一、主成分分析(PCA)和聚类分析(CA)方法在SWB数据分析中的应用（论文文献综述）
邱彦超[1]（2021）在《绿豆产地溯源指纹信息筛选、融合与判别研究》文中研究表明近年来,我国食品安全治理框架日趋完善,但食品真实性问题依然备受关注,食品真实性溯源技术急需发展,技术问题有待突破,目前食品真实性溯源技术方法还都没有形成标准。提高近红外光谱产地溯源技术和矿物元素产地溯源技术产地判别率是目前国内外研究的重点,尤其对于小范围来源样本。本实验以吉林省白城市、山东省泗水县、黑龙江省泰来县和杜蒙县2018年和2019年的120份绿豆为研究对象。采用傅里叶漫反射近红外光谱仪对样品进行扫描,结合主成分分析、偏最小二乘判别分析（PLS-DA）筛选出与产地相关的近红外光谱溯源指纹信息,对不同产地绿豆进行近红外光谱产地溯源判别研究。为筛选与产地相关的矿物元素产地特征因子,采用电感耦合等离子质谱仪（ICP-MS）测定样品中52种矿物元素含量,通过单因素方差分析（one-way ANOVA）,年份、品种和产地之间交互作用分析筛选出与产地直接相关的特征矿物元素,结合主成分分析（Principal Components Analysis,PCA）和判别分析（Linear Discriminate Analysis,LDA）验证筛选到的特征矿物元素产地溯源有效性,并探究样本来源产地距离和样本数量对产地溯源结果的影响。为进一步提高产地溯源准确性,将提取到的近红外光谱指纹和矿物元素特征因子进行数据融合,建立偏最小二乘判别分析模型对绿豆产地判别。研究结果如下:（1）在绿豆近红外光谱产地溯源指纹提取与判别研究方面:通过对4个产地绿豆近红外光谱扫描,采用主成分分析法提取特征波长,得到前3个主成分累计贡献率达到92.17%。筛选到3个主成分所包含近红外光谱特征指纹信息。定量分析中通过比较5种预处理方法建立模型的准确性,得出矢量归一化+多元散射校正（MSC）光谱预处理方法建立的偏最小二乘判别分析模型最稳定,对4个产地绿豆的整体判别率为90%,4个产地正确判别率分别为白城100%、杜蒙80%、泰来80%、泗水100%。说明近红外光谱溯源技术用于绿豆产地溯源是可行的,但对于杜蒙和泰来小距离范围绿豆判别准确率有待近一步提升。（2）在绿豆矿物元素产地溯源指纹筛选与判别研究方面:通过对4个产地绿豆矿物元素含量单因素方差分析,年份、品种和产地之间交互作用及各因素方差变异贡献率分析,得出绿豆中元素P、K、Mg、As、Na、B、Ba、Mn、Co、Se、Cs、Pb、Ca、Sr、Cu、Zn、Sn、Lu、Cr、Pt、Pd 含量与产地密切相关,元素 Al、Ni、Cd含量与年份密切相关;元素Fe、Rb、Mo、Ag、La含量与品种密切相关。将筛选到的21种与产地直接相关的特征矿物元素采用主成分分析和Fisher判别分析,对4个产地的整体判别率为96.7%,交叉验证判别率为93.3%,4个产地原始正确判别率和交叉验证判别率分别为白城100%、96.7%,杜蒙90%、83.3%,泰来96.7%、93.3%,泗水100%、100%。说明筛选的矿物元素产地特征因子可以对4个产地绿豆进行区分,但对于小范围溯源样本判别率有待提升。因此上述研究表明,样本溯源范围是影响溯源结果的重要因素。通过研究样本产地距离和样本数量对溯源结果的影响得出,样本来源产地距离与判别准确率成正比关系,样品数量与判别准确率成正比关系。（3）在特征近红外光谱与矿物元素信息融合对不同产地绿豆溯源研究方面:将提取到的3个近红外光谱溯源特征指纹和筛选到的21种与产地直接相关的矿物元素特征因子进行融合,结合4个产地120个样本,得到24120数据矩阵,采用偏最小二乘判别分析,对4个绿豆产地整体判别率达到了 100%。相比较单一技术产地溯源模型,融合模型具有更佳的判别适用性和准确性。有效提升小范围样品产地判别效果。
祁晓博[2]（2021）在《区间型数据的表示及分类》文中研究说明区间型数据是一种常见的定量符号数据,它可以从全局把握数据对象的内在结构特征,对揭示隐含在数据内部的不确定性规律具有重要的科学意义.然而区间型数据结构的特殊性,使得计算机无法直接对其进行处理,所以区间型数据分析的前提是对它进行合理的数值表示.研究者提出的区间型数据表示方法在转化为数值表示时,常选用区间中值或区间上下界,这种数值表示要么仅考虑位置信息,要么仅考虑大小信息,缺乏区间型数据的整体结构特征信息.另外,这些表示方法也不考虑区间型数据特征值的内部分布,造成区间型数据的结构信息不够准确,进而影响区间型数据的分析结果,所以关于区间型数据的表示方法还有待进一步深入研究.本文从均匀分布和非均匀分布两种情况系统深入地研究适用于区间型数据的表示方法,然后将提出的表示框架用于区间型数据的分类任务.本文的主要研究工作如下:（1）提出一种统一框架下的区间型数据表示及分类方法URF＿SU.该方法构造一种融合位置信息与大小信息的区间型数据统一表示框架,通过调节因子均衡区间中值与区间半径之间的关系,并将已有的表示方法纳入其中.面向分类任务中的特征选择,在统一表示框架达到稳定后,采用均衡增益值对每一维特征与类别之间的相关程度进行量化,按量化后的相关程度对特征进行降序排列,选择相关程度大的特征迭代更新特征子集.由于统一表示框架下的区间型数据具有较为完整的结构信息且经过特征选择,所以提出的URF＿SU方法能够提高模型的分类性能.（2）针对区间型数据的属性值缺失问题,提出一种统一表示框架下的不完全区间型数据分类方法RKNN.首先利用区间型数据的特性,设计一种处理不完全区间型数据的组合规则.该规则不需要提前设置缺失项的删除比例,而是自动判断缺失样本的填补或删除.然后将每维特征中至少含一个缺失值的样本删除,同时对余下的样本在与之相同类别的完全区间型样本集中用近邻填补.最后将填补好的缺失样本加入到完全区间型样本集中,为之后的缺失样本提供可靠的填补保障.RKNN方法具有较高的填补率和积极的填补效果,且分类性能也很好,进而该方法能够用于解决高维和特殊分布数据集上的属性值缺失问题.（3）针对有明显聚集性的内部非平衡区间型数据,提出一种样本空间下的区间型数据表示及分类方法AGURF.由于内部非平衡区间型数据的结构信息已经发生改变,所以首先定义了区间型数据内部非平衡的三种形式,然后从样本空间角度重新衡量区间型数据的内部结构,提出一种样本空间下的自适应通用统一表示框架.该方法对同一类别的样本进行聚类,在每个样本聚类簇中,通过偏移方向和偏移距离确定每个样本的偏移中心,同时为不同类别的样本自动设置一个自适应因子以平衡偏移中心和半径之间的关系.最后在该框架下对内部非平衡区间型数据进行分类.AGURF方法在保持高分类精度的同时具有较好的运行效率.（4）针对高维或无明显聚集性的内部非平衡区间型数据,提出一种特征空间下的区间型数据表示及分类方法FAGURF.该方法构造一种特征空间下的自适应通用统一表示框架,对同一类样本的每一维特征进行聚类,在每维特征的不同聚类簇中,获得每个样本的偏移方向和偏移距离并确定它的特征偏移中心.此外,为同一类样本的不同特征自动设置一组特征自适应因子,以避免特征之间差异过大引起的误差.该框架同样用于内部非平衡区间型数据的分类.FAGURF方法在具有良好的分类精度和运行效率的基础上,比AGURF方法的适用范围更广.本文从均匀分布和非均匀分布两种情况下提出了相应的区间型数据表示框架并将其用于分类任务,提高了分类性能和效率,丰富了区间型数据的理论与应用范畴,为区间型数据的分析提供了一种新的研究思路,在决策支持中具有一定的理论意义和应用价值.
王玉荣[3]（2021）在《酸粥细菌多样性及其风味品质形成机制研究》文中进行了进一步梳理本研究分别对广西、山西和内蒙古地区98份农家自制酸粥细菌群落结构、理化营养品质及二者关联性进行了解析,同时使用传统微生物学与分子学技术相结合的手段对其中优势菌属进行了分离鉴定及保藏,并对分离出的罗伊氏乳杆菌开展了比较基因组学与多位点序列分型研究,以探究菌株对环境的适应性。为初步探究酸粥发酵过程中风味形成机制,本研究在对分离出的可食用菌株进行生长特性、发酵特性筛选的基础上进一步使用非靶向代谢组学监控发酵过程中有机物变化。论文的主要研究内容及结果如下:（1）高通量测序显示酸粥中的细菌主要属于乳杆菌属（Lactobacillus）、醋杆菌属（Acetobacter）、芽孢杆菌属（Bacillus）、梭菌属（Clostridium）和魏斯氏菌属（Weissella）。山西和内蒙古样品的细菌群落组成和感官品质相似,但与广西样品有着显着差异（p<0.05）。PICRUSt分析表明,酸粥中的基因功能主要与碳水化合物和氨基酸代谢有关,优势菌属与滋味及气味指标相关性显着（p<0.05）。酸粥富含氨基酸,有机酸和可溶性固形物,且广西样品中的含量显着高于山西和内蒙古样品,不同地区酸粥p H范围为3.00-4.00。（2）采用纯培养技术从98份酸粥中分离出隶属于15个属24种的乳酸菌,共计262株,其中Limosilactobacillus fermentum和Lacticaseibacillus paracasei为优势乳酸菌。Limosilactobacillus reuteri MH1序列与罗伊氏乳杆菌现有菌株间相似度最高仅为98.37%,其装配基因组大小为1.99 Mbp,蛋白质编码序列1,927条,基因组DNA的G+C含量为38.7 mol%,序列中亦包含13个GIs,2个原噬菌体序列,1个CRISPR以及1个T3PKS。MH1与罗伊氏乳杆菌模式株的形态、大小及分解碳水化合物能力间均存在差异。对不同来源211株罗伊氏乳杆菌进行比较基因组及MLST分析发现L.reuteri MH1的持家基因ddl、leu S、pep X和rpl B基因位点在进化过程中受到纯化选择作用,分离源对L.reuteri不同菌株间亲缘关系间的影响要大于分离地区。（3）依照卫生部印发的《可用于食品的菌种名单》,从262株乳酸菌中选择177株进行酸粥纯种发酵。采用电子舌、电子鼻和感官鉴评相结合的方法对其制备酸粥品质进行了评价,综合考虑菌株分解淀粉、产胞外多糖以及产酸等生长特性,菌株Lacticaseibacillus paracasei G5-2最适宜发酵酸粥。（4）采用气相色谱-离子迁移谱和液相色谱-串联质谱联用技术对Lacticaseibacillus paracasei G5-2发酵酸粥品质的动态变化进行了评价。不同发酵时间酸粥样品中共检测出51种挥发性化合物,其中醛类的相对含量远高于其他有机物且在整个发酵过程中波动较大。LC-MS检测出809种可定性定量的有机物,注释到KEGG上的通路数目为157条,其中富集程度较大且较显着富集的谢通路有13条,包含40个关键差异代谢物,其中L-谷氨酸、L-天冬氨酸、L-精氨酸和L-酪氨酸参与的关键代谢通路数量最多。酸粥发酵过程主要通过氨基酸及其衍生物代谢、淀粉和糖代谢等形成其特殊风味。
许昀晖[4]（2021）在《家畜乳质谱指纹特征和真实性判别模型研究建立》文中认为现代质谱仪产生大量的质谱数据（质谱指纹）,通常用于鉴定纯物质或复杂体系全部或组分的分子种类和构成,这需要很专业的分析并相当费时。直接利用质谱指纹实现复杂成分食品真实性的判别及产品追溯无疑是创新的方法学研究。本研究旨在探索六种家畜乳的质谱指纹特征,并试图建立基于乳脂肪质谱指纹的家畜乳真实性判别模型。采集蒙古马（马）、荷斯坦牛（牛）、双峰驼（驼）、山羊、牦牛和水牛乳代表性样品56份,正己烷提取乳脂肪,超临界流体色谱-四极杆-飞行时间质谱仪（SFC-Q-TOF-MS）进行电喷雾电离源正离子模式（ESI+）质谱采集,得到总基峰色谱图（BPI）和总质谱指纹图（MS）。鉴定六种家畜乳脂肪中的甘油三酯分子（TAGs）进行PCA分析,作为标准对比评价质谱指纹的聚类效果。对BPI和MS图进行有效保留时段、特定质荷比及分子离子相对丰度等三维度截取,获得多组质谱指纹数据,进行主成分分析（PCA）和层聚类分析（HCA）。同时也鉴定六种家畜乳脂肪中的甘油三酯分子（TAGs）,进行PCA分析,对比评价质谱指纹和化学指纹对乳样的聚类效果。最后,选择聚类效果最好的质谱指纹和PCA条件参数建立SIMCA模型。BPI图显示六种家畜乳存在明显的物种差异,提示以色谱指纹建立物种真实性判别可行。六种家畜乳正己烷提取物共鉴定出113种TAGs,分子量在470～880之间,PCA分析乳样以物种聚类,以此结果为标准,直接对质谱指纹进行PCA分析,观察各质谱段对乳样的聚类效果,并选出截取效果最优段。BPI图截取保留时间5～14min段,MS图横轴截取乳TAGs分子离子480～910 m/z段,纵轴截取相对丰度30%以上,获得变量数（分子离子及碎片）3092个的质谱指纹,进行PCA分析效果最佳,聚类特征符合物种分类学规律。马乳、双峰驼乳与牛科家畜乳分别在空间三个不同相区聚类;牛科的牛、牦牛、水牛和山羊乳聚类很近,聚类距离符合牛属（牛和牦牛）、水牛属和山羊属的分类,基本达TAGs聚类分析的效果。发现有机和非有机荷斯坦牛乳分开聚类,提示乳TAGs和脂肪酸指纹不同。HCA分析与PCA结果一致。以本次研究最佳指纹截取和PCA参数建立SIMCA模型,进行家畜乳物种判别,内部和外部验证准确率分别为100%和95%,证明用乳脂肪质谱指纹进行家畜乳真实性的快速判别可行,为家畜乳真实性判别和追溯提供了一种创新思路、策略和技术。
刘洪林[5]（2021）在《基于多元素稳定同位素及其比值特征的茶叶产品证实技术研究》文中提出食品认证已经引起了全世界的关注,品牌保护、错贴标签、产地错配是食品认证的重要参数。茶是世界上最常见的饮料之一,人们对茶叶产品的证实一直很感兴趣。茶叶产品的配方、生产年份和产地是茶叶产品证实最关注的的几个方面。迫切需要加强对茶叶产品的证实,使用判别性的科学技术来管理和验证。采用电感耦合等离子体质谱仪（ICP-MS）、电感耦合等离子体发射光谱仪（ICP-OES）、元素分析仪-稳定同位素比率质谱仪（EA-IRMS）和气相色谱-燃烧-稳定同位素比值质谱仪（GC-C-IRMS）方法对不同配方的重庆沱茶产品、2014年至2018年5个年份普洱茶茶样和永川、秀山、万州、江津、荣昌和宜宾6个产地的茶叶样本的矿质元素及其稳定同位素、多稳定同位素比值和咖啡碱及6种主要游离态氨基酸的δ13C和δ15N指纹进行了分析。对茶叶产品中这些指标的变化规律及机制进行了分析,对结合矿质元素及其稳定同位素、多稳定同位素比值和咖啡碱及6种主要游离态氨基酸的δ13C和δ15N指纹对茶叶产品（配方、生产年份和产地）的证实可行性和效果进行了研究,继而建立茶叶产品证实技术体系和指标体系。四种方法在茶叶中具有较好的适用性,灵敏度高,线性范围宽,精密度和准确度良好。不同配方、不同生产年份和不同产地的茶叶中矿质元素及其稳定同位素具有显着性差异（P<0.05）,具有各自不同的矿质元素及其稳定同位素指纹特征。采用矿质元素及其稳定同位素指纹技术对茶叶产品证实是可行的。各模型预测准确率达到90%以上,验证准确率达到88%以上。LDA和BP-ANN证实性能最优。114Cd、95Mo和85Rb是证实不同配方茶样最重要的化学标记;Mn、68Zn和203Tl是证实不同生产年份茶样最重要的化学标记;86Sr和112Cd是证实不同产地茶样最重要的化学标记;可作为茶叶产品证实的有效的指标体系。不同配方、不同生产年份和不同产地的茶叶具有不同的多稳定同位素比值指纹特征,采用稳定同位素比值指纹技术对茶叶产品的证实是可行的。各模型预测准确率达到90%以上,验证准确率达到85%以上。LDA和BP-ANN证实性能最优。因此,多稳定同位素比值组合建立的判别模型可以有效的进行茶叶产品证实。使不同配方的重庆沱茶证实的最重要的化学标记为δ2H、18O、98Mo/95Mo、96Mo/95Mo和98Mo/96Mo;δ2H、δ13C和154Sm/152Sm是不同生产年份茶样证实最重要的化学标记;δ2H、138Ba/137Ba、205Tl/203Tl、δ15N、88Sr/86Sr和154Sm/152Sm为不同产地茶样证实最重要的化学标记;可作为茶叶产品证实的有效的指标体系。茶叶中咖啡碱和6种主要游离态氨基酸的δ13C和δ15N分析方法验证效果好,适合茶叶中分析。不同配方、不同生产年份和不同产地的茶叶具有不同的咖啡碱和6种主要游离态氨基酸的δ13C和δ15N指纹特征,采用咖啡碱和6种主要游离态氨基酸的δ13C和δ15N指纹技术对茶叶产品的证实是可行的。各模型预测准确率达到85%以上,验证准确率达到85%以上。BP-ANN证实性能最优。因此,咖啡碱和6种主要游离态氨基酸的δ13C和δ15N组合建立的判别模型可以有效的进行茶叶产品证实。使不同配方的重庆沱茶样品证实的最重要的化学标记为δ13CSer和δ15NSer;使不同生产年份茶叶样品证实的最重要的化学标记为δ15NThea、δ13CGlu和δ15NGlu;不同产地茶叶样品得到证实的最重要的化学标记为δ15NAla和δ13CThea;可作为茶叶产品证实的有效的指标体系。通过比较不同的指纹特征,发现茶叶产品证实效果的矿质元素及其稳定同位素、多元素稳定同位素比值和咖啡碱及6种主要游离态氨基酸δ13C和δ15N结合组合>矿物元素及其稳定同位素值组合>多稳定同位素比值指标组合>咖啡碱和6种主要游离态氨基酸δ13C和δ15N值组合。矿质元素及其稳定同位素、多元素稳定同位素比值和咖啡碱和6种主要游离态氨基酸δ13C和δ15N结合在茶叶产品证实具有优越性,各模型证实性能相当且优异,能提高整体正确证实率。筛选出95Mo、δ15NSer、133Cs、δ13CSer、Co、85Rb、P、La、172Yb、47Ti/46Ti、112Cd和88Sr/86Sr为结合136个变量证实不同配方茶叶产品的最重要的化学标记,K和85Rb为结合110个变量证实不同生产年份茶叶产品的最重要的化学标记,δ2H为结合134个变量证实不同产地茶叶产品的最重要的化学标记,茶叶产品证实的指标体系进一步筛选并建立。化学计量学方法（HCA、PCA、PLS-DA、BP-ANN和LDA等）是茶叶产品证实指标筛选及判别模型建立不可缺少的数学工具,不同方法对茶叶产品证实效果不一,使用前提条件需要仔细考察。本研究的结果为茶叶产品证实提供了技术支撑;同时,本研究的研究方法和结果对于其他食品,尤其是植源性产品的证实研究亦有重要的借鉴意义。
朱春苗[6]（2021）在《松花江流域中长期径流预报研究》文中研究说明潜在预报因子的选取是将数据驱动的径流预报模型应用于实际工程的关键问题之一。国内外研究学者多聚焦于预报模型的优化与改进、模型参数优化方法的研究和不同预报模型、不同参数优化方式的对比分析,而对于因子优选方案的综合对比分析及其适用性的研究较少。为提取更多有效的预报信息从而提高模型的模拟精度,本文引入74项大气环流指数,与流域代表站点的降水、径流水文序列一同参与径流预报输入因子的优选,以相关分析法（CA）、基于相关分析的主成分分析法（CA-PCA）、互信息法（MI）及基于互信息的主成分分析法（MI-PCA）4种因子优选方案下不同筛选结果作为多元线性回归法（MLR）、支持向量回归模型（SVR）、BP神经网络模型（B P）的输入,对松花江流域佳木斯水文站的月平均流量进行预报,得出适用于松花江流域径流预报的潜在影响因子筛选方案与预报模型。主要结论如下:（1）在松花江流域上,径流与大气环流指标间存在明显的空间特征,其相关性从上游到下游逐渐增加。前滞期为1个月时的大气环流指标、上游三站（扶余站、大赉站及哈尔滨站）月平均径流量和佳木斯站月平均降雨量与佳木斯月平均径流量相关性最大,确定大气环流指标和水文影响因子的最佳预报前滞期均为一个月。（2）在MLR模型下,预报效果MLR-CA-PCA>MLR-CA>MLR-MI-PCA>MLR-MI。CA方案中,预报效果MLR-CA7>MLR-CA4>MLR-CA3,但合格率均未达到丙等水平,整体效果并不理想;CA-PCA方案中,MLR-CA-PCA4拟合效果最优,MLR-CA-PCA3与MLR-CA-PCA7拟合曲线基本重合,三组方案预报结果达到了丙级预报水平;MI与MI-PCA效果较差。在SVR模型下,预报效果SVR-CA-PCA>SVR-CA>SVR-MI-PCA>S VR-MI。CA方案中,SVR-CA7>SVR-CA3>SVR-CA4,其中SVR-CA7的QR为71.67%,达到乙等水平;CA-PCA方案中,SVR-CA-PCA7>SVR-CA-PCA4>SVR-CA-PCA3,其中SVR-CA-PCA7的QR为73.33%,达到乙等水平,相较于其它两种方案明显变好;MI与MI-PCA效果也较差。在BP神经网络模型下,预报效果BP-CA-PCA>BP-CA>BP-MI-PCA和BP-MI。CA方案中,BP-CA3>BP-CA7>BP-CA4;CA-PCA方案中,BP-CA-PCA7>BP-CA-PCA4>BP-CA-PCA3,其中BP-CA-PCA7的RMSE为827.58m3/s,R2为0.81,Q R为78.33%。MI与MI-PCA效果同样较差。（3）CA优选因子方案,在SVR模型的拟合下取得了最好的预报效果,其次为BP神经网络模型,最后为MLR模型。CA-PCA优选因子方案,在BP神经网络模型的拟合下取得了最好的预报效果,其次为SVR模型,最后为MLR模型。CA与CA-PCA最佳拟合方案均为输入因子为7项时的因子组合。MI与MI-PCA两种因子优选方案选出的因子组合在三种径流预报模型的拟合下,拟合效果均不理想。（4）得到最优预报结果的模型为BP神经网络模型,输入因子组合为CA-PCA7。其次为输入因子组合为CA-PCA7的SVR模型。
黄礼泊[7]（2021）在《脑神经峰电位分类的关键技术研究》文中研究说明神经信号的胞外采集和峰电位分类是研究神经系统协同作用的基础。然而与胞内采集到的单一类型神经元动作电位信号不同,胞外采集到的峰电位由于被观测的神经元个数多、各个神经元相对采集点的位置不同、各个神经元的激活时间不同等因素导致最终采集到的信号出现峰电位重叠、信噪比低且神经元个数未知等问题。这些问题的出现对峰电位分类方法提出了挑战:针对胞外采集的神经元峰电位信号,如何提取最具判别性的特征并进行高精度的聚类?为了应对这些挑战,本文从峰电位特征提取与峰电位聚类的关键技术上着手,开展了以下三个与峰电位分类相关的研究:1.基于小波包分解与互信息的峰电位特征提取方法。该工作的主要贡献集中在提取具有判别性的峰电位特征上面。具体而言,先对每一个检测到的峰电位进行小波包分解得到相应峰电位的原始时频特征集。这些小波包分解后的峰电位时频特征对重叠峰电位具有明显的判别性。接着,在给定少量训练峰电位样本的前提下,利用这些时频特征与类别标签之间的互信息与条件互信息作为特征选择的准则,在原始特征集中选出少量具有代表性的特征重新表示峰电位。该峰电位特征选择方法不仅有效地解决了特征间的冗余性问题并选出了最具有判别性的峰电位时频特征。仿真实验结果表明,基于小波包分解与互信息的方法所提取的峰电位特征相比于当前所广泛使用的峰电位波形或者峰电位低频的小波系数等特征更具有判别性,并且在重叠峰电位分类、抗噪性能测试等任务中表现优异。2.基于低秩与稀疏表示的鲁棒峰电位分类方法。该工作的主要贡献集中在峰电位的鲁棒聚类研究上面。具体而言,首先将检测到的峰电位样本建模成干净的峰电位与噪声的累加和形式。接着,通过约束干净的峰电位数据矩阵具有低秩结构,并约束噪声矩阵具有稀疏结构的方式得到可以鲁棒表征峰电位样本间相关性的亲和矩阵。然后,基于该亲和矩阵利用矩阵分解理论估计出神经元的个数,并最终将亲和矩阵和估计得到的神经元个数作为谱聚类算法的输入,实现自动的峰电位分类。仿真实验结果表明,基于低秩与稀疏表示的鲁棒峰电位分类方法相对新兴的研究工作——利用稀疏编码思想对峰电位进行建模的分类方法——具有更好的抗噪性能,并在解决重叠峰电位分类以及自动神经元个数估计的问题上也表现出良好的性能。3.统一特征提取与聚类的自动峰电位分类方法。.该工作的主要贡献集中在统一建模了峰电位的特征提取与聚类过程并有效地对模型进行了求解。具体而言,通过分析峰电位特征提取与聚类阶段间的内部关系,在峰电位特征提取阶段考虑峰电位聚类阶段的结果反馈提出了一个统一峰电位特征提取与聚类过程的模型。在求解该模型的过程中,原本分开执行的峰电位特征提取过程与聚类过程共同朝着增大目标函数值的方向交替循环迭代,并最终以稳定且高精度的分类结果收敛。此外,通过在模型求解阶段采用K-menas++初始化策略和对比更新求解变量的策略很好地解决了聚类方法本身的初始化敏感、易陷入局部最优等缺点。同时,在初始化与聚类结果相关的样本指示矩阵过程中集成已有的聚类有效性指标对神经元个数进行了有效地估计,最终实现了峰电位的自动分类。在合成的峰电位数据集与真实的峰电位数据集上的实验结果表明,统一特征提取与聚类的自动峰电位分类方法在保证自动估计出神经元个数、对噪声数据鲁棒且正确分类重叠峰电位等基础上实现了稳定且高精度的峰电位分类结果输出。综上所述,本文主要在峰电位分类中的特征提取与聚类技术上进行相应的研究。并在单信道硅电极与四信道四级管采集到的胞外峰电位信号上进行实验验证。这些方法与实验结果对于获取具有神经元分辨率级别或者动作电位分辨率级别的神经信号具有很重要的应用价值,特别地对于理解大型动物或者人体的神经系统协调作用具有很重要的研究意义。
杨洁[8]（2021）在《基于多元统计分析的赤霞珠红葡萄酒感官特征描述符筛选研究》文中研究说明感官分析是评价葡萄酒质量的重要手段,其关键取决于品评小组及其成员的性能表现,他们的可靠性很大程度上限制了感官数据的准确性和可信度。本研究以国产赤霞珠红葡萄酒为试材,通过Panel Check软件评价品评员和品评小组的表现,明确了品评小组的评价指标;通过多元统计分析技术,规范了葡萄酒感官特征描述符的筛选方法,初步明确了国产赤霞珠红葡萄酒的感官特征。主要的研究结果如下:（1）建立了基于品评小组可靠性筛选葡萄酒香气感官描述符的方法利用定量描述性分析（0～5标度法）评价9款赤霞珠红葡萄酒的香气特性,结合方差分析和多元统计分析方法,评估品评小组的可靠性和规范葡萄酒香气感官描述符的筛选方法。研究结果显示,利用平均重现性指数Ri、检验统计量F值、均方误差MSE值和Manhattan图等,能够有效评估品评员的重现性、区分样品能力、可重复性以及品评小组的一致性;基于M值排序结果,采用主成分分析（PCA）和聚类分析（CA）处理可靠品评小组的感官数据,明确了试验酒样的特征香气,规范了葡萄酒特征香气描述符的科学筛选方法。（2）初步明确了国产瓶装赤霞珠红葡萄酒的感官特征通过可靠品评小组利用定量描述性分析（0～10 cm连续线性标度）评价24款国产瓶装赤霞珠红葡萄酒的香气和口感特性,借助多元统计分析方法初步明确了国产赤霞珠红葡萄酒的感官特征:（1）黑醋栗或果酱、青椒;（2）花香、薄荷或氧化味、水煮味;（3）橡木、甘草、烤坚果;口感整体上涩味突出,甜味偏低。所建立的产地、年份判别模型,分别实现对赤霞珠红葡萄酒95.8%和100%的判对率,进一步验证了所筛选感官特征描述符的典型性,为明晰国产赤霞珠红葡萄酒的感官特征提供了参考数据。总之,基于可靠品评小组获得的感官数据,应用多元统计分析筛选葡萄酒感官特征描述符,方法科学可行,为客观评价葡萄酒的质量风格提供了科学依据和技术支撑。
刘杰[9]（2021）在《人工老化禾谷类种子的红外光谱研究》文中研究说明种子老化影响种子的种用品质和食用品质,因此,研究种子老化对农业生产和食品安全具有重要意义。本文利用傅里叶变换红外光谱（FT-IR）、二阶导数红外光谱（SD-IR）及二维相关红外光谱（2D-IR）结合曲线拟合及多元统计分析（主成分分析（PCA）、系统聚类分析（HCA））对老化小麦、大麦、水稻、高粱、玉米等禾谷类种子进行了研究。结果显示,人工老化禾谷类种子的傅里叶变换红外光谱整体相似。在二阶导数红外光谱中,人工老化禾谷类种子在1745 cm-1附近的吸收峰强度呈现减弱趋势,在1643,1549,1242 cm-1附近的吸收峰强度呈现减弱趋势,在1100-1000cm-1范围内的吸收峰强度呈现减弱趋势的规律。表明禾谷类种子在人工老化过程中脂类物质、蛋白质物质、糖类物质、氨基酸、醛/酮类物质等的含量发生变化。二维相关红外光谱结果显示,人工老化小麦种子在800-1050、1060-1150和1150-1800 cm-1范围、老化大麦种子在800-1160和1160-1600 cm-1范围、人工老化水稻种子在800-1350 cm-1范围、人工老化高粱种子在800-1160和1170-1550cm-1范围、人工老化玉米种子在800-1050和1050-1600 cm-1范围的自动峰位置、数目和强度发生明显变化,其中最强峰和次强峰的位置和数目出现明显差异。用1800-800 cm-1范围内光谱进行主成分分析和系统聚类分析,主成分分析和系统聚类分析均有效地区分不同老化程度的小麦、水稻、高粱种子。主成分分析及系统聚类分析对人工老化玉米种子和人工老化大麦种子的聚类效果不理想。选取1200-950 cm-1范围对人工老化禾谷类种子的光谱做曲线拟合,分析子峰面积百分比,结果显示老化小麦种子及大麦种子在人工老化小麦种子在1159,1082和1021 cm-1附近的吸收峰面积呈增长趋势,在1109,1054,988 cm-1附近的吸收峰面积呈减少趋势。人工老化水稻、高粱和玉米种子在1109 cm-1附近的吸收峰面积呈增长趋势,在1163,1081,1054,1019,986 cm-1附近的吸收峰面积呈减少趋势。表明人工老化禾谷类种子多糖区域的C-O、C-OH、C-H、C-C、C-O对应峰的相对含量发生变化。论文工作表明利用傅里叶变换红外光谱、二阶导数红外光谱及二维相关红外光谱结合多元统计分析可以快速、有效的研究人工老化小麦种子、大麦种子、水稻种子、高粱种子、玉米种子等禾谷类种子。
李超[10]（2020）在《谢桥煤矿水化学特征与突水水源判别模型研究》文中研究指明近年来随着煤矿开采深度的不断加大,矿井灾害事故的发生率也在不断提高,其中水害是对矿井安全生产威胁最大的灾害之一,给国家带来的各种损失极为严重。若要做好煤矿防治水工作及解决水患问题,准确地判别出矿井突水水源是前提。文中以谢桥煤矿为研究区,在收集整理谢桥煤矿相关的水文地质资料后,以水质分析结果及水文地球化学为基础,选取主要水化学特征指标作为分析依据,对来自不同含水层水化学资料中的96个样本,采用变异系数法、Piper图、Durov图、Stiff图及主成分分析等5种方法分析该矿井主要水化学特点,通过主要离子间比值及Gibbs图分析地下水含水层离子组分来源及特征影响因素,并利用多元统计分析方法中的Fisher判别分析、Bayes逐步判别分析、基于主成分的系统聚类及灰色关联分析等分别建立判别模型,对该矿出水源头作出判定。研究结果表明:（1）谢桥煤矿新生界水、老空水、煤系砂岩水和太灰水样的K++Na+含量均明显高于Ca2+、Mg2+含量。新生界水化学类型较为复杂,原因可能为与外界水力联系较多,且其水样间PH值的差距明显高于其他3个层位的水样,而TDS值普遍较低,其他含水层TDS值则相对较高。（2）谢桥矿井内充水含水层的水化学组分主要受蒸发作用与水岩相互作用影响。地下水中发生了 Ca2+、Mg2+与Na+等阳离子间的交换作用,从而有Na+含量大于Cl-含量,其中Ca2+及Mg2+的主要来源为硅铝酸盐和硫酸盐类矿物的溶解,部分可能与碳酸盐的溶解有关。（3）Fisher判别法、Bayes逐步判别法、基于主成分的Ward法与灰色关联分析法的判别正确率分别为84.6%、88.5%、84.6%及80.77%,均可对该矿突水水源作出有效判别。（4）4种判别方法中,灰色关联分析判别效果最差,Bayes逐步判别法判别该矿突水水源的准确率最高,其原因极可能为Bayes逐步判别法较好地剔除了样本中的重复信息,从而提高判别的精度。文中将多种方法运用到谢桥煤矿的突水水源判别中,充实了煤矿相关研究内容,可为矿井水害防治提供一定的参考。图[24]表[27]参[82]
二、主成分分析(PCA)和聚类分析(CA)方法在SWB数据分析中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、主成分分析(PCA)和聚类分析(CA)方法在SWB数据分析中的应用（论文提纲范文）
（1）绿豆产地溯源指纹信息筛选、融合与判别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 文献综述 |
| 1.1 国内外农产品产地溯源技术研究进展 |
| 1.1.1 近红外光谱产地溯源指纹分析技术 |
| 1.1.2 矿物元素产地溯源指纹分析技术 |
| 1.1.3 稳定性同位素产地溯源指纹分析技术 |
| 1.1.4 有机成分产地溯源指纹分析技术 |
| 1.1.5 分子生物学产地溯源指纹分析技术 |
| 1.1.6 农产品产地溯源指纹融合分析技术 |
| 1.2 化学计量学方法的分类与应用 |
| 1.2.1 主成分分析(PCA) |
| 1.2.2 判别分析(DA) |
| 1.2.3 系统聚类分析(HCA) |
| 1.3 研究目的与意义 |
| 1.4 研究主要内容 |
| 1.5 技术路线 |
| 2 材料与方法 |
| 2.1 试验材料与试剂 |
| 2.1.1 试验样品 |
| 2.1.2 主要试剂和仪器 |
| 2.2 试验方法 |
| 2.2.1 样品采集 |
| 2.2.2 样品预处理方法 |
| 2.2.3 近红外光谱采集方法 |
| 2.2.4 近红外光谱预处理方法 |
| 2.2.5 样品消解及元素含量的测定方法 |
| 2.3 数据统计分析 |
| 3 结果与分析 |
| 3.1 不同产地绿豆特征近红外光谱指纹提取与判别 |
| 3.1.1 主成分分析法提取特征光谱数据 |
| 3.1.2 不同产地绿豆近红外光谱偏最小二乘判别分析 |
| 3.1.3 小结 |
| 3.2 不同产地绿豆特征矿物元素指纹筛选与溯源分析 |
| 3.2.1 不同产地、品种和年份绿豆中矿物元素含量的差异分析 |
| 3.2.2 产地、品种和年份及其交互作用对绿豆中矿物元素含量的影响 |
| 3.2.3 不同产地绿豆中特征矿物元素含量的主成分分析 |
| 3.2.4 不同产地绿豆中特征矿物元素含量的判别分析 |
| 3.2.5 样品来源范围对产地判别率影响 |
| 3.2.6 样品数量对判别结果影响分析 |
| 3.2.7 小结 |
| 3.3 基于产地特征指纹信息融合对绿豆判别模型比较分析 |
| 3.3.1 特征信息数据的提取与融合 |
| 3.3.2 特征信息融合模型的建立与验证 |
| 3.3.3 小结 |
| 4 讨论 |
| 4.1 不同产地绿豆特征近红外光谱指纹筛选与溯源分析 |
| 4.2 不同产地绿豆特征矿物元素指纹筛选与溯源分析 |
| 4.3 特征信息融合的不同产地绿豆溯源分析 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 论文创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（2）区间型数据的表示及分类（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 区间型数据的运算规则 |
| 1.2.2 区间值信息系统 |
| 1.2.3 区间型数据的研究方法 |
| 1.3 研究内容和组织结构 |
| 第二章 预备知识 |
| 2.1 区间型数据的定义及性质 |
| 2.1.1 二元区间数 |
| 2.1.2 三元区间数 |
| 2.2 不完全区间型数据的定义与处理 |
| 2.2.1 不完全区间型数据的定义 |
| 2.2.2 不完全区间型数据的改进填补方法 |
| 2.3 本章小结 |
| 第三章 统一框架下的区间型数据表示及分类 |
| 3.1 区间型数据的统一表示框架 |
| 3.1.1 统一表示框架的构造 |
| 3.1.2 统一表示框架的分析 |
| 3.2 融合特征选择的区间型数据分类 |
| 3.2.1 统一表示框架下的特征选择 |
| 3.2.2 URF_SU算法 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据集 |
| 3.3.2 对比方法 |
| 3.3.3 调节因子 α 的影响 |
| 3.3.4 特征选择的结果 |
| 3.3.5 性能测评 |
| 3.4 本章小结 |
| 第四章 统一表示框架下的不完全区间型数据分类 |
| 4.1 处理不完全区间型数据的组合规则 |
| 4.1.1 组合规则中的删除原则 |
| 4.1.2 组合规则中的填补原则 |
| 4.2 融合组合规则的不完全区间型数据分类 |
| 4.2.1 RKNN算法 |
| 4.2.2 示例分析 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据集与评价指标 |
| 4.3.2 组合规则的有效性 |
| 4.3.3 性能测评 |
| 4.3.4 真实数据集上的验证 |
| 4.4 本章小结 |
| 第五章 样本空间下的区间型数据表示及分类 |
| 5.1 非平衡区间型数据的相关概念 |
| 5.2 样本空间下的自适应通用统一表示框架 |
| 5.2.1 样本空间下自适应通用统一表示框架的构造 |
| 5.2.2 偏移中心的确定 |
| 5.2.3 自适应因子 α~d的设置 |
| 5.3 基于样本空间下自适应通用统一表示框架的区间型数据分类 |
| 5.3.1 GURF算法 |
| 5.3.2 AGURF算法 |
| 5.4 实验结果与分析 |
| 5.4.1 实验数据集与评价指标 |
| 5.4.2 参数k的设置 |
| 5.4.3 偏移中心与 α~d对分类结果的影响 |
| 5.4.4 与传统方法的比较 |
| 5.4.5 AGURF在不同分类器上的有效性 |
| 5.5 本章小结 |
| 第六章 特征空间下的区间型数据表示及分类 |
| 6.1 特征空间下的自适应通用统一表示框架 |
| 6.1.1 特征空间下自适应通用统一表示框架的构造 |
| 6.1.2 特征偏移中心的确定 |
| 6.1.3 特征自适应因子 α~(fd)的设置 |
| 6.2 基于特征空间下自适应通用统一表示框架的区间型数据分类 |
| 6.2.1 FGURF算法 |
| 6.2.2 FAGURF算法 |
| 6.3 实验结果与分析 |
| 6.3.1 实验数据集 |
| 6.3.2 评价指标 |
| 6.3.3 参数k的设置 |
| 6.3.4 FAGURF,FGURF,AGURF与GURF方法的比较 |
| 6.3.5 FAGURF在高维和特殊分布数据集上的有效性 |
| 6.3.6 FAGURF在不同分类器上的有效性 |
| 6.4 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（3）酸粥细菌多样性及其风味品质形成机制研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 1 引言 |
| 1.1 酸粥及酸粥中的微生物 |
| 1.2 发酵食品微生物多样性研究策略 |
| 1.3 细菌常见分子分型方法及罗伊氏乳杆菌基因组研究 |
| 1.3.1 细菌常见分子分型方法 |
| 1.3.2 罗伊氏乳杆菌基因组研究进展 |
| 1.4 电子鼻和电子舌在发酵食品风味研究中的应用 |
| 1.4.1 电子鼻 |
| 1.4.2 电子舌 |
| 1.5 代谢组学在发酵食品风味研究中的应用 |
| 1.5.1 气相色谱-离子迁移谱 |
| 1.5.2 高效液相色谱-质谱 |
| 1.6 研究内容和意义 |
| 1.6.1 研究内容 |
| 1.6.2 研究意义 |
| 2 不同地区酸粥细菌类群与风味品质关联性分析 |
| 2.1 材料与方法 |
| 2.1.1 实验试剂 |
| 2.1.2 仪器与设备 |
| 2.1.3 样品采集 |
| 2.2 实验方法 |
| 2.2.1 酸粥微生物多样性研究 |
| 2.2.2 酸粥感官品质及理化性质分析 |
| 2.2.3 统计分析 |
| 2.3 结果与讨论 |
| 2.3.1 不同地区酸粥微生物多样性及细菌组成差异分析 |
| 2.3.2 不同地区酸粥感官品质及理化性质分析 |
| 2.3.3 细菌对酸粥品质的影响 |
| 2.4 本章小结 |
| 3 乳酸菌分离鉴定及疑似新种的遗传进化与基因组分析 |
| 3.1 材料与方法 |
| 3.1.1 实验试剂 |
| 3.1.2 仪器与设备 |
| 3.2 实验方法 |
| 3.2.1 乳酸菌分离纯化及鉴定 |
| 3.2.2 疑似新种的遗传进化与基因组分析 |
| 3.3 结果与讨论 |
| 3.3.1 不同地区酸粥乳酸菌分离鉴定 |
| 3.3.2 疑似新种的遗传进化与基因组分析 |
| 3.4 本章小结 |
| 4 具有优良酸粥发酵特性乳酸菌菌株的筛选 |
| 4.1 材料与方法 |
| 4.1.1 实验试剂 |
| 4.1.2 仪器与设备 |
| 4.2 实验方法 |
| 4.2.1 纳入试验用菌株的选取 |
| 4.2.2 具有优良酸粥发酵特性乳酸菌菌株的初筛 |
| 4.2.3 具有优良酸粥发酵特性乳酸菌菌株的复筛 |
| 4.2.4 数据处理 |
| 4.3 结果与讨论 |
| 4.3.1 纳入试验用菌株的选取 |
| 4.3.2 基于品质评价发酵菌株复筛 |
| 4.4 本章小结 |
| 5 基于代谢组学技术的酸粥风味物质形成机制探究 |
| 5.1 材料与方法 |
| 5.1.1 实验试剂 |
| 5.1.2 仪器与设备 |
| 5.2 实验方法 |
| 5.2.1 酸粥制备 |
| 5.2.2 酸粥微生物、理化及感官品质评定 |
| 5.2.3 基于GC-IMS和LC-MS技术的酸粥发酵代谢物定性定量分析 |
| 5.2.4 数据分析及可视化 |
| 5.3 结果与讨论 |
| 5.3.1 酸粥不同发酵时间点乳酸菌数、理化性质及感官品质分析 |
| 5.3.2 基于GC-IMS技术检测酸粥挥发性化合物变化 |
| 5.3.3 基于LC-MS技术酸粥非挥发性产物分析 |
| 5.4 本章小结 |
| 6 结论 |
| 7 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
（4）家畜乳质谱指纹特征和真实性判别模型研究建立（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 家畜乳研究概况 |
| 1.2 指纹图谱研究概况 |
| 1.2.1 指纹图谱的概念 |
| 1.2.2 指纹图谱的方法 |
| 1.2.3 指纹图谱的获取 |
| 1.2.4 指纹图谱在食品分析中的应用 |
| 1.2.5 指纹图谱展望 |
| 1.3 甘油三酯简介 |
| 1.4 乳脂肪甘油三酯及其功能 |
| 1.5 乳脂肪甘油三酯的分析测定方法 |
| 1.6 超临界流体色谱串联质谱法 |
| 1.7 化学计量学及其在食品分析中的应用 |
| 1.7.1 化学计量学 |
| 1.7.2 在食品分析中的应用 |
| 1.8 研究目的与意义 |
| 2 实验材料 |
| 2.1 样品采集 |
| 2.2 试剂与仪器 |
| 2.2.1 试剂与药品 |
| 2.2.2 仪器与设备 |
| 3 实验方法 |
| 3.1 总技术路线图 |
| 3.2 样品前处理 |
| 3.3 质谱采集 |
| 3.4 质谱分析 |
| 3.5 甘油三酯的鉴定 |
| 4 结果与分析 |
| 4.1 总基峰色谱图和质谱图 |
| 4.2 六种家畜乳TAGs的鉴定与PCA分析 |
| 4.3 质谱指纹特征 |
| 4.3.1 六种家畜乳全质谱指纹PCA分析 |
| 4.3.2 六种家畜乳截取处理总质谱指纹PCA分析 |
| 4.3.3 六种家畜乳最佳质谱段聚类与甘油三酯分子鉴定PCA对比分析 |
| 4.3.4 牛科家畜乳质谱指纹PCA分析 |
| 4.3.5 有机和非有机牛乳总质谱指纹PCA分析 |
| 4.3.6 原马乳和酸马乳总质谱指纹PCA分析 |
| 4.4 六种家畜乳质谱指纹HCA分析 |
| 4.5 SIMCA判别模型的建立及验证 |
| 5 讨论 |
| 5.1 乳脂肪甘油三酯的提取分离 |
| 5.2 家畜乳SFC-Q-TOF-MS检测及分析 |
| 5.3 六种家畜乳质谱指纹截取PCA、HCA分析 |
| 5.4 家畜乳物种SIMCA模型的建立及判别 |
| 6 本研究创新点、研究不足与展望 |
| 6.1 创新点 |
| 6.2 研究不足 |
| 7 结论 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 附录 |
（5）基于多元素稳定同位素及其比值特征的茶叶产品证实技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 文献综述 |
| 1.1 课题背景及意义 |
| 1.2 茶叶产品证实的研究进展 |
| 1.2.1 液相色谱技术 |
| 1.2.2 气相色谱技术 |
| 1.2.3 光谱技术 |
| 1.2.4 传感器技术 |
| 1.2.5 多元素认证技术 |
| 1.2.6 稳定同位素及其比值(比率)认证技术 |
| 1.3 研究的目的、内容及预期研究成果 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 预期研究成果 |
| 第2章 基于矿质元素及其稳定同位素值的茶叶产品证实研究 |
| 2.1 前言 |
| 2.2 材料与方法 |
| 2.2.1 试验材料 |
| 2.2.2 仪器与设备 |
| 2.2.3 样品制备 |
| 2.2.4 试验方法 |
| 2.2.5 数据统计与分析 |
| 2.3 结果与分析 |
| 2.3.1 ICP-MS和ICP-OES方法学验证 |
| 2.3.2 茶叶产品的矿质元素和稳定同位素特征分析 |
| 2.3.3 无监督识别聚类趋势分析 |
| 2.3.4 茶叶样品产品证实的预测建模 |
| 2.4 讨论 |
| 2.5 本章小结 |
| 第3章 基于碳氮氢氧和矿质元素稳定同位素比值的茶叶产品证实研究 |
| 3.1 前言 |
| 3.2 材料与方法 |
| 3.2.1 试验材料 |
| 3.2.2 仪器与设备 |
| 3.2.3 样品制备 |
| 3.2.4 试验方法 |
| 3.2.5 数据统计及分析 |
| 3.3 结果与分析 |
| 3.3.1 方法学验证 |
| 3.3.2 茶叶产品的δ~(13)C,δ~(15)N,δ~2H和δ~(18)O和矿质元素的稳定同位素比值特征分析 |
| 3.3.3 无监督识别方法的探索性数据分析 |
| 3.3.4 有监督识别方法的茶叶产品证实的预测建模 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第4章 基于非挥发性化合物咖啡碱和氨基酸中稳定同位素比值δ~(13)C和δ~(15)N的茶叶产品证实研究 |
| 4.1 前言 |
| 4.2 材料与方法 |
| 4.2.1 试验材料 |
| 4.2.2 仪器与设备 |
| 4.2.3 样品制备 |
| 4.2.4 试验方法 |
| 4.2.5 数据统计及分析 |
| 4.3 结果与分析 |
| 4.3.1 方法学验证 |
| 4.3.2 茶叶产品的咖啡碱和主要游离态氨基酸中δ~(13)C和δ~(15)N的特征分析 |
| 4.3.3 无监督识别方法的探索性数据分析 |
| 4.3.4 有监督识别方法的茶叶产品证实的预测建模 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 第5章 基于矿质元素及其稳定同位素、多元素稳定同位素比值的综合模型优化的茶叶产品证实研究 |
| 5.1 前言 |
| 5.2 材料与方法 |
| 5.2.1 试验材料 |
| 5.2.2 仪器与设备 |
| 5.2.3 样品制备 |
| 5.2.4 试验方法 |
| 5.2.5 数据统计及分析 |
| 5.3 结果与分析 |
| 5.3.1 结合多变量的无监督识别方法的探索性数据分析 |
| 5.3.2 有监督识别方法的茶叶产品证实的预测建模 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 第6章 全文结论与展望 |
| 6.1 全文结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 博士期间研究成果 |
（6）松花江流域中长期径流预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展及存在问题 |
| 1.2.1 中长期径流预报研究进展 |
| 1.2.2 预报因子选择 |
| 1.2.3 存在的不足 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 数据来源与研究方法 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.3 研究方法 |
| 2.3.1 相关系数法 |
| 2.3.2 互信息法 |
| 2.3.3 主成分分析法 |
| 2.3.4 多元线性回归(MLR) |
| 2.3.5 SVM模型 |
| 2.3.6 BP神经网络模型 |
| 2.3.7 模型评价指标 |
| 第三章 预报因子分析与筛选 |
| 3.1 预报因子前滞期分析 |
| 3.1.1 大气环流指标与流域径流相关性时空变化分析 |
| 3.1.2 水文影响因子与流域径流相关性时间变化分析 |
| 3.2 相关分析及基于相关分析的主成分分析 |
| 3.2.1 相关分析 |
| 3.2.2 基于相关分析的主成分分析 |
| 3.3 互信息法及基于互信息的主成分分析 |
| 3.3.1 互信息计算 |
| 3.3.2 基于互信息法的主成分分析 |
| 3.4 小结 |
| 第四章 预报模型构建与结果分析 |
| 4.1 多元线性回归模型 |
| 4.1.1 多元线性回归模型径流拟合 |
| 4.1.2 基于MLR的不同预报因子拟合结果对比 |
| 4.2 支持向量回归模型 |
| 4.2.1 支持向量回归模型径流拟合 |
| 4.2.2 基于SVR的不同预报因子拟合结果对比 |
| 4.3 BP神经网络模型 |
| 4.3.1 BP神经网络模型径流拟合 |
| 4.3.2 基于BP的不同预报因子拟合结果对比 |
| 4.4 不同预报模型预报结果对比 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 主要结论 |
| 5.2 创新点 |
| 5.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（7）脑神经峰电位分类的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 峰电位滤波与检测 |
| 1.2.2 峰电位特征提取 |
| 1.2.2.1 早期的峰电位特征提取方法 |
| 1.2.2.2 基于峰电位全局或局部结构的特征提取方法 |
| 1.2.3 峰电位聚类 |
| 1.2.4 大数据下的峰电位分类 |
| 1.3 本课题的主要研究内容 |
| 1.4 论文结构 |
| 第二章 基础知识 |
| 2.1 引言 |
| 2.2 小波包分解、互信息与条件互信息 |
| 2.2.1 小波包分解 |
| 2.2.2 互信息与条件互信息 |
| 2.2.2.1 互信息与熵 |
| 2.2.2.2 连续型随机变量的熵值估计 |
| 2.3 低秩优化与稀疏优化 |
| 2.3.1 低秩优化 |
| 2.3.2 稀疏优化 |
| 2.4 主成分分析与k均值聚类 |
| 2.4.1 主成分分析 |
| 2.4.2 K均值聚类 |
| 2.5 本章小结 |
| 第三章 基于小波包分解与互信息的峰电位特征提取方法 |
| 3.1 引言 |
| 3.2 方法框架 |
| 3.2.1 数据预处理 |
| 3.2.2 小波包分解系数的提取 |
| 3.2.3 基于互信息与条件互信息的小波包分解系数选择 |
| 3.2.3.1 小波包分解系数选择算法 |
| 3.2.3.2 通过熵与条件熵估计互信息与条件互信息 |
| 3.2.4 峰电位聚类 |
| 3.3 实验设置与结果分析 |
| 3.3.1 实验设置 |
| 3.3.1.1 实验数据集 |
| 3.3.1.2 对比方法 |
| 3.3.1.3 评估准则 |
| 3.3.2 结果分析 |
| 3.3.2.1 整体分类精度 |
| 3.3.2.2 聚类相关的F值分析 |
| 3.3.2.3 重叠峰电位的分类结果 |
| 3.3.2.4 抗噪性能分析 |
| 3.3.2.5 所选特征的稳定性分析 |
| 3.4 本章小结 |
| 第四章 基于低秩与稀疏表示的鲁棒峰电位分类方法 |
| 4.1 引言 |
| 4.2 模型与方法 |
| 4.2.1 基于低秩与稀疏优化的模型表示 |
| 4.2.2 基于低秩与稀疏表示的峰电位自动分类方法 |
| 4.2.3 基于低秩与稀疏优化的模型求解 |
| 4.3 实验设置与结果分析 |
| 4.3.1 实验设置 |
| 4.3.1.1 实验数据与评估准则 |
| 4.3.1.2 对比方法 |
| 4.3.2 结果分析 |
| 4.3.2.1 参数分析 |
| 4.3.2.2 整体对比 |
| 4.3.2.3 峰电位重叠与噪声影响 |
| 4.4 本章小结 |
| 第五章 统一特征提取和聚类的自动峰电位分类方法 |
| 5.1 引言 |
| 5.2 模型与方法 |
| 5.2.1 主成分分析和K均值聚类的理论表示与优化 |
| 5.2.2 统一特征提取和聚类的峰电位分类模型 |
| 5.2.2.1 更新G |
| 5.2.2.2 更新W |
| 5.2.3 模型的其他相关描述 |
| 5.2.3.1 计算复杂度分析 |
| 5.2.3.2 自动估计神经元个数 |
| 5.2.3.3 自动确定特征的维度 |
| 5.3 实验设置与结果分析 |
| 5.3.1 数据集与评估准则 |
| 5.3.2 合成数据上的实验结果分析 |
| 5.3.2.1 神经元个数估计 |
| 5.3.2.2 聚类准确率与时间损耗对比 |
| 5.3.2.3 模型求解的单调性检验 |
| 5.3.3 真实数据上的实验结果分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 研究结论 |
| 未来研究展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
（8）基于多元统计分析的赤霞珠红葡萄酒感官特征描述符筛选研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 文献综述 |
| 1.1 葡萄酒可靠感官品评小组的组建 |
| 1.1.1 品评员的培训和筛选 |
| 1.1.2 专家小组的组建及可靠性评价 |
| 1.2 葡萄酒的感官描述符及其分析方法 |
| 1.2.1 葡萄酒感官特性描述符 |
| 1.2.2 葡萄酒描述性分析方法 |
| 1.3 葡萄酒感官描述符研究中的多元统计分析方法 |
| 1.3.1 聚类分析 |
| 1.3.2 主成分分析 |
| 1.3.3 判别分析 |
| 1.3.4 多元统计分析方法 |
| 1.4 研究内容及技术路线 |
| 第二章 基于品评小组可靠性筛选葡萄酒的香气描述符 |
| 2.1 材料和方法 |
| 2.1.1 试验酒样 |
| 2.1.2 葡萄酒品评专家小组的组建 |
| 2.1.3 葡萄酒香气的定量描述性分析 |
| 2.1.4 品评员可靠性和专家组一致性评价 |
| 2.1.5 基于多元统计分析筛选葡萄酒香气描述符的方法 |
| 2.1.6 数据分析 |
| 2.2 结果与分析 |
| 2.2.1 品评小组及其成员的表现评估 |
| 2.2.2 葡萄酒特征香气描述符的筛选方法 |
| 2.3 小结 |
| 第三章 基于多元统计筛选赤霞珠红葡萄酒感官特征描述符 |
| 3.1 实验材料 |
| 3.1.1 试验酒样 |
| 3.1.2 实验仪器及药品 |
| 3.2 实验方法 |
| 3.2.1 基本理化分析 |
| 3.2.2 品评员的培训及专家品评小组组的组建 |
| 3.2.3 感官特性评分和定量描述性分析 |
| 3.2.4 数据分析 |
| 3.3 结果与分析 |
| 3.3.1 酒样的基本理化特性 |
| 3.3.2 赤霞珠红葡萄酒的感官得分和定性评价 |
| 3.3.3 24 款赤霞珠红葡萄酒的感官特征 |
| 3.3.4 赤霞珠红葡萄酒感官特征描述符与感官得分相关性分析 |
| 3.3.5 酒样感官特征描述符建立判别分析模型 |
| 3.4 小结 |
| 第四章 讨论 |
| 4.1 品评小组可靠性的评价 |
| 4.2 基于多元统计分析筛选葡萄酒感官描述符的方法 |
| 4.2.1 0~5 不连续标度法和0~10 cm连续标度法 |
| 4.2.2 基于多元统计分析筛选出的赤霞珠红葡萄酒感官特征描述符 |
| 第五章 结论 |
| 5.1 明确了品评小组可靠性的评价指标 |
| 5.2 规范了基于多元统计分析筛选葡萄酒感官描述符的方法 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（9）人工老化禾谷类种子的红外光谱研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 种子老化研究 |
| 1.1.1 老化种子的常规检测方法 |
| 1.1.2 种子老化的生化与分子生物学研究 |
| 1.1.3 老化种子的无损检测方法 |
| 1.2 人工老化与自然老化 |
| 1.3 种子的红外光谱研究 |
| 1.4 论文工作 |
| 1.4.1 研究工作 |
| 1.4.2 技术路线 |
| 第2章 红外光谱及数据处理 |
| 2.1 红外光谱技术发展 |
| 2.2 红外光谱原理 |
| 2.2.1 红外光谱 |
| 2.2.2 分子的量子化能级及转动光谱 |
| 2.2.3 振动模式 |
| 2.2.4 振动频率、基团频率和指纹频率 |
| 2.3 傅里叶变换红外光谱仪 |
| 2.4 红外光谱处理 |
| 2.4.1 红外光谱预处理 |
| 2.4.2 二阶导数红外光谱 |
| 2.4.3 二维相关红外光谱 |
| 2.5 多元统计分析方法 |
| 2.5.1 主成分分析 |
| 2.5.2 系统聚类分析 |
| 2.5.3 曲线拟合 |
| 第3章 人工老化禾谷类种子的红外光谱研究 |
| 3.1 试验材料与方法 |
| 3.1.1 材料 |
| 3.1.2 实验方法 |
| 3.2 人工老化小麦种子的红外光谱分析 |
| 3.2.1 人工老化小麦种子的红外光谱研究 |
| 3.2.2 人工老化小麦种子的二阶导数红外光谱 |
| 3.2.3 人工老化小麦种子的二维相关红外光谱分析 |
| 3.3 人工老化大麦种子的红外光谱分析 |
| 3.3.1 人工老化大麦种子的傅里叶变换 |
| 3.3.2 人工老化大麦种子的二阶导数红外光谱 |
| 3.3.3 人工老化大麦种子的二维相关红外光谱 |
| 3.4 人工老化水稻种子的红外光谱分析 |
| 3.4.1 人工老化水稻种子的傅里叶变换红外光谱分析 |
| 3.4.2 人工老化水稻种子的二阶导数红外光谱 |
| 3.4.3 人工老化水稻种子的二维相关红外光谱 |
| 3.5 人工老化高粱种子的红外光谱分析 |
| 3.5.1 人工老化高粱种子的傅里叶变换红外光谱 |
| 3.5.2 人工老化高粱种子的二阶导数红外光谱 |
| 3.5.3 人工老化高粱种子的二维相关红外光谱 |
| 3.6 人工老化玉米种子的红外光谱分析 |
| 3.6.1 人工老化玉米种子的傅里叶变换红外光谱 |
| 3.6.2 人工老化玉米种子的二阶导数红外光谱 |
| 3.6.3 人工老化玉米种子的二维相关红外光谱分析 |
| 3.7 本章小结 |
| 第4章 人工老化禾谷类种子的多元统计分析 |
| 4.1 主成分分析 |
| 4.1.1 人工老化小麦种子的主成分分析 |
| 4.1.2 人工老化大麦种子的主成分分析 |
| 4.1.3 人工老化水稻种子的主成分分析 |
| 4.1.4 人工老化高粱种子的主成分分析 |
| 4.1.5 人工老化玉米种子的主成分分析 |
| 4.2 系统聚类分析 |
| 4.2.1 人工老化小麦种子的系统聚类分析 |
| 4.2.2 人工老化大麦种子的系统聚类分析 |
| 4.2.3 人工老化水稻种子的系统聚类分析 |
| 4.2.4 人工老化高粱种子的系统聚类分析 |
| 4.2.5 人工老化玉米种子的系统聚类分析 |
| 4.3 本章小结 |
| 第5章 人工老化禾谷类种子的曲线拟合研究 |
| 5.1 人工老化小麦种子的曲线拟合研究 |
| 5.2 人工老化大麦种子的曲线拟合研究 |
| 5.3 人工老化水稻种子的曲线拟合研究 |
| 5.4 人工老化高粱种子的曲线拟合研究 |
| 5.5 人工老化玉米种子的曲线拟合研究 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 硕士期间发表的论文 |
| 致谢 |
（10）谢桥煤矿水化学特征与突水水源判别模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状及局限性 |
| 1.2.1 研究现状 |
| 1.2.2 局限性 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 研究区概况 |
| 2.1 自然地理概况 |
| 2.1.1 交通位置 |
| 2.1.2 气象条件 |
| 2.1.3 水文条件 |
| 2.1.4 开拓开采现状 |
| 2.2 矿井地质概况 |
| 2.2.1 地层 |
| 2.2.2 构造 |
| 2.3 矿井水文地质概况 |
| 2.3.1 主要含、隔水层 |
| 2.3.2 充水水源 |
| 2.3.3 充水通道 |
| 2.3.4 充水强度 |
| 2.3.5 矿井涌水量分析 |
| 3 谢桥煤矿水化学特征分析 |
| 3.1 水化学特征简述 |
| 3.2 常规水化学分析 |
| 3.2.1 变异系数法分析 |
| 3.2.2 Piper图分析 |
| 3.2.3 Durov图分析 |
| 3.2.4 Stiff图分析 |
| 3.2.5 主成分分析 |
| 3.3 地下水化学影响因素分析 |
| 3.3.1 Gibbs图分析 |
| 3.3.2 主要离子比值分析 |
| 3.4 本章小结 |
| 4 矿井突水水源的判别与分析 |
| 4.1 判别指标的选择 |
| 4.2 训练样本与验证样本的选择 |
| 4.3 判别效果检验原理 |
| 4.4 判别分析模型的建立 |
| 4.4.1 Fisher判别分析 |
| 4.4.2 Bayes逐步判别分析 |
| 4.4.3 基于主成分的系统聚类分析 |
| 4.4.4 灰色关联分析 |
| 4.5 模型对比分析 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 不足之处 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要成果 |
四、主成分分析(PCA)和聚类分析(CA)方法在SWB数据分析中的应用（论文参考文献）
- [1]绿豆产地溯源指纹信息筛选、融合与判别研究[D]. 邱彦超. 黑龙江八一农垦大学, 2021(09)
- [2]区间型数据的表示及分类[D]. 祁晓博. 山西大学, 2021(01)
- [3]酸粥细菌多样性及其风味品质形成机制研究[D]. 王玉荣. 内蒙古农业大学, 2021(02)
- [4]家畜乳质谱指纹特征和真实性判别模型研究建立[D]. 许昀晖. 内蒙古农业大学, 2021(02)
- [5]基于多元素稳定同位素及其比值特征的茶叶产品证实技术研究[D]. 刘洪林. 西南大学, 2021(01)
- [6]松花江流域中长期径流预报研究[D]. 朱春苗. 西北农林科技大学, 2021(01)
- [7]脑神经峰电位分类的关键技术研究[D]. 黄礼泊. 广东工业大学, 2021(08)
- [8]基于多元统计分析的赤霞珠红葡萄酒感官特征描述符筛选研究[D]. 杨洁. 西北农林科技大学, 2021
- [9]人工老化禾谷类种子的红外光谱研究[D]. 刘杰. 云南师范大学, 2021(08)
- [10]谢桥煤矿水化学特征与突水水源判别模型研究[D]. 李超. 安徽理工大学, 2020(07)