特征;由于此时的特征维数较高,需占据较大存储空间,故选用P C A来降低特征维数;最后将降维后的特征向量存入库中,作为注册数据;在识别时,用同样的方法处理待测图像,并把与注册信息中距离最短的一类作为该图像的类别。试验证明,此方法具有较好的特征提取和矩阵降维能力,得到了较高的识别率。
2 方法原理
2.1 高斯高通滤波
图像在采集过程中容易受到环境的干扰以及采集设备的影响,从而容易导致图像失真,其中比较典型的就是图像模糊。为了使图像的边缘或线条变得清晰,可以选择空域中的高通滤波器对图像进行处理,这样能够锐化图像。采用高通滤波的方法可以让高频分量顺利通过、低频分量受到抑制。
高斯高通滤波函数是高通滤波函数的一种,本文采用的高斯高通滤波矩阵为:
2.2 LBP算子
局部二进制模式(Local Binary Pattern,LBP)是近年才应用于掌纹图像特征提取的一种方法,该方法首先由芬兰科学家Timo Ojala[8]等提出,可以有效描述图像纹理特征,其原理为:
设T为灰度图像某邻域内像素点灰度值的联合分布函数,像素点数为P个,即
其中,gc为中心像素点的灰度值,周围像素点的灰度值为gp,p=0,1,,p-1。在不丢失信息的情况下,从邻域gp中将gc提取出来,即
假设gp-gc与gc相互独立,那么就可以得到
而实际上,真正的独立关系是不存在的,因此,这只是一个近似的联合分布。在对图像灰度进行变化时,能够确保损失的信息尽量小。而式(3)中的t(gc)描述的是图像的整体亮度,与局部结构无关,不能提供有用的图像结构信息,因此可将(1)式转化为
若只考虑gp与gc的相对大小,而不考虑具体的数值,则(4)式可以转化为
通过给s(gp-gc)添加系数2p,可以把(5)转化为一个特别的LBPp,R值,其中R表示选择像素点的区域半径,p表示选择的像素点数,它描述了局部图像的结构特征,即
该方法认为图像的纹理仅与相邻像素灰度值的相对差值有关,而与灰度值的绝对大小无关,具有灰度位移不变性。处理图像时,可以克服由于每次采集图像光照亮度不同而产生的影响,原图像及LBP处理后的图像如图1所示。
2.3 PCA算法
主成分分析法(Principal Component Analysis,PCA)是一种典型的降低矩阵维数的方法。其数学原理为[9]:
设有向量X∈Rn可用一组正交归一化的基向量ui(i=1,2,,)来表示:
用的转置iu'同乘式(8)两边得
若仅用X中的(d
那么X与Xˆ之间的均方误差为
将式(9)代入式(11)中,得
令S=XX',则式(12)可以写成如下形式:
要使得ε最小,可使用拉格朗日乘数法,求得满足当j=i时,ui'uj=1,当j≠i时,ui'uj=0的uj(j=1,2,,n)的解为
或者λj=u j'Suj(15)式(14)中,I为单位矩阵,λj为S的特征根;uj为S的特征向量。
将式(15)带入式(13)中可得:
要使得Xˆ估计X产生的平方误差ε最小,需将n个特征向量按照特征根由大到小的顺序排列,从而构成一组正交归一化的奇向量ui(i=1,2,,n)。向量X∈Rn用此基向量组表示出来后,仅用X中的d(d
3 试验测试
试验中所采用的掌纹图像来自香港理工大学的标准掌纹库,其中包括了各类人的左右手掌。试验时,随机挑选了来自100个手掌,每个手掌10张的共1000幅掌纹图像作为试验对象。每幅图像的分辨率为75dpi,大小为384284。预处理时,将图像的大小手工裁剪为170180。每类10幅的图像中,选择5幅用来注册,5幅用来测试。
3.1 预处理方法选择
试验具体步骤如下:
(1)为了得到更好的分类结果,我们采用不同的预处理方法加以比较:选用直方图均衡化法、高斯低通滤波法、模糊滤波法、高斯高通滤波法对掌纹图像进行预处理。处理效果如图2所示:
(2)用LBP数据计算灰度直方图,得到256个灰度对应的像素数据。为了更准确的反映出图像数据的局部特征,需将经L B P处理后的图像再进行区域分割,一般是把图像分成33部分或44部分,并统计各部分的直方图数据,这样就增加了特征向量的维数,提高了识别准确率,而本文选择了33的分割方法。
(3)用最小距离判别法进行图像的分类识别。将待测图像的数据与图像库中注册图像的数据进行距离的求取,其中平均距离最小的被判定为待测图像的类别。表1为测试的结果:
需要说明的是,未经预处理的图像识别准确率仅为84.2%。本组试验数据表明,对图像进行滤波,适当提高图像的对比度,可以提高图像的识别率。其中,识别效果最好的滤波方式是高斯高通滤波,识别率达到98%。
3.2 图像特征的降维处理
由于上述试验的单幅图像特征维数达到12304,则其注册图像库为5002304维矩阵,在进行模式识别时,数据运算量较大,因此选用PCA法来适量降低图像特征维数。算法流程如图3所示:
按上述流程进行试验,所得数据如表2:
其中,con表示特征数据信息占原矩阵信息的比例。
由上表可知,当con值在一定范围内减小时,特征维数大幅下降,从而减少了计算存储空间,提高了识别速度,其识别率仅有较小改变。
4 结束语
在图像预处理阶段,选择并比较了4种滤波方法,结果表明高斯高通滤波方法的效果最好,得到较高的识别率;特征提取阶段,本文选用具有抗旋转能力强、不受采集图像时光照不同的影响等优点的L B P方法来提取图像的局部特征,由于此时的特征维数较高,为了尽量减小试验数据的存储空间,进而选用PCA来提取特征矩阵的主成分。最后对一个中等规模的掌纹图像数据库进行了识别试验,结果表明,当特征参数con减小时,特征维数大幅度降低,并在一定范围内都得到较高的识别率。
参考文献
[1]袁国武,魏骁勇,徐丹.基于掌纹的身份鉴别[J].计算机辅助设计与图形学学报,2005,17(12):2590-2595.
[2]邬向前,张大鹏,王宽全.掌纹识别技术[M].北京:科学出版社,2006.
[3]徐凤,何玉琳,章海军.一种基于傅立叶变换的双级匹配掌纹识别系统[J].光学仪器,2007,29(3):64-68.
[4]陶俊伟,姜威.改进的基于二维主分量分析的掌纹识别[J].光学仪器,2007,33(2):283-286.
[5]赵英男,杨静宇.基于Gabor滤波器的特征抽取技术[J].吉首大学学报,2006,27(5):59-62.
[6]苏晓生,林喜荣,丁天怀,周云龙,宋炯.基于小波变换的掌纹特征提取[J].清华大学学报,2003,43(8):1049-1051,1055.
[7]BIOMETRIC RESEARCH CENTER,The Hong KongPolytechnic University.PolyU Palmprint Database[DB/OL].[2007-8-10].http://www.comp.polyu.edu.hk/￣biometrics/.
[8]陈天华.数字图像处理[M].北京:清华大学出版社,2007.
[9]那彦,焦李成.基于多分辨分析理论的图像融合方法[M].西安:西安电子科技大学出版社,2007.
成分特征 第9篇
由于齿轮箱中齿轮、轴承和轴系的结构较为复杂,工作状况各异,多种故障相互耦合,使得齿轮箱的故障模式与故障征兆之间通常呈现为非线性的映射关系,因而,对齿轮箱进行故障诊断和运行状态分析时,首先要合理提取可有效表征齿轮箱运行状态的特征,并对其进行优选和降维,删除冗余,在此基础上采用合适的方法对所选特征进行融合分析。特征的优选与融合方法在一定程度上可以提高状态识别与故障诊断的准确率。目前,对于齿轮箱的故障诊断,已有时间同步平均、包络解调、小波变换、希尔伯特变换和盲源分离等多种方法[1]。在故障特征的提取方面,林近山等[2]提出了一种基于多重分形去趋势波动分析的齿轮箱故障特征提取方法;王卫国等[3]提出了一种基于EEMD-CWD的齿轮箱振动信号故障特征提取方法;雷亚国等[4]将自适应总体平均经验模式分解方法用于行星齿轮箱的故障检测中。在故障特征的融合方面,学者们引入互信息[5,6]、粗糙集[7]、证据理论[8]、支持向量机(support vector machine,SVM)[9,10,11]及神经网络[12]等理论与方法,取得了较好的效果。以上单一融合方法尽管在故障特征的降维与压缩方面有着积极的作用,但随着信息量的增加,采用单一的方法仍然难以对信息进行有效的处理(尤其是当冗余信息较多时)。事实上,对于大多数的分类器方法,如SVM和贝叶斯等方法,若能获取一组简洁不冗余的信息作为输入变量,则分类器可能更为简单和有效。因而,在获取大量可以从不同角度表征设备运行状态的特征信息后,如何优选和高效利用信息成为特征融合时亟待解决的问题[1]。
针对齿轮箱的故障诊断,为去除冗余信息,降低特征的维数,进行特征的有效融合,笔者在前期的工作中分别提出了基于主成分分析(principal component analysis,PCA)的齿轮箱故障特征融合分析方法和基于邻域属性重要度的齿轮箱故障特征优选方法[13,14]。为验证特征优选对特征融合的影响,本文在以上工作的基础上,将基于邻域粗糙集属性重要度约简方法与主成分分析法相结合实施齿轮箱故障特征的优选与融合,在此基础上利用SVM和BP神经网络对融合前后故障诊断的准确率进行对比分析。
1 齿轮箱特征定义及其分类
表征系统性能的特征并不是唯一的,为了对性能进行全面的评估,往往采用特征群的形式对系统性能加以表征。但是,不同特征量定义对系统的影响程度是不一样的,在进行故障的分类与诊断时,要选取合适的方法对特征进行分类、筛选和融合[15]。本文沿用前期工作中的齿轮箱特征定义、分类及编号方法[13,14]。共选用36个特征,其中齿轮箱时域故障特征16个,基于频域的故障特征13个,基于Hilbert变换自定义的故障特征7个,有关特征的描述见文献[13,14]。
2 齿轮箱振动实验
沿用文献[13]中的实验方案,如图1所示。图中齿轮3是测试齿轮,其裂痕宽度为0.4mm,深度为1/4齿宽。通过更换齿轮3可以测得不同裂纹的齿轮箱振动信号。文献[13]中对齿轮箱中各个齿轮的齿数、齿轮的数量、齿轮的故障状态以及实验参数进行了详细的描述。通过采集具有不同程度裂纹齿轮的振动信号,提取其有效状态特征。对特征进行优选,以此优选子集作为故障分类器的输入,实现对裂纹的识别。
实验方案如下:(1)设置两种不同的电机转速,旋转频率分别为30Hz和40Hz;(2)设置两种不同的负载,即无负载和50%满负载,分别记为0和h;(3)设置三种不同的齿轮裂纹,即正常、25%裂纹和50%裂纹,分别记为L0、L1和L2。
实验中改变电机转速和齿轮箱负载以模拟齿轮箱的工作状况,采集齿轮箱不同运行工况下垂直方向的振动信号并记录。每种工况取10组数据,共计120组数据(表1)。每组信号都提取36种特征,获取120×36的特征全集矩阵。由此可以获取齿轮箱中齿轮3不同裂纹的36种特征参数变化趋势。
3 基于邻近粗糙集属性重要度的属性约简
由于实验中实际获取的信息格式多样,故在进行融合之前需要对连续型的信息进行一定的预处理。不同的处理方法会对数据的隐含信息和数据的精确性产生影响。由于邻近粗糙集不需要对连续型的数据进行离散化预处理,可有效避免数据离散化对数据精确性的影响,因而采用基于邻近粗糙集属性重要度的属性约简方法能够有效处理数值型特征的属性。该方法的关键在于确定正域样本。由于邻域半径越大,所得邻域集合的样本数量就越多,因而邻域半径对正域的确定起着决定性的作用。在邻域半径的取值上,可以将邻域半径设为唯一值,也可以采用基于数据分布标准差的邻域计算方法。另外,重要度下限的设定对属性约简和约简子集的分类精度也有着重要的影响。在此采用邻近粗糙集前向贪心算法,优先保留重要度大的属性,从而可以排除计算中删除重要属性的可能性,以保证所得到的约简子集分类具有较高的准确率[14]。
3.1 前向贪心数值属性约简
在不影响决策系统能力的前提下,将决策系统中不必要、冗余的属性删除的过程称为约简。
给定一个邻域决策系统NDS=〈U,A,D〉,,a∈A-B,定义a相对于子集B的重要度[16]
式中,U为论域;A为属性集;D为决策属性;γB(D)为决策属性D对条件属性B的依赖度。
其中,PosB(D)表示邻域决策系统的正域。正域的数值可以反映分类问题在给定的属性空间里的可分离程度,正域越大,表明各类的重叠区域越少。
由式(1)可知,属性a对于决策属性D的重要度即为从条件属性集B中删除属性a后,决策属性D对条件属性B依赖度减小的程度。
前向贪心数值属性约简算法如下[14]:
(1)对决策表NDS=〈U,A,D〉,设置邻域半径集合,给出重要度的下限;
(2)a∈A,计算邻域关系Na;
(3)初始化约简集合,置Φ→red,其中red为属性约简子集;
(4)对任意ai∈A-red,计算SIG(ai,red,D)=γred∪a(D)-γred(D),定义γΦ(D)=0;
(5)选择ak,使其满足
(6)按正域的大小,从大到小依次计算重要度,比较重要度大小。若SIG(ak,red,D)>0,则red∪ak→red转步骤(4),否则,返回red,结束,输出属性约简子集red。
3.2 基于邻域属性重要度的齿轮箱特征优选
结合本实验数据的特点,应用以上特征约简算法进行优选,计算中重要度下限取0.05,结果见表2。最优特征子集由重要度大的前9个特征组成,信息压缩量达到75%。表2中,X(n)为离散信号序列,N为数据长度,f(n)为n时刻功率频对应的频率值,r(n)为残差信号。
3.3 优选特征的变化趋势分析
文献[15]中,对基于邻近粗糙集属性重要度的属性约简算法的准确性与泛化性进行了实验验证分析,结果证明了所提出的方法具有良好的推广性和泛化性。将最优特征子集输入到故障分类器中能够有效提高故障识别的准确率,各特征能很好地表征齿轮箱的运行状态。此处以重要度最高的特征10为例,分析优选特征随转速、负载和裂纹类型变化而变化的趋势,由此证明特征10作为优选特征的合理性。
分析转速和负载对正常、25%裂纹和50%裂纹齿轮特征10的影响,变化趋势如图2~图4所示。由图看出,各负载下不同裂纹齿轮的特征10的值都随转速的增大呈下降的趋势,其中尤以0负载下的变化最为明显;3种裂纹状态的齿轮在50%满负载下,特征10的值随转速变化最弱;4个转速变化区间中,特征10在转速45 Hz到50Hz区间内的变化幅度最大;通过与其他转速区间的对比可知,各工况下特征10的值随转速的增
分析裂纹和转速对正常、25%裂纹和50%裂纹齿轮特征10的影响,变化趋势如图5~图7所示。
从图5~图7可以发现,特征10随转速的增大呈现出递减的趋势,25%裂纹齿轮特征10的值最小,50%裂纹齿轮特征10的值最大,正常齿轮特征10的值始终介于两者之间;如图7所示,在满负载下特征10表现出较强的规律性,不同程度裂纹齿轮的变化趋势一致,说明高负载下更有利于通过特征10的变化判断齿轮箱运行状态。
通过额定转速下特征10随负载和裂纹增长的变化趋势分析可知,转速越高,负载对特征10的影响越大;在齿轮发生裂纹初期,特征10在各负载各转速下均呈现出下降趋势,在低转速下表现最为明显,这对齿轮裂纹早期监测具有一定意义。
4 基于特征优选与PCA相结合的齿轮箱故障特征融合
4.1 特征融合方案分析
为证明提出的特征优选方法在故障特征融合方面的优越性,以下按照两种方案进行故障特征融合分析。
4.1.1 融合方案一大,其下降速率也增长。
不经筛选将36种特征直接进行PCA融合,提取累积贡献率达到95%以上的7个主成分(累积贡献率达95.3148%),如图8所示。特征维数从36降到7,比例达到80%,在信息压缩方面成效显著[13]。
4.1.2 融合方案二
先按基于邻域属性重要度的特征优选方法从36种特征中选出重要度大的9个特征组成最优特征子集,将9维特征子集进行PCA融合,累积贡献率达95%的主成分如图9所示。方案二前6个主成分累积贡献率达到96.9982%,而方案一前7个主成分累积贡献率为95.3148%,特征维数降低了,而累积贡献率反而上升了。与方案一中的主成分1贡献率相比,方案二主成分1所占贡献率相对减少,其值为33.9380%,与主成分2比较接近。主成分1的贡献率降低,使得各主成分间贡献率更为平均,虽然特征维数的压缩量降低,但从侧面也表明最优特征子集各特征均含有较多的故障信息。
图10为方案二中利用PCA方法融合后的前6个主成分特征波形图。图10中,主成分1很好地结合了各参数对状态表征的优点,其变化趋势较为明显地表征了不同状态下的齿轮箱,对不同的工况敏感程度也较高。
将36个特征、方案一和方案二融合的结果分别输入到支持向量机中进行分类。在分类过程中,SVM分类器核函数采用径向基(RBF)函数,函数参数g=1/4,σ=2,采用一对多算法计算。PCA融合前后的故障诊断准确率见表3。
为避免结果的偶然性,同时用BP神经网络分类器进行结果比较。在比较过程中,BP神经网络采用三层结构,输入层节点个数为3,对应3种不同的故障状态,网络传递函数采用log-sigmoid函数,训练次数设为200,网络性能目标设为0.001。PCA融合前后的故障诊断准确率见表4。
对比表3和表4,将全部特征进行优选后进行PCA融合,之后输入SVM(BP)进行诊断,结果特征维数较没有进行优选之前有更大的降低,由7维降低到6维,但在诊断的准确率和分类器的运行时间方面更显优势,在准确率方面大幅度提高,达到98%(91%)以上,运行时间上显著缩短,充分证明了邻域属性对富含机械运行信息特征优秀的判断和选择能力。
4.2 分析讨论
图11和图12分别为齿轮箱实验方案一和方案二基于融合后前3个主成分所绘制的样本分布图。
3种不同状态的齿轮基本上可以通过前3个主成分特征来表征。文献[13]已经证明,不同状态的齿轮样本区分度较为明显且集中度高,只有正常齿轮在负载为0、转速为40Hz工况下的样本和25%裂纹齿轮在负载为0、转速为40Hz工况下的样本较难区分,如图11圆圈处所示。正常状态与25%状态的振动信号相似度较高,这也是早期故障检测的难点,且绘制参考仅为贡献率前3的主成分,其累计贡献率为81.1271%,含有原特征集合的故障信息量不高,也是导致图11中出现部分样本难以区分的原因。因而也提示在进行特征融合分析时,为保证诊断的精度,不宜对信息进行过度的压缩。而从图12来看,图中样本难以区分的情况明显较少,25%裂纹和50%裂纹齿轮在不同工况下分布非常集中,可区分度极高,由此可见,基于邻域属性重要度的故障特征选择能有效地克服不同转速和不同负载对故障识别的影响,有助于进行故障识别的推广和泛化。
5 结束语
