隶属度检验范文（精选3篇）

隶属度检验 第1篇

测土配方施肥是一项长期系统的工作,包括土壤样品采集化验、肥料效应试验、肥料校正试验、施肥示范等具体工作,其最后一步便是对耕地进行地力评价。耕地地力评价最基本的要求就是要确定各评价因子的权重和隶属度,计算耕地地力综合指数。通过拉萨市测土配方施肥耕地地力评价因子权重和隶属度的确定,为全面推广测土配方施肥技术提供依据。

1 耕地地力评价因子总集

耕地地力评价因子全国指标共包括气候、立地条件、剖面性状、耕层理化性状、耕层养分状况、障碍因素、土壤管理等7个大项。其中,气候包括≥0℃积温、≥10℃积温、年降水量、全年日照时数、光能幅射总量、无霜期、干燥度;立地条件包括经度、纬度、海拔、地貌类型、地形部位、坡度、坡向、成土母质、土壤侵蚀类型、土壤侵蚀程度、林地覆盖率、地面破碎情况、地表岩石露头状况、地表砾石度、田面坡度;障碍因素包括障碍层类型、障碍层出现位置、障碍层厚度、耕层含盐量、1 m土层含盐量、盐化类型、地下水矿化度;耕层养分状况(各营养物质含量)包括有机质、全氮、有效磷、速效钾、缓效钾、有效锌、水溶态硼、有效钼、有效铜、有效硅、有效锰、有效铁、交换性钙、交换性镁;土壤管理包括灌溉保证率、灌溉模数、抗旱能力、排涝能力、排涝模数、轮作制度、梯田化水平、设施类型(蔬菜地用);耕层理化性状包括耕层质地、容重、pH值、CEC;剖面性状包括剖面构型、质地构型、有效土层厚度、耕层厚度、腐殖层厚度、田间持水量、旱季地下水位、潜水埋深、水型。

2 拉萨市地评价因子的确定

根据上述耕地地力评价因子总集,选取拉萨市耕地地力评价因子。选取的因子应对耕地地力有较大的影响,在评价区域内的变异较大,在时间序列上具有相对的稳定性,因子之间独立性较强。

拉萨市耕地地力评价因子分为目标层(A)、准则层(B)、指标层(C)。目标层为耕地地力;准则层包括立地条件、理化性状、土壤养分、土壤管理;指标层包括海拔、剖面构型、耕层质地、pH值、全氮、速效钾、有效磷、有机质、灌溉指数、抗旱能力。

2.1 立地条件

立地条件是影响耕地地力的各种自然环境因子的综合,是由许多环境因子组合而成的。一是海拔。海拔是指地面某个地点高出海平面的垂直距离。拉萨市是西藏自治区政府所在地,农业区域位于西藏藏南中部稍偏东南,地处念青唐古拉山以南,雅鲁藏布江中上游北部及其支流拉萨河流域,平均海拔4 500 m以上,农业种植区域海拔在3 600～4 200 m[2,3],海拔的变化直接影响着农业种植品种及作物产量,耕地地力等级差别较大。二是剖面构型。土壤剖面构型是指各土壤发生层有规律的组合、有序的排列状况,也称为土体构型,是土壤剖面最重要特征。不同的剖面构型表现出较大的耕地地力差异。如良好土体构型土层深厚,无障碍层,为高产稳产土壤的土体构型;而极差的土体构型土层浅,漏水漏肥,作物产量很低。

2.2 理化性状

一是耕层质地。土壤质地对土壤养分的贮备和供应具有重要的影响,也影响肥料的效应。一般而言,土壤质地越黏重,土壤养分贮量越大,但供应强度却相对较低[4]。如对磷肥,土壤质地越黏重,磷有效性越低,应适当增施磷肥;土壤越黏重,有效钾含量越高,应适当减少钾肥投入。二是pH值。pH值实际上是水溶液中酸碱度的一种表示方法,应用范围在0～14,当pH值=7时,呈中性;pH值<7时,呈酸性,pH值愈小,酸性愈大;当pH值>7时,水呈碱性,pH值愈大,碱性愈大。pH值的大小直接影响作物种类、品种以及产业布局。

2.3 土壤养分

一是全氮。影响土壤全氮含量的主要因素有气候和人类生产活动。气温最高、降水少的地方,其全氮含量较低;农户耕作较为精细,其全氮含量较高。二是速效钾。土壤速效钾是作物可以直接吸收利用的钾素,其含量高低在很大程度上决定当季作物产量。农作物由低产向高产品种发展,高产品种面积不断扩大,耗钾素量不仅每年都有,而且呈现出逐年增加的趋势,导致土壤速效钾地域分布差异明显。三是有效磷。从作物营养和施肥的角度来看,土壤有效磷含量能比较全面地说明土壤磷素肥力的供应状况。土壤有效磷含量受土壤有机质和土壤质地的影响,呈现出明显的地域分布差异。四是有机质。一般来说,土壤有机质含量的多少,是土壤肥力高低的一个重要指标。由于人为生产活动对耕地土壤强烈影响,土壤有机质含量会产生较大差异。

2.4 土壤管理

一是灌溉保证率。灌溉保证率指灌溉用水量在多年期间能得到保证的概率,以正常灌溉供水的年数占总年数的百分比表示。由于各年降雨量、蒸发量、气温、湿度等气象和水文条件的不同,水源供水量和灌溉用水量都有差异。全市保灌面积只占全部耕地面积的60%左右,比例并不大,因此这也是耕地地力评价的1个重要因子。二是抗旱能力。全市年平均气温7.8℃,年平均降水量只有441.7 mm,是典型的高原河谷季风温凉半干旱气候区[3],且雨季主要集中在每年的79月,这对于基本上属一年一熟制的作物正常生长影响较大。随着我国经济社会的快速发展,对水资源的需求也在不断增加,同时,由于全球气候变暖导致极端气候事件发生几率增加,干旱灾害的发生可能会愈加频繁,其造成的影响和损失更加严重。

3 评价因子权重的确定

采用层次分析法来确定各评价因子的权重。例如:确定土壤养分是耕地地力的基础,设其权重为1;再根据理化性状对耕地地力的影响,可以确定理化性状权重为0.8;立地条件中,海拔高度直接影响作物的生长,其影响较土壤养分要大,可以考虑设权重为3;最后考虑到土壤管理比立地条件对耕地地力的影响稍弱,设其权重为1.5。对各因子的最后权重的确定,是通过对准则层和指标层2级分析来计算各指标在评价对象中的权重,具体层次分析结果见表1。而具体某个值产生的最终结果,还要由该值的隶属函数模型确定。

注:括号中数据代表权重,组合权重为评价因子所在权重与所属评价因子权重之积。

4 确定评价因子的隶属度

对定性数据采用特尔斐法直接给出相应的隶属度;对定量数据采用特尔斐法与隶属函数法相结合的方法确定各评价因子的隶属函数,将各评价因子的值代入隶属函数,计算相应的隶属度。耕地地力隶属函数及隶属度见表2。

注:有效磷、速效钾单位为mg/kg;有机质、全氮单位为g/kg;u为某指标值,c为某指标最佳值,ut为某指标的约束函数值,用于对指标值在指定情况下进行约束计算的规则。

5 结语

通过以上方法建立耕地地力评价因子以及确定权重、隶属度,可以根据各评价因子的空间分布图或属性数据库,将各评价因子数据赋值,利用土地利用现状图(比例尺为1∶5万)、土壤图(比例尺为1∶5万)、农田水利分区图、行政区划图及其他相关图件叠加形成的图斑作为评价单元。可以形成与粮食生产能力相对应的地力等级图,根据地力等级图可以划分并确定中低产田类型、面积和主要分布区域,从而为全面推广测土配方施肥技术提供了基础性的参考资料。

摘要：根据耕地地力评价因子总集,按照选取的因子应对耕地地力有较大的影响,在评价区域内的变异较大,在时间序列上具有相对的稳定性,因子之间独立性较强的原则,选取拉萨市耕地地力评价因子。结合拉萨市实际,确定各评价因子的权重、隶属度,为全面推广测土配方施肥技术提供依据。

关键词：耕地地力评价因子,权重,隶属度

参考文献

[1]农业部种植业管理司,全国农业技术推广服务中心.测土配方施肥技术问答[M].北京,中国农业出版社,2005(8):1-7,73-84.

[2]华南农业大学.地质学基础[M].2版.北京:中国农业出版社,1999:283.

[3]西藏自治区农业志编纂委员会.西藏自治区区志.农业志(终审稿)[M].拉萨:中国藏学出版社,2007:44-50,91-95,109-114,272-281.

隶属度检验 第2篇

关键词：煤炭检测：不确定性；注意问题

前言：我们生活中的许多方面都离不开煤炭，煤炭贯穿我们生活的方方面面。煤炭是一种复杂的混合物，其中含有许多化学成分，这些化学成分包括硫等无机物同时也包含许多有机物，通过对煤炭成分的研究，我们可以具体的分析各种构成煤炭的化合物的成分以及百分比，但是，在煤炭的检测中存在着不确定性，导致我们不能精确地对其成分做出检测。我们主要分析煤炭的检测过程中不确定性存在的影响。

一、做检测中的不确定性概述

很多人都简单的将不确定性理解为误差，其基本含义是大至相同的，都是在煤炭的检测过程中由于各种原因导致与实际结果差距的数值。但是在煤炭的检测中，不确定性并不是普通的误差而已，我们首先来解释误差的概念，误差分为几种不同的形式表现：偶然的，系统的，和粗差。误差实际上就是对检测结果会造成影响的干扰项，也可以说误差就是错误的信息导致的错误的数据，误差在有些时候还会和精确度联系在一起，其意义是表明一项测验可以得到的极值。这些称呼的含义其实上就是误差的极值，误差最容易被人们理解也是最本质的概念是测量的数值和被测物质真实数值之间的差距，在化学的计量方面，误差的值为标准差的值。和误差的概念有所区分，不确定性是不能具体的被人们所度量到的，误差其实是包含在不确定性的概念中的，随着识别系统的发展，有些造成干扰的错误选项无法简单的用误差来衡量，因为误差只是可以用来表示具体的数值，但是却无法表示非数值。所以，我们引用了不确定性的概念。类别和类别之间是不可以用数值来表示的，但是，这种不同，我们又不可以将其忽略，所以，我们就引进了不确定性的概念。不确定性其实就是广义的误差，它是不可以衡量的，是可以传播的。是以人们的具体认识而可以随时改变的。

二、不确定性检测中应该注意的事项

煤炭的不确定性的评测，可以大致的分为两种方法，我们称第一种方法为A类评定，第二种方法为B类评定，这两种方法不同，要注意的事项也是有所差别的，我们先来分析第一种评定方法。

1、第一种检测方法要注意的问题。第一种评定的方法在具体的评定过程中一般被要求检测两次，很多的计量方面的人员一般直接根据两次的评定结果计算来确定评定的不确定性，这恰恰是一种错误的看法。因为在这两次重复的计量和测验中，虽然计量人员已经努力的确定了对照的成分的不改变性。但是在煤炭的化学成分的检测中，一点点不同就可以造成两次实际检测结果理论上的不同，这细微的差别包括溶液的浓度，样品浓度的分布状态，同一种容器被称量的误差，甚至容器的细微差别都会导致两次测量结果的不同，有很多的时候，进行两次相同的实验总是会导致两次实验结果理论上的不同，但是如此细微的差别测量人员是注意不到的，这就会造成实验的无规律性，计量人员在测量的数值中得不到真正有用的，精准的信息，也无法确定到底哪一次是对的，所以，进行两次检测反而会干扰本来正确的信息，因此，建议计量人员在进行A类检测评定时用一次实验来判定检测的不确定性就可以了。

2、第二种检测方法要注意的问题。第二种评定的方法主要是先在进行测量前通过计算机输入各种物质不确定性的标准数值，然后再根据这些数值与进行具体的操作所得到的数值做对比，从而得出正确的检测结果，这种方法在对某—物质的不确定性输入标准的数值的时候，都是按照预先规定好了的数值以及种類进行计算与分析，一般来说比较精准，但是有时会出现一些比较特别的情况，比如说：测量用于火箭发射的设备的所散发出的热量的不确定性进行测量的时候，往往会输^设备的质量，包装的的物质产生的热量，以及检测物品的质量，检测设备中内部的水的质量，但是，在实际的检测中，并没有水的质量这个测量的不确定性，所以在开始输入数据时，就不用输入检测物中水的质量，第二种检测中应该注意这种特殊现象的存在，这时候此项不确定量的计算应该合并进入其他的项目中去。

3、检测报告应注意的问题。首先，检测报告具有一定的不确定度的要求，只有少数的检测报告可以采用标准不确定度进行测量得到数据。绝大多数的检测报告都是使用扩展不确定度进行检测与编制的。第二点就是检测报告对有效数字的位数也有严格的要求。有效数字是指对于近似数来讲.从左边第一个不是零的位数开始写起，到规则所要求的数字结束的位数，检测报告中对于有效数字的要求一般是取一位或者两位的有效数字，但是很多的检测报告都是取了更多的有效数字，三位甚至是四位，有的检测报告在应有的数字后加了两个零，这无疑是不符合标准与违反规定的，有效数字体现了一份检测报告的精准性以及计量检测人员的数学方面的专业素养，所以，在检测报告的书写中，一定要注意检测报告的有效数字的位数问题。在具体的检测过程中主要应该注意的问题还有很多的检测中应该注意的细节问题，但是以上所指的在两类评定方法中常犯的问题以及在检测报告中常见的问题是很多的计量检测人员常犯的问题，对此，应引起足够的重视。

结束语：通过本文文字的解析，我们可以理解与区分不确定性与误差的概念，并且，在实际的操作计量过程中，我们所用的两种检测方法往往会面临相对应的问题，本文所提出的这些问题应该引起足够的重视，并且，加强检测的科学性与检测报告的严谨性。做到，能够严谨的，系统的检测煤炭检测中面临的不确定性的问题。

隶属度检验 第3篇

1 基于PCA的人脸特征的描述和提取

1.1 图像的数学描述

人脸都含有自己的内在特征,人脸识别的关键在于寻找这些内在特征。

将一幅人脸图像表示成一个m维列向量,其中m=图像的像素数=widthheight=wh,即将第i个样本的灰度图像表示成向量

x=[x1,x2,,xm]

的形式。设有M个人,每个人有n幅图像,即有N=Mn个样本。

1.2 小波变换人脸图像去噪声、数据压缩

小波变换(Wavelet Transform)相当于滤波器的作用,每次把图像分解为长度减半的一个低频分量和一个高频分量,而总的数据量未变,其中低频分量为平滑部分,高频分量为细节部分。利用小波函数将图像信号通过多分辨率分析推广到二维情况[3]。将二维数字信号(即数字图像)Xwh看作sf(h,w),即

undefined

其中,Φ(x,y)为二维尺度函数:Φ(x,y)=Φ(x) Φ(y),Φ(x),Φ(y)是多分辨率空间{V2j}j∈Z的一维尺度函数。对人脸图像小波分解的物理意义如图1所示,图1(a)表示原始的人脸图像,图1(b)表示对一幅人脸图像进行1级小波变换分解得到的结果,图1(c)表示对一幅人脸图像进行2级小波变换分解得到的结果。

从图1可见,虽然对数据进行了压缩,图像依然清晰度很高,即虽然图像的信息容量有所减小,但小波域的能量并未减小很多,图像的信息量仍然很大,可以进行下一步的特征提取。

1.3 PCA人脸识别过程

主元分析(Principal Component Analysis简称PCA)是一种基于代数特征的人脸识别方法,在人脸识别技术中也叫“特征脸”方法。它的思想是通过线性变换找一组最优的单位正交向量基(即主元),用它们的线性组合来重新表示原样本,并使新样本和原样本的误差较小。完整的PCA人脸识别过程如下:

(1) 读入每一个二维的人脸图像数据阵并转化为一维的列向量。将第i幅人脸图像看作一个一维向量,记为xi。

(2) 利用K-L变换[4],计算生成矩阵∏。将训练样本的总体散布矩阵S作为生成矩阵。

undefined

其中,undefined为训练样本集的均值向量,M为训练样本的总个数,undefined

则有:

undefined

(3) 计算生成矩阵∏的特征值。显然∏是对称半正定的,所以它所有的特征值都是非负的。将 其 特征值按非升序排列,然后依照公式undefined选取前t个特征值对应的特征向量,它就构成了降维后的特征脸子空间。

(4) 把训练图像和测试图像向(3)中的特征子空间作投影,得到的投影系数向量就是所要提取的特征向量。

(5) 把训练投影向量与测试投影向量的比较归类,实现人脸图像的识别。可以采用多种不同的分类器进行识别,如曼哈顿距离、最小距离分类器、贝叶斯分类器等。本文设计了基于图像隶属度的模糊分类器。

2 图像隶属度的构造

2.1 向量隶属度

定义1 在某向量空间中有m类线性子空间Φi(i=1,2,,m),设{eundefined}(j=1,2,,ni)为其子空间Φi中一组基向量,X是该向量空间中任一向量,则定义向量X隶属于Φi的隶属度uΦi(X)为:

undefined

其中λundefined为任意实数,‖‖为向量范数,简称uΦi(X)为向量隶属度。

2.2 图像隶属度

如果用图像的特征向量来描述图像,那么所有图像的特征向量就构成了特征向量空间。就该空间而言,前面叙述的未知图像归类问题等价于将某一向量归属于其某类图像子空间的问题。因此,基于图像的代数特征,推广向量隶属度,得到下述定义:

定义2[5] 设已知Ωi类图像矩阵为{Aundefined}(j=1,2,,Ni)。未知图像的矩阵为C,它们相应的特征向量分别为{Xi}(j=1,2,,Ni)及r,则定义未知图像归属于Ωi的程度uΦi(r)为

undefined

简称为图像隶属度。

2.3 图像隶属度的计算

图像隶属度的计算步骤如下:

(1)A为测试集中某类人脸图像的投影向量。

(2)B为测试集中待测样本的投影向量。

(3)对A进行QR分解,即A=QR。其中Q是rr的正交矩阵,R是上三角矩阵。

(4)计算其中C为n维列向量,D为r-n维列向量。

undefined即是所求的测试样本对该类图像的图像隶属度。

3 算法流程

本文将一个人脸图像矩阵看作一个向量,通过引入模糊数学中的隶属度的概念,定义了一个新的隶属度函数图像隶属度,提出了基于图像隶属度的主元分析人脸识别的方法。在结果处理中利用最大隶属原则进行人脸分类识别。基本步骤如下:

(1) 读入人脸库。

(2) 人脸图像通过小波变换预处理。

(3) 构造生成矩阵∏。

(4) 计算(2)中矩阵的特征值和特征向量,生成特征子空间。

(5) 分别计算训练集和测试集在特征子空间上的投影向量。

(6) 计算图像隶属度,进行图像识别。

4 实验结果及分析

本文采用ORL人脸数据库验证所提出的算法。该数据库由40人的400幅灰度图像组成,每个人有不同表情或不同视点的10幅图像。这些图像为灰度图像,倾斜角一般不超过20度,分辨率为11292像素。在每个人的10幅图像中依次取3幅和5幅图像作为训练样本对系统进行训练,在每类图像中各取2幅图像组成测试集。

这里仅给出5类人脸(用A～E表示)的计算数据,如表1和表2所示。表中XKi表示测试集的图像,K={A,B,,E},i=1,2。错误识别的图像隶属度下加下划线表示。

对ORL人脸库400幅人脸采用本文提出的算法进行识别,训练样本为3幅和6幅图像,正确识别率分别为78.7%、89.5%。从实验中可以看出,人脸图像的外部因素(戴有眼镜,装饰品等)、训练集中每类图像的个数、人脸图像面部表情与姿态、测试图像个性特征等因素直接影响识别率和判断隶属度的区分度。从表1和表2的对比分析可以发现增加训练集中每类人脸图像的个数,可以有效提高图像识别率和隶属度的区分度。同时在保证训练图像个数的前提下,类别数量的增加,对识别率和图像隶属度的区分度影响不大。

摘要：提出了基于图像隶属度的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间。计算训练样本和待测样本在人脸特征空间中的投影向量间的距离。引入图像隶属函数,作为识别分类器进行人脸识别。针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力。

关键词：人脸识别,隶属度,主分量分析(PCA),特征向量

参考文献

[1]BRUNELL R,POGGIO T.Feature recognition:Features versus tem-plates[J].IEEE Trans.Pattern Analysis and Machine Intelligence,1993,15(10):1042-1052.

[2]TURK M,PENTLAND A.Eigenfaces for Recognition[J].J.CognitiveNeuro science,1991,3(1):71-86.

[3]曹林,王东峰,邹谋炎.基于小波变换和隐马尔可夫模型的人脸识别方法[J].计算机工程与应用,2005(7):18-23.

[4]彭辉,张长木,等.基于K-L变换的人脸自动识别方法[J].清华大学学报:自然科学版,1997,37(3):67-70.