化學聚類分析及線性判別分析方法研究.pdf

1、論文第一章為該論文的緒論,在該部分作者概述了化學模式識別的基本發(fā)展情況,著重討論了線性判別分析,聚類分析和模式識別在氣體傳感器陣列上的應用等研究上的難點和熱點等問題,論文第二章提出了最近局部最大值搜索聚類算法.這是一種基于核函數密度估計的密度聚類方法.在該方法中,利用梯度搜索算法對每個樣本沿著最速上升方向(即梯度上升方向)進行局部最大值搜索來獲得高斯核函數密度估計的局部最大值.這個局部最大值是樣本沿著梯度上升方向所能找到的概率密度的最近

2、的最大點,實際上就是樣本所屬聚類的代表點,通過使用該算法,每個樣本都自動收斂到自己所屬的聚類的代表點,從而完成對整個數據集的聚類.可靠性曲線被用來確定合適的高斯核平滑系數取值和評價聚類結果.通過對模擬數據和真實數據的進行處理的結果表明,該方法能有效的在沒有任何關于數據先驗信息的基礎上對具有任意形狀聚類結構的數據進行聚類分析.論文第三章結合隱變量方法改進了現有的誤差平方和聚類準則函數,在此聚類準則的基礎上提出了一個基于隱變量模型的聚類算法

3、,目的在于充分利用多維的化學量測數據可以被少數隱變量表出的特性來解決高維化學量測數據的聚類問題.通過對模擬數據和真實化學量測數據的進行聚類分析的結果表明,該方法能有效的處理高維化學量測數據的聚類問題.論文第四章引入了支持向量機算法的最優(yōu)分類面的概念,基于最優(yōu)分類面使被分類的兩類間隔最大的思想,提出了最大類分離投影判別準則.其基本思想是找到一個投影矢量,使得兩類數據在該矢量上的投影實現最大程度的分離.結合該準則,利用實數遺傳算法作為優(yōu)化工

4、具,發(fā)展了最大類分離投影線性判別法.通過對模擬數據和真實數據的進行分類判別表明,該方法具有較高的預測能力,并且對線性不可分數據有較好的分類效果.論文第五章使用基于隱變量模型的聚類算法對兩組會屬氧化物半導體(MOS)傳感器陣列數據進行模式識別.一組數據為表面涂有不同金屬氧化物催化涂層的SnO<,2>氣體傳感器陣列對醇,酮,酯類揮發(fā)性氣體的響應數據.另一組為金屬氧化物半導體(MOS)傳感器陣列對甲烷,乙烷,丙烷,和丙烯四種烴類氣體的響應數據