快速独立成分分析

关键词： 线路

快速独立成分分析（精选七篇）

快速独立成分分析 篇1

高压输电线路串联补偿装置能够提高线路输送能力,增强系统稳定性。然而串联电容的存在和金属氧化物避雷器(MOV,Metal Oxide Arrestor,MOV)的非线性给串补线路的保护和测距带来了困难[1,2,3]。故障信息的分离与提取,成为串补输电线路故障测距的关键[4,5,6]。

近年来,有关串补线路故障测距的研究已有不少,现有的方法主要有故障分析法[1,2,3,4,5,6,7,8,9,10,11]和行波法[12,13,14,15,16]。文献[1]为双端时域测距法,但未考虑MOV的影响。文献[2]采用单侧数据利用相参数进行故障测距,测距结果受过渡电阻及对端系统阻抗变化的影响,且需根据工频电流的大小来确定串补电容的阻抗进行测距。文献[3]为双端工频量测距算法,它避开了串补电容的影响,但假设故障过渡电阻为线性电阻。文献[4]考虑了MOV的影响,但其测距算法采用了串补线路的集中参数模型,由于串补装置模型的不精确,其算法不可避免地存在偏差。文献[5-11]中的方法都存在真伪根的判别问题,而去除伪根的判据计算较为复杂。

与故障分析法相比,行波法在故障测距的应用上有着明显的优势。文献[8]探讨了故障发生时MOV的导通时间,提出利用MOV导通前的数据进行测距的可能性,从理论论证了行波法应用于串补线路故障测距的可行性。文献[12]提出了利用小波变换实现串补线路的测距法,串补电容破坏了线路的非线性,使得基于小波变换的测距误差较大。文献[13]提出了一种基于数学形态学测距法,但该方法使用多分辨形态梯度(MMG)的高分辨率导致运算量大,测距运算时间较长。文献[14]基于Hilbert-Huang变换和神经网络,利用分层结构神经网络模型实现故障测距,但神经网络算法在学习的过程中可能会丢失故障信息,从而影响测距的精度。文献[15]提出了基于行波固有频率的串补线路故障测距法,但该算法需要考虑串联电容处的折射和反射对测距算法的影响。文献[16]引用信号能量比函数,利用行波故障信号的能量比值实现串补线路的故障测距,该算法避免了对故障信号成分的分析,算法简单,运算速度快,但由于环境噪声的不确定性,该算法的稳定性会受到影响。

基于以上分析,本文提出一种基于快速独立成分分析(Fast ICA)算法的行波测距法。Fast ICA算法是一种经典的盲源分离算法,通过对故障电流进行分析,将相互独立的各信号分量波形分离,以获取其中暂态行波所包含的故障信息,实现串补线路的精确测距。该算法直接面向时域信号,无需对观测信号进行相模变换,且算法本身具有滤除噪声的能力,因而测距精度高,不受MOV非线性特性影响。

2 快速独立成分分析理论

2.1 故障信号分析

输电线路故障时,表征故障特性的信息即为故障信息,而故障分量则是故障信息具体到电气量上的体现。按故障状态性质来分,故障分量分为稳态分量和暂态分量。行波法就是基于暂态分量的测距法,然而传统的方法很难将观测到的故障分量中稳态分量和暂态分量分离出来。通常的做法是:根据叠加原理,构造出一个故障附加分量来表征故障信息[17]。故障附加分量的本质是故障的暂态分量与稳态分量之间线性运算的结果,虽然包含了故障暂态分量,能够反应故障信息,但在信号处理的过程中,其中稳态成分可能会影响到信号处理的最终效果,因此,需要将故障分量提取出来。Fast ICA是一种盲源分离算法,能够将具有线性独立的混合信号进行盲分离,具有分离故障暂态分量的能力。

2.2 Fast ICA算法

Fast ICA是独立成分分析(ICA)的一种快速算法。Fast ICA基于非高斯性最大化的原理,使用固定点迭代的方法寻找WTx(y=WTx表示y在变量x上的投影)的最大值,采用牛顿法进行迭代,将最大化负熵作为目标函数,从源信号中将各独立分量分离出来。其原理框图如图1所示。

Fast ICA算法的条件约束和假设如下[18]:

(1)在任意时刻,源信号中各个独立分量之间都相互统计独立。

(2)源信号数目m小于或等于观测信号数目n,亦即m≤n。

(3)源信号中只允许一个满足高斯分布。

同时满足以上三个条件,就可以保证Fast ICA算法适用。对于线路故障而言,各分量之间相互统计独立;源信号数含稳态分量、暂态分量和噪声,通常可设3个观测通道;源信号均不满足高斯分布。因此,Fast ICA算法可适用于串补线路故障测距。其目标函数为:

式中,ki为正常数;v为一个具有零均值和单位方差的高斯随机变量;y为具有零均值和单位方差的输出变量;Gi为一个非平方的非线性函数;p为独立成分的个数。

经牛顿法迭代求得该目标函数最优解,得出Fast ICA的迭代公式:

式中,n为迭代次数;g为G函数的导数;g'为g函数的导数;w*表示w的归一化处理。式(3)是对wn+1进行归一化,即白化处理。根据式(2)反复进行迭代,W的各个分量便可依次分离出来。

Fast ICA算法所得分离信号具有不确定性:(1)分离信号的排列顺序不确定,即无法确定源信号s(t)与分离信号y(t)的对应关系;(2)信号的幅值不确定,即分离信号y(t)的幅值与源信号s(t)不同;(3)符号不确定,即分离信号y(t)的符号(正负)与源信号s(t)可能相同,也可能相反。

对于串补线路的行波测距,虽然排列顺序、尺度、符号发生改变,但分离信号既不损失行波中的故障信息,也不影响故障特征的提取,因而可利用Fast ICA提取故障信息。

3 基于Fast ICA的串补线路测距算法

3.1 故障暂态分量的分离

当输电线路发生短路故障时,观测信号中主要包含故障稳态分量、故障暂态分量(即行波)以及系统噪声等多种信号成分。由于串补电容的存在,选取故障行波电流为源信号,并采用双端测距来提高测距的精度。因此,可建立串补线路模型,如图2所示,并注入噪声信号来模拟线路故障,以研究算法的可行性。

基于Fast ICA的故障暂态分量分离步骤为:

(1)测取线路两端故障电流信号Sm、Sn。信号通道的数量设置可视故障情况而定,通常设置为3即可。

(2)分别对Sm、Sn进行中心化和白化的预处理。经预处理后的数据记为Zm、Zn。

(3)利用Fast ICA算法分别对Zm、Zn进行处理。以式(1)作为衡量观测信号之间独立性的目标函数;利用式(2)进行迭代,对目标函数进行优化,找出分离矩阵Wm、Wn;再通过矩阵运算求解出Ym、Yn,即可得各分离信号分量yim、yin。

经Fast ICA处理得到的分离信号分量yim、yin对应源信号中的故障稳态分量、故障暂态分量以及系统噪声等,根据对各分量的先验知识,便可选出故障暂态分量。

3.2 故障信息的提取

由于Fast ICA本质是一种估计算法,分离的故障暂态分量在故障信息上高度近似于源信号中对应分量,但仍有误差,即在故障特征波前和波后区域有类似噪声的信号存在,其本质为故障暂态分量与源信号对应分量的差值。因而在电力系统中,可将这一差值视为噪声,采用能量比函数来提取故障信息。对于信号序列x(t),能量比函数定义为[19]:

通过固定时窗T时间内的函数后、前两部分能量比值来表征信号的突变特性,本质上是利用故障分量与噪声的能量比值来检测信号的突变点。

3.3 时窗宽度的选取

采用能量比函数检测信号突变点时,合理设置其时窗宽度T才能保证测距的准确性和可靠性。T值较小时,因式(4)中分母项的值偏小,易受噪声等干扰信号影响,能量比值P很容易达到阈值,造成故障时刻获取失败;T值较大时,能量比值的曲线变化趋缓,不利于故障突变点时刻的获取。

正常运行方式下,能量比值会在1附近波动。然而故障时刻,能量比值从正常运行方式下的1突变数倍(通常能达到1000以上),故能灵敏反应故障时信号的奇异特性。考虑到故障分量的暂态特性,通常能量比函数的时窗宽度选取10μs<T<30μs范围内即可满足要求。

4 仿真试验

4.1 仿真模型

为验证Fast ICA算法的有效性,建立串补线路故障模型进行仿真,如图2所示。仿真时间为0.05s,故障时刻为0.03s,采样频率为1MHz。

仿真串补输电线路电压等级为500k V,线路总长度为300km;线路串补电容为C=95.74μF,线路串补度为40%,接地电阻为10Ω。M端系统阻抗为:ZM1=6.1396+j529.8Ω,ZM0=j130.6Ω;N端系统阻抗为:ZN1=17.56+j46.11Ω,ZN0=1.6+j65.13Ω;串补输电线路参数:r1=0.0279Ω/km,r0=0.253Ω/km,l1=0.882m H/km,l0=2.33m H/km,c1=0.01306μF/km,c0=0.0085μF/km。

考虑到电力系统中断路器通断、保护动作等产生噪声的影响,在系统中注入白噪声,线路M、N端分别设置3个电流采集通道,采集的电流信号如图3所示,分离后的各独立分量波形如图4所示。

4.2 仿真结果

对图2线路故障模型中串补线路不同故障点发生各类故障进行测距仿真试验。仿真结果如表1所示。其中,AG代表A相接地故障,BC代表B、C相短路,BCG代表B、C相短路接地,ABCG代表A、B、C三相短路接地。

由表1可知,对串补线路发生各种故障进行测距仿真,测距误差均不超过500m。

5 结论

(1)Fast ICA算法能将故障信号中的故障暂态分量和噪声分离出来,分离信号排列顺序、符号和幅值可能发生变化,但波形特征基本保留。

(2)Fast ICA算法本质是对源信号的估计,可运用能量比函数对Fast ICA处理后的信号进行处理,实现精确测距。

快速独立成分分析 篇2

简要阐述了独立成分分析(independent component analysis,ICA)的基本模型及其假设、含混性、非高斯性度量和通用求解过程,介绍了一种基于峰度的快速ICA算法.提出了基于基本ICA模型的从被动遥感红外光谱中分离出弱目标信号的`信号检测方法.实验结果表明:基于ICA的信号提取方法可不依赖于预先采集的”干净"背景光谱,并且与差谱法的结果进行了对比.

熊伟,XIONG Wei(中国科学院安徽光学精密机械研究所,安徽,合肥,230031)

快速独立成分分析 篇3

独立成分分析(ICA)是应用较广泛的方法之一[1]。该方法的目标是从一组观察数据中估计出一组相互独立或近似独立的随机矢量作为源的估计。继Jutten C等人[2]最早提出ICA方法之后,Bartlett M S等人[3]将ICA方法应用于人脸识别技术中,取得了较好的识别效果。虽然ICA能够有效处理图像中的高阶统计关系,但是因为ICA是一种线性方法,不能较好地解决在表情、光照等因素造成人脸图像的非线性变化,所以又有学者提出核独立成分分析方法(KICA)[4,5]。KICA就是用满足核条件的函数来替代两个向量间的内积运算实现非线性变换,从而有效弥补ICA在处理非线性问题的劣势,其识别率较ICA有所提高,但是由于训练样本的数量远远小于每一个样本的维数,所以KICA依然存在高维小样本的缺陷。彭磊等人在KICA的基础上结合分块的思想提出分块核独立成分分析方法(B-KICA)。B-KICA通过分块方法降低样本的维数、增加样本的个数,有效地提取人脸的局部特征进行识别匹配,在一定程度上解决了KICA高维小样本的缺陷,取得比较好的识别效果。

本文提出行列分块的核独立成分分析方法(RC-KICA)。通过实验证明,RC-KICA较B-KICA更大程度地降低了样本维数,增加了样本个数,更好地解决了高维小样本的问题,具有更高的识别效率。

1 KICA基本原理

KICA的出发点非常简单,由于ICA方法不能处理人脸受光照、姿态角度和表情变化等影响而产生的非线性变化,KICA首先通过非线性函数ϕ将人脸图像向量映射到高维特征空间F中,ϕ:RN→F,x→ϕ(x),然后再在高维特征空间中进行ICA变换。进行ICA变换时,引入满足核条件[6]的非线性函数来代替向量的内积运算,即k(xi,xj)=ϕ(xi)·ϕ(xj)。因此,KICA的基本过程为:

1) 将m维的训练样本人脸向量x1,x2,…,xl利用非线性函数映射到高维特征空间F,得到ϕ(x1),ϕ(x2),…,ϕ(xl)。

2) 在F中对ϕ(xi)进行白化变换[7]。根据KPCA算法原理[8]求解特征方程lλϕα=Kα,其中K=(kij)l×l’,kij=k(xi,xj)=ϕ(xi)·ϕ(xj) ,从而得到特征向量为

undefined

另外,对应的特征值为λundefined,λundefined,…,λundefined,取特征值中的前m个特征值以及相应的特征向量,得到白化矩阵Mϕ=(Dϕ)1/2(Vϕ)T,其中

Dϕ=diag(λundefined,λundefined,…,λundefined) (2)

Vϕ=(v1,v2,…,vm) (3)

所以训练样本在空间F中经过白化后变为x-ϕl=Mϕ(xϕi)′,其中

undefined

3) 得到x-ϕl后,利用FastICA算法[2]求出相应的分离矩阵Wϕ。

4) 对任意一个测试样本y,将其映射到空间F为ϕ(y),提取其特征向量为

其中

undefined

文献[4]已证明计算中并不涉及非线性变换ϕ的具体形式,只须计算其内积,即核函数k(xi,xj)。

2 RC-KICA算法

本文结合分块和核独立成分分析的思想提出一种行列分块核独立成分分析的人脸识别方法(RC-KICA)。详细过程如下:

1) 构造分块图像矩阵

对一组训练样本F0={Ah∈RM×N|h=1,2,…,H},其中Ah为一幅人脸图像矩阵。将图像矩阵Ah分块为

undefined

式中:Dundefined(i=1,2,…,c; j=1,2,…,r;h=1,2,…,H)为m×n维的分块矩阵,即M=m×c,N=n×r,总共有L=c×r块。将分块矩阵按行优先的原则排列成列的形式为

MAh=(Dundefined,Dundefined,…,Dundefined,…,Dundefined,Dundefined,…,Dundefined)

再将每一个分块矩阵拉伸成列向量。从而得到新的图像矩阵,记为

Bh=(bh1,bundefined,…,bundefined)=((rundefined)T,(rundefined)T,…,(rundefined)T)T (8)

式中:bundefined为Bh的列向量;rundefined为Bh的行向量,i=1,2,…,L;j=1,2,…,m×n;h=1,2,…,H。通过分块,得到新的训练样本集为F={Bh|h=1,2,…,H}。

2) 对训练样本集进行R-KICA处理

把Bh的行作为训练样本,因此将F记为

F={rundefined∈R1×L|h=1,2,…,H;j=1,2,…,m×n} (9)

式中:rundefined为Bh的第j行。

根据KICA的原理,利用非线性变换映射到高维核空间,得到

Fϕ={ϕ(rundefined)|j=1,2,…,m×n;h=1,2,…,H} (10)

在高维核空间中进行ICA变换时,白化变换是为了得到高维核空间的协方差矩阵的特征值及其特征向量。根据KPCA算法基本原理[8],特征方程为

(m×n×H)λϕα=Kα (11)

其中

K=(kst)(m×n×H)×(m×n×H) (12)

kst=k(rundefined,rundefined)=ϕ(rundefined)·ϕ(rundefined) (13)

undefined

取其中Q个最大的特征值

λundefined≥λundefined≥…≥λundefined (15)

其对应的特征向量为:αq=(αundefined,αundefined,…,αundefined),q=1,2,…,Q。所以原样本空间中的特征向量为

undefined

式中:j=(i-1)%(m×n)+1;h=[(i-1)/(m×n)]+1;q=1,2,…,Q。因此可以得到白化矩阵G=VΛ-1/2,其中V=(v1,v2,…,vQ),Λ=diag(λ1,λ2,…,λQ)。

定义以下为经过白化后的行向量

undefined

其中

undefined

定义以下为白化后的数据矩阵

Yr={(Zundefined)T|h=1,2,…,H;j=1,2,…,m×n} (19)

根据FastICA算法[2]得到解混矩阵WT,则记Wr=G×WT∈RL×Q为右解混矩阵。将Bh投影到Wr上,设经过R-KICA处理得到的图像矩阵为:undefined。其中

undefined

任意图像矩阵Ah经过分块得到Bh,再经过R-KICA处理得到Ch,此时图像的大小均为m×n×Q。但根据文献[9]有:定理——Ch中不同行的元素之间仍存在相关性。

根据上述定理,有必要对Ch再做进一步处理。

3) 对Ch进行C-KICA处理

将Ch的列向量作为训练样本,记

Ch=(cundefined,cundefined,…,cundefined) (21)

式中:cundefined∈Rm×n×1;h=1,2,…,H;q=1,2,…,Q。记训练样本集为

undefined;q=1,2,…,Q} (22)

类似于R-KICA方法,对训练样本集做一次C-KICA,可以得到一个左解混矩阵WC∈RP×m×n。因此,对于任意人脸图像矩阵Ah通过分块可得到Bh,再通过R-KICA和C-KICA处理得到Ah的独立元特征为

undefined

式中:若c=1,则RC-KICA就退化为B-KICA方法。

3 特征提取及分类识别

对训练样本F0={Ah∈RM×N|h=1,2,…,H}进行RC-KICA处理,得到Wr,Wc及Sh。对给定的测试样本A*,利用与训练样本相同的分块方法进行分块得到B*,再将其投影到Wr,Wc所确定的子空间得到

undefined

本文采用最近邻分类器进行分类识别,即

undefined

如果undefined,则A*与At属于同一个人脸图像。

4 实验分析

实验选取Yale人脸库,该人脸库中包含了15个人的165幅(像素)灰度人脸图像,每个人由11张照片构成,这些照片在不同的表情姿态、光照条件、装饰等条件下拍摄,对人脸识别实验具有较好的验证性。实验前,图像被预处理成100×80的像素形式。图1显示了该人脸库中的部分人脸图像。

实验采用高斯核函数[10],其具体形式undefined为宽度参数,一般选取经验值σ=1。

实验一:随机选取5幅人脸图像作为训练样本,剩余6幅作为测试样本。图2给出了KICA,B-KICA和RC-KICA三种算法的识别率随特征投影向量个数在5～40之间变化的曲线。

实验二:同样随机选取5幅人脸图像作为训练样本,剩余6幅作为测试样本。在比较ICA,KICA,B-KICA,RC-KICA特征抽取方法试验中,B-KICA方法按两种方式分块,每个子块的大小分别为100×4和100×2;RC-KICA方法按c=2和r=20,c=4和r=20,c=2和r=40,c=4和r=40这4种方式分块,每个子块的大小分别为50×4,25×4,50×2,25×2;特征投影向量个数为20时运行10次得到的平均识别率如表1所示。

实验结果表明,在相同的特征投影向量个数以及人脸样本个数的前提下,RC-KICA方法比KICA方法和B-KICA方法识别率更高。并且RC-KICA在c=4和r=40的分块方式下比c=2和r=20,c=4和r=20,c=2和r=40这3种分块方式识别效果更好。同时当特征投影向量个数为20时,KICA,B-KICA和RC-KICA算法的识别率逐渐达到平衡。

5 结论

本文在核独立成分分析的基础上提出行列分块的核独立成分分析方法(RC-KICA)。理论表明,RC-KICA更大程度地降低了样本维数,增加了样本个数,能更好地解决高维小样本的问题,具有更高的识别效率。实验结果再一次验证了理论的正确性,同时验证了RC-KICA对光照、表情姿态、头发胡须、眼镜帽子装饰等影响人脸识别效率的因素具有比较好的稳健性。

参考文献

[1]汤迎春,覃亚丽,温浩,等.基于ICA和FCM的多时相SAR图像变化检测[J].电视技术,2012,36(1):34-36.

[2]JUTTEN C,HERAULT J.Independent component analysis versus PCA[EB/OL].[2011-12-15].http://www.gmw.rug.nl/～stegeman/Stegeman%20-%20Leiden%20PCA%20ICA%20Parafac%20talk.pdf.

[3]BARTLETT M S,MOVELLAN J R,SEJNOWSKI T J.Face recognitionby independent component analysis[J].IEEE Trans.Neural Net-works,2002,13(6):1450-1464.

[4]YANG M H.Face recognition using kernel methods[J].Advances inNeural Information Processing Systems,2002,14:215-220.

[5]张燕昆,刘重庆.基于核独立成分分析的人脸识别[J].光学技术,2004,30(5):613-622.

[6]VAPNIK V N.An overview of statistical learning theory[J].IEEETrans.Neural Networks,1999,10(5):988-999.

[7]KIRBY M,SIROVICH L.Application of the KL procedure for the charac-terization of human faces[J].IEEE Trans.Pattern Analysis and MachineIntelligence,1990,12(1):103-108.

[8]杜卓明,屠宏,耿国华.KPCA方法过程研究与应用[J].计算机工程与应用,2010,46(7):8-10.

[9]陈才扣,黄璞.基于分块独立分量分析的人脸识别[J].中国图象图形学报,2009,14(9):1838-1842.

快速独立成分分析 篇4

内燃机噪声是汽车的主要噪声源之一,对其进行控制是汽车噪声控制的关键。内燃机是多激励源多发声源的复杂机器,解决其振动噪声问题最根本的方法是从噪声的源头加以控制,因此准确有效地识别内燃机噪声源具有重要意义。

噪声源的识别方法大体分为三类:第一类是传统噪声源识别方法,包括主观识别法、铅覆盖法、分部运行法、表面振速法和近场声压测试法等;第二类是以信号处理为基础的噪声源识别方法,典型的有时域平均法、相关分析法、相干分析法、倒谱分析法、阶次分析法、小波分析法及盲源分离法等;第三类是以声阵列技术为基础的噪声源识别方法,主要包括声强测试、波束成形和声全息测试技术[1]。

近年来,基于声信号的内燃机测试分析受到了国内外学者的重视:文献[2]说明了独立成分分析理论用于柴油机噪声盲源分离的合理性;文献[3,4]运用独立分量分析与连续小波变换相结合的方法分离了燃烧、正时齿轮、活塞敲击、喷油泵、压气机等噪声信号;文献[5]和文献[6]分别运用循环维纳滤波法(cyclic Wiener filter)和基于非稳态混合的卷积模型分离了柴油机燃烧噪声与活塞敲击噪声,并比较了两者的分离结果;文献[7,8]通过经验模态分解后的本征模态函数作为独立成分分析方法中的多个虚拟通道,解决了对单一采样信号进行盲源识别的欠定问题。与此同时,随着声全息技术的发展,可视化声源识别逐渐被广泛应用,如文献[9,10]利用远场测量法对汽车噪声源识别进行了较详细的研究,文献[11,12]构建了加速噪声外场声源识别测试系统和近场声源识别软件。

本文运用独立成分分析的方法对汽油机噪声信号进行盲源分离,利用连续小波变换分析各独立成分的幅值和频率随时间的变化特性,并结合汽油机的结构及对应测点的Campbell图,分析各独立成分的产生原因,识别出主要噪声源,并运用声阵列定位试验对计算结果进行验证,证明独立成分分析的可靠性。

1 独立成分分析的原理与数学模型[13]

1.1 独立成分分析的原理

盲源分离(blind source separation,BSS)是指根据源信号的统计特性,仅由观测的混合信号分离出未知原始信号的过程,是人工神经网络、统计信号处理及信息理论相结合而产生的方法[14]。独立成分分析(independent component analysis,ICA)是盲源分离的方法之一,其目标是使由混合信号分离出的独立信号尽可能与各源信号相同。

设X=[x1,x2,…,xm]T为m个传感器观测到的混合信号,即观测信号,S=[s1,s2,…,sn]T为n个相互独立的源信号,在不考虑干扰噪声的情况下,若不同的源信号到达各传感器的时间差别忽略不计,且传感器接受到的信号是源信号的线性混合,则X与S之间的关系如式(1)所示。

式中,A=[a1,a2,…,am],为未知的m×n混合矩阵,且满足m≥n。

ICA分析的目的就是在源信号S和混合矩阵A均未知的情况下,按照一定的优化准则,寻找最优的分离矩阵W,使得:

对观测信号X进行解耦变换,使得输出信号Y满足:

此时,输出信号Y即为源信号S的近似逼近。

1.2 基于负熵极大的FastICA数学模型[14]

为了寻找最优的分离矩阵W,工程上常采用基于负熵极大的FastICA算法进行盲源分离。负熵是基于信息论中熵的概念,其定义如式(4)所示。

式中,yG是一个与y具有相同方差的高斯随机变量;Ng(y)为随机变量的微分熵。

根据信息理论,在具有相同方差的随机变量中,高斯分布的随机变量具有最大的微分熵。当y具有高斯分布时,Ng(y)=0。y的非高斯性越强,其微分熵越小,Ng(y)值越大,所以Ng(y)可以作为随机变量y非高斯性的测量度。FastICA算法采用式(6)所示近似公式。

Ng(y)≈{E[G(y)]-E[G(yG)]}2(6)

式中,E(g)为均值运算;G(g)为某种形式的非二次函数。y=wTX为其中一个独立分量,w为分离矩阵W的一行,X为混合矩阵,由此可得式(7)。

Ng(W)≈{E[G(wTX)]-E[G(yG)]}2(7)

基于负熵极大的FastICA算法就是通过选取w使Ng(W)最大,根据牛顿迭代定理可得目标函数为:

式中,g为G的导数。归一化处理可得:

式(8)、式(9)是经典的基于负熵极大的FastICA迭代基本公式。

噪声信号盲源分离的工程应用中,把各传感器采集的信号作为混合矩阵X,具体实现步骤如下:(1)对观测信号X进行去均值处理;(2)对观测信号X进行白化处理;(3)令n=0初始化权值向量w0,设置收敛误差;(4)令n=n+1;(5)利用目标函数式(8)对w进行调整;(6)利用公式(9)进行归一化处理;(7)判断是否收敛,如果不收敛,则利用式(8)进行反复迭代直到收敛为止,即可求出一个独立分量y1=w1X。将上述算法迭代n次,依次迭代求出向量w1,w2,…,wn,从而求出分离矩阵W,进而求出源信号的估计Y。

2 连续小波变换理论

通过ICA计算得到的源信号估计矩阵Y只包含原始的时域信息,而内燃机噪声信号为非平稳的时变信号,各噪声源都具有确定的时间周期和特定的频率范围;因此需要分析各独立成分的幅值和频率随时间的变化特性,连续小波变换(continuous wavelet transform,CWT)便是很好的时频定位工具。

连续小波变换常应用在将时间函数投影到二维时间-尺度相的平面上,其基本思想是在不同的时间段运用不同的小波尺度对分析信号与小波函数进行相似性研究。连续小波变换定义为:设ψ(t)∈L2(R),即为平方可积函数,若它的傅里叶变换ψ(ω)满足式(10)的容许性条件则称ψ(t)为基本小波或者母小波。将母小波函数ψ(t)进行伸缩与平移后将得到小波基函数,表达式如式(11)所示。

式中,a为伸缩因子;τ为平移因子。由于伸缩因子和平移因子是连续变化的值,因此称ψa,τ(t)为连续小波函数基。

针对分离得到的噪声源信号的估计矩阵Y,选择适当的母小波,将小波变换系数与相应的小波函数相乘并叠加,便可恢复原始分析信号。CWT的优势在于其能够同时显示信号的时域和频域信息,以此实现良好的时频定位特性。

3 汽油机噪声测试与噪声源识别

3.1 噪声信号采集

试验采用2.0DCVVT汽油机作为研究对象,该汽油机实际排量为1.969L,标定转速为6 300r/min,标定功率为110kW。试验按照GB 1859—2000的要求在半消声室内进行九点噪声测试,具体测点位置如图1所示。试验台架整体布置见图2。测量设备为比利时LMS公司生产的Testlab声学与振动测试分析系统,试验用传声器为丹麦G.R.A.S 46E电容式声压传感器。噪声试验测定工况为满载3 000r/min稳态工况,测量时将进排气噪声引出室外。采样频率为25.6kHz,采样时间为10s。

3.2 ICA分离结果分析

对测试得到的九点噪声结果进行频谱分析,发现汽油机辐射噪声主要集中在5kHz以内。为了提高ICA的计算效率,对各点噪声信号进行采样频率为10 240Hz的重采样,同时截取2~7s内的51 200个采样点进行后续分析。将调整后的九点噪声信号视为观测信号X,利用Matlab中的FastICA工具包进行独立成分分析计算。

图3(a)、图4(a)、图5(a)为ICA分离结果中比较突出的三个独立成分,每个独立成分对应一个噪声源。为了更好地对各独立成分进行时频定位,本文采用连续小波变换分析方法,选择与内燃机噪声信号波形比较接近的Complex Morlet作为母小波[13],分析各独立成分的时频分布特性及信号的周期性规律。

由图3(b)可以看出,独立成分IC1的能量集中在100Hz左右。试验测试用发动机为四缸四行程汽油机,测试转速为3 000r/min,根据发动机基频公式f=n/60(n为汽油机转速),可知其基频为50Hz。由发火频率公式f=Zn/60τ(其中Z为发动机气缸数,τ为行程系数,四冲程τ=2),可知发火频率为100Hz,IC1的主要频率刚好为2倍基频和发火频率。

观察可知,100Hz的频率成分每隔720°曲轴转角出现,出现周期刚好对应汽油机的一个工作循环。汽油机的燃烧噪声是可燃混合气在气缸内燃烧时缸内压力急剧上升产生的动载荷和冲击波引起的高频振动经气缸盖、气缸套、活塞-连杆-曲轴及主轴承传至机体及通过气缸盖等引起汽油机结构表面振动而辐射出来的噪声,因此其与点火周期密切相关。图6为汽油机顶部测点正常燃烧与倒拖工况的频谱图对比。由图6可以看出,在倒拖工况下,100Hz及其倍频成分明显小于正常燃烧工况。综合判断可知,独立成分IC1主要为燃烧噪声成分。

由图4(b)可以看出,独立成分IC2以2 100Hz的能量最为突出,且该频率的周期间隔并不是规律的180°、360°和720°曲轴转角,而是几乎一直现。由内燃机的先验知识,较高频率的噪声可能为轮系啮合的噪声。试验用汽油机自由端曲轴正时同步带布置如图7所示,其中曲轴正时齿轮齿数为42,空压机驱动轮齿数为21,其转速比为齿数比的倒数,因此空压机驱动轮的转动基频为100Hz,IC2的主要频率2 100Hz为21倍基频(21阶次噪声)。由图8可以看出,2 100Hz频率成分幅值最大的测点为3点(皮带轮侧),且是3点的主要频率之一。同时,7点处2 100Hz频率幅值明显大于6点,结合试验仪器布置情况可知,7点距离空压机驱动轮更近。综合分析可知,独立成分IC2应该为空压机驱动轮的机械啮合噪声。

由图5(b)可以看出,独立成分IC3以1 658Hz的能量最为突出,且该频率的周期间隔并不是规律的180°、360°和720°曲轴转角,而是几乎一直出现。一般汽油机所匹配的发电机在7 000r/min以下的电磁噪声主要来源于发电机的定子和转子,试验用汽油机的发电机定子为33开口槽结构,汽油机运转时带动发电机发电,磁场在定子槽凹与槽凸位置产生不同磁密,使定子径向振动,径向力中的一次谐波与定子槽作用产生33阶次电磁噪声,由转动基频得出33阶次噪声频率为1 650Hz,与IC3的主要频率接近。由图9可以看出,1 658Hz频率成分幅值最大的测点为2点(发电机侧),且是2点的主要频率之一。同时,6点处该频率的幅值明显大于5点,结合试验仪器布置情况,6点距离发电机更近。综合分析可知,独立成分IC3应该为发电机的电磁噪声。

4 声阵列法噪声源定位测试

声阵列技术是一种声场可视化声源定位技术,即将声源的实景视频图像与声场测量结果相结合,确定声源位置[16]。该测试技术中的传声器阵列是由许多传声器按一定的方式排列而成,通过分布在不同方位的传声器阵列获取声场信息,使用波束形成(beam-forming)原理对声场信号进行处理,测定声源的空间分布。

试验所用声阵列法测量噪声基本设备包括声学照相机、数据采集前端、笔记本电脑及NoiseImage软件。其中声学照相机选用德国GFai公司的Ring48圆形声阵列系统,直径为0.75m,包含48个6.35×10-3m(1/4in)的驻极体麦克风。试验中声学照相机与测量表面距离为1.5m,测量带宽为96kHz,采样率为192kHz。

按照声学照相机的测试要求在半消声室布置安装传感器,尽量保证麦克风阵列平面与汽油机测试平面平行,采用与台架试验相同的试验规范,布置位置为汽油机皮带轮侧与发电机侧,测试工况为满载3 000r/min稳态工况。

图10为皮带轮侧声学照相机测试结果。分析频率范围2 062~2 156Hz。从图10可以看出,在2 100Hz左右,皮带轮侧主要声源是由空压机驱动轮通过正时罩壳向外辐射的,这与独立成分分析的结果相同。图11为发电机侧声学照相机测试结果,分析频率范围1 641~1 687Hz。从图11可以看出,在1 650Hz左右发电机侧主要声源是由发电机本身辐射出来的,同样与独立成分分析的结果相同。

5 结论

(1)通过独立成分分析对汽油机噪声测试信号进行盲源分离,同时结合连续小波变换对分离结果进行时频分析,成功地分离了汽油机的燃烧噪声、空压机驱动轮的机械噪声及发电机的电磁噪声。

(2)通过声学照相机对汽油机表面进行声源定位,测试结果与通过独立成分分析的结果一致,验证了盲源分离计算的正确性。

摘要：采用基于声信号的内燃机测试分析技术对汽油机的噪声源识别展开研究,以某车用汽油机为研究对象,采用独立成分分析的方法对九点噪声信号进行盲源分离,分析各独立成分的幅值和频率随时间的变化特性,并结合汽油机的结构和噪声辐射机理,分析各独立成分的产生原因,以此来识别噪声源。同时,利用声阵列法在特定频率下对汽油机进行可视化声源定位测试。研究结果表明:利用独立成分分析的方法,可以识别汽油机的燃烧噪声、空压机驱动轮的机械啮合噪声及发电机的电磁噪声。并利用声阵列测试技术验证了盲源分离结果的可靠性。

快速独立成分分析 篇5

独立成分分析方法 (ICA) 是近几年才发展起来的一种新的统计方法。应用该方法的目的是将观察到的数据进行某种线性分解, 使其分解成统计独立的成分。与PCA[1]相比, ICA能更本质地描述过程特征且需处理的独立元数目较主元数目更少。该方法在特征提取、过程监控、盲源信号分离、生理学数据处理、语音信号处理、图像处理及人脸识别等方面已有广泛应用, 但是却鲜有将该方法用于分类的报道。实际上, ICA应该可以很好地应用于分类研究。本文在这方面进行了尝试, 研究了基于ICA的分类方法, 并具体将该方法用于蛋白的分类。 (1)

蛋白质的热稳定性一直是生物物理和生物技术领域研究的热点, 而嗜热酶作为生物催化剂有许多优势, 因而它成为相关研究的一个重点。很多文献报道了此类研究工作, 但大多采用比较传统的统计分类方法。例如:文献[2]利用了PCA、偏最小二乘回归和BP神经网络三种方法进行分类;文献[3]用支持向量机进行分类。本文研究了基于ICA方法的蛋白分类问题。为了便于开展工作, 本文首先建立了Matlab专用工具包。

2 数据来源及获取

本文采用的数据集合共由276组蛋白数据构成, 其中的76组嗜热蛋白数据用于训练分类器, 其余80组常温蛋白和20组嗜热蛋白数据用来测试训练好的分类器。用于训练的76组嗜热蛋白的序列信息来源于Swiss-Prot, Swiss-Prot是一个非冗余的专家库。用“thermo”和“pyro”作为关键词进行查询, 共获得76组不同种类的嗜热蛋白序列。然后再寻找其对应的常温蛋白, 共计76组, 取其中的60条常温数据用于测试。另外的20组嗜热和20组常温蛋白的PDBID来源于文献[4], 根据ID号从PDB下载其序列, 见表1。

3 ICA算法及应用

3.1 ICA原理

设从N个通道获得的观测信号为S*=A+X=WX, 每一个观测信号是M个独立信号S= (S1, S2, …, Sn) T的线性组合, 即X=AS, 其中A= (aij) N×M为未知的混合矩阵[5]。ICA方法就是在混合矩阵A和独立成分S未知的情况下, 根据观测数据X确定分离矩阵W= (W1, W2, …, WM) T, 使得变换后的输出S*=A+X=WX是对S的最佳估计, 根据信息论的知识, 可采用负熵度量准则作为判断向量相互独立的标准, 其表达式为:

式中:v———标准高斯随机变量, 函数G可以取

采用牛顿法极大化式 (1) , 可得到ICA的递推公式, 即

式中:g, g′———函数G的一阶、二阶导数。

3.2 基于ICA分类的MATLAB工具包

MATLAB的应用范围很广, 包括信号和图像处理、控制系统设计、测试和测量以及计算生物学等众多领域。附加的工具包扩展了MATLAB环境, 以解决这些应用领域内特定类型的问题。但因为ICA方法较新, 且用于分类很少见, 所以尚无专用工具包。

由上文介绍可见利用MATLAB编写ICA程序的不方便。为了方便以后工作, 开发了一个基于ICA分类的MATLAB工具包。所开发的工具包共包括六个函数:fastICA、ICAxunlian、ICAceshi、ICAplot、ICAzhixinxian、ICAzhengquelv。

fastICA利用ICA计算出特征矩阵W, 函数形式为[W]=FASTICA (X) 。ICAxunlian用于计算训练数据的统计量I2、Ie2和SPE, 函数形式为[I2, Ie2, SPE]=ICAxunlian (X, W, ICA max, n) 。ICAceshi用于计算测试数据的统计量I2、Ie2和SPE, 函数形式为[I2 new, Ie2 new, SPE new]=ICAceshi (X new, Wd, We, m) , 其中X new是测试数据, m是测试数据样本数目。ICAzhixinxian用于确定各统计量的置信线, 函数形式为[a, b, c]=ICAzhixinxian (I2, Ie2, SPE) , 其中a, b, c分别是I2、Ie2和SPE的置信线。ICAplot用于绘制各统计量的图形。ICAzhengquelv用于计算测试结果的漏检率、误检率、正确率, 函数形式为[lv, wv, zv]=ICAzhengquelv (I2, Ie2, SPE, a, b, c, n, ICA max) , 其中lv, wv, zv分别是漏检率、误检率、正确率。

3.3 ICA用于蛋白分类

本文首先通过ICA技术对数据进行特征提取并且降低数据维数, 利用更少的数据量反映数据特征;其次, 使用核密度估计算法计算ICA监控曲线的85%置信线;最后, 通过观察测试数据的统计量I2、Ie2和SPE是否超过置信线来识别嗜热和常温蛋白。如图1所示。

首先调用工具包中的fastICA函数, 得到特征矩阵W, 再建立嗜热蛋白的模型:

将W分成两部分, W8表示W矩阵中的主特征成分, W12表示W矩阵中的剩余特征部分。Sd是提取X中的独立成分, Se是X中剩余的成分。

通过混合矩阵W8和W12可计算得到独立元矢量的估计值:

然后调用工具包中的ICAxunlian函数, 再对每一个统计量进行核密度函数估计, 求得相应的置信线, 即函数ICAzhixinxian。对一个单变量统计量, 其核密度函数f (x) 可表示为:

最后调用ICAceshi、ICAplot、ICAzhengquelv, 分别求得效果图和测试结果的漏检率、误检率、正确率。

4 结果与分析

选择76组嗜热蛋白测试数据, 进行标准化和白化预处理后, 对其进行独立成分分析。分别计算统计量I2、Ie2和SPE, 利用核概率密度函数估计, 确定置信线范围, 如图2所示。通过图2可以看出各个统计量的概率特征值分布, 将能包含85%特征的概率值作为各个统计量的置信线, 低于置信线的值就为嗜热蛋白数据, 超出置信线的就为常温蛋白数据。

取80组常温和20组嗜热蛋白测试数据, 来验证分类器的正确性, 结果如图3所示。第一排是训练数据的各统计量值, 第二排是测试数据的各统计量值, 每张图中的直线表示各统计量的置信线。通过图3可以看出从20以后的数据大多数都超出了置信线, 可见前20个是嗜热数据。

通过图3我们还可以看出I2、Ie2的效果要比SPE好。

5 结论

ICA用于特征提取[6]和故障诊断[7]的例子很多, 而本文选择利用ICA对两类蛋白进行分类, 并取得了令人满意的效果。对嗜热数据的漏检率为10%, 误检率为30%, 预测的正确率可达到80%。而文献[1]用支持向量机识别, 经过320组数据才会达到同等的分类效果;文献[2]用PCA、最小二乘法和BP神经网络时, 预测的正确率分别是60%、72.5%、72.5%。可见ICA可以用来进行分类, 从而扩展了ICA的应用范围。本文只将ICA方法用于二分类, 但将其用于多项分类也是很有希望的研究方向。

摘要：独立成分分析方法 (ICA) 一般用于特征提取、过程监控, 很少用于分类。本文建立了一个ICA用于分类的工具包, 并应用专家库下载的嗜热蛋白和常温蛋白作为实验数据, 用来检验该分类工具的性能。本文的检验工作分为如下几个步骤:首先对训练数据进行特征提取;然后利用核函数确定嗜热蛋白的置信线;再计算测试数据的统计量。由测试数据判断是否超过置信线, 不超出则认为是嗜热蛋白。该检验的结果是:对嗜热数据的漏检率为10%, 误检率为30%, 预测的正确率可达到80%。由此可说明, ICA可用作一种分类方法, 本文所建立的分类工具也是有效的。

关键词：独立成分分析 (ICA) ,分类方法,分类工具,蛋白分类

参考文献

[1]任伟, 田文德, 杜廷召.改进的PCA方法在化工过程故障诊断中的应用[J].化工自动化及仪表, 2010, 37 (6) :20-23.

[2]张光亚, 方柏山.嗜热和常温蛋白模式识别的研究[J].生物工程学报, 2005, 21 (6) :960-964.

[3]张光亚, 刘桂兰, 方柏山.基于支持向量机识别嗜热和常温蛋白的研究[J].计算机与应用化学, 2006, 23 (8) :708-710.

[4]SEUNG PP, YOUNG Y J.Protein Thermostability:Structure-based Difference of Animo Acid between Thermophilic and Me-sophilic Proteins[J].Journal of Biotechnology, 2004, 111 (33) :269-277.

[5]YANG Z, LI Y, HU D.Independent Component Analysis:aSurvey[J].Acta Automatica Sinica, 2002, 28 (5) :762-772.

[6]王勇, 徐录平.独立成分分析和支持向量机的虹膜识别方法[J].电子科技大学学报, 2007, 19 (1) :29-33.

快速独立成分分析 篇6

随着人们生活水平的提高以及营养知识的普及,消费者对食品安全日趋重视。水果货架期是指水果结束储藏状态,进入经营环节并最终被消费者食用的流通期[1],流通期间环境因素对水果品质变化的影响大。目前,国内外在水果保鲜领域的基础研究很多,如何延长食品的货架期以及实现快速对食品的货架期进行预测和检测是其中一项重要内容。预报微生物学方法[2]、加速货架期试验(Accelerated Shelf-life Test,ASLT) [3]及电子鼻技术[4]等在食品货架期预测和检测领域中有较多应用。

近红外光谱技术已被广泛地用于水果内部品质的定性、定量分析,以及品种、产地的鉴别,近年来国外学者也逐步将此技术应用于水果的货架期的检测和预测。例如,Camps[5]利用可见—近红外漫反射光谱技术在低温室和常温两种储存条件下研究了3种不同苹果的货架期,研究中建立的全局存储期检测模型对两种存储条件中货架期的鉴别率分别为75%和83%。Andrew[6,7]对后储存期的苹果干重和SSC含量进行了研究,利用800～1 000nm的近红外光谱,以将采摘的苹果核冷藏6周,模型对收割期前后干重的预测相关系数大于95%,对冷藏期的SSC预测相关系数大于94%;同时还比较了密度法和可见—近红外光谱法(VNIR)对水果收割期和贮藏期品质检测的应用,结果表明VNIR方法检测精度高。Tewari[8]利用遗传算法和相关分析进行柑橘产地和糖度的分析,表明NIRS方法可以很好地进行柑橘产地的鉴别。Zude[9]利用声脉冲共振传感器和小型近红外光谱仪器对果树上的苹果的坚硬度和货架期进行了研究。结果表明,此方法可用于水果最佳收割期的选择和货架期间的品质检测。Clark[10]对15 000个采于3个不同收割期的猕猴桃的潜在贮藏期进行了研究,同时分析了样品的干重和SSC变化,表明NIR方法可很好地用于水果的产后分级。Kim[11]建立了6类不同前处理和贮藏期的猕猴桃的分别鉴别模型,并对比研究了线性和非线性模型,非线性模型的分类效果好。Schmilovitch[12]在室温下,对10个芒果318h(6个时间段)的货架期预测模型的相关系数为0.93。Veraverbeke[13]利用近红外透射光谱较好地实现了对货架期为0/1/2周的苹果进行了鉴别,结果表明方法可用于苹果货架期的鉴别。本文利用了近红外光谱技术进行流通期的柑橘货架期的快速鉴别模型研究。

1 实验部分

柑橘样品于2008年3月30日从水果市场选购, 32个样品均产于浙江黄岩地区,且采摘时间相同;于2008年4月10日和2008年4月20日测量样品光谱,并定义其类别分别1和2。

光谱采集选用了Bruker公司的MPA近红外光谱仪,光斑面积为15mm,光谱扫描范围为12 000～4 000cm-1,分辨力为4cm-1。实验时,实验温度与环境的温度一致。

光谱采集过程中,测点在柑橘赤道上选取,每次均匀测定6个点的光谱,取平均值作为样品一次测量光谱[14]。为了尽量消除果皮厚度与果皮表面反射光的影响,其中第1个点随机确定,每个柑橘样品的光谱重复测量2次,即每个样品的光谱是12次测量的平均值,并利用SNV+detrend方法对光谱进行预处理,图1为同一样品不同货架期的光谱图。

2 建模部分

2.1 样品集组成

校正集由随机选择的22个1类样品光谱和20个2类样品光谱组成,预测集由随机选择的7个1类样品光谱和8个2类样品光谱组成。SNV+detrend预处理后主成分贡献率,如表1所示。

在对水果等的近红外光谱无损检测中,常用的预处理方法有MSC和SNV。两种方法均可以用来校正样品间因散射引起的光谱的误差,一般认为SNV的校正能力比MSC要强[15],SNV校正中每条光谱中各波长的吸光度应符合一定的正态分布,以此为基础对每条光谱进行校正,无需理想光谱,其方法如下

undefined

式中 xi—原始光谱;

μ—光谱的平均值;

δ—光谱的标准差。

为了扣除原始光谱中的线性漂移,变量标准化后进行了detrend处理。

2.2 光谱预处理

本文利用径向基函数神经网络进行了建模。模型的稳健性是人工神经网络在近红外光谱分析应用中关键的问题,应对样品光谱进行特征提取,减少网络的节点。NIR技术常用的特征提取方法是将光谱数据矩阵做主成分分析(PCA) ,降维后的得分作为神经网络的输入。本文先对光谱数据矩阵进行主成分降维,然后将降维后的得分矩阵的主成分作为RBFN 的输入。

2.3 模型与结果

建立了包含一个具有径向神经元的隐含层和具有线性神经元的输出层的神经网络模型。利用matlab中newrb函数建立训练模型,newrb函数可以自动增加网络的隐含层神经元数目,每次循环产生一个神经元,每增加一个神经元都能最大程度地降低误差。其中,样品光谱为输入向量,目标输出向量为样品货架期类别(1或2),训练精度为0. 001,散布常数为10,隐含层增加神经元个数为100, 训练终止条件为满足模型精度或达最大神经元数目,当末达到精度要求时继续增加神经元,满足精度时网络训练完成。

如将800～2 500nm的全波段光谱都作为神经网络的输入不仅增加了网络训练时间,还容易引起模型产生过拟合情况,同时全波段光谱中部分区域的光谱也会模型产生干扰,不利于提高模型的稳健性。本文优选用了950～1 340nm波段的光谱,经过预处理后利用主成分分析进行特征变量提取,将前12个变量作为神经网络的输入,对预测集中15个样品货架期的类别进行预测,对1类7个样品的鉴别中,有4个样品的准确率在90%以上;对2类8个样品货架期类别的预测,准确率均在90%以上,如表2所示。

3 总结

本文研究结果表明,近红外光谱技术为柑橘类水果的货架期的快速鉴别提供了新方法,该技术在水果及食品流通期间的货架期检测中具有广泛的应用前景。利用SNV+detrend的方法对柑橘两种不同货架期的近红外光谱进行预测处理,并利用主成分分析方法进行特征提取,选用12个主成分做为神经网络的输入,其贡献率为99.03%;模型对1类7个样品货期鉴别中,有4个样品的准确率在90%以上;对2类8个样品货架期鉴别准确率均在90%以上。本文仅对柑橘的货架期进行了定性分析,后续将利用此方法对其货架间做更加深入的定量研究,将可进行基于近红外的水果货架期快速分析仪器的开发。

摘要：利用近红外光谱技术进行了柑橘货架期的快速鉴别模型的研究。在两个不同的时间采集从市场上购买的黄岩地区的32个柑橘(同一时间采摘)的近红外光谱,并将不同时间采集光谱时的柑橘的货架期分别定为1类和2类(间隔为10天),对不同货架期的柑橘样品光谱进行主成分特征提取,将提取的特征变量作为神经网络的输入,建立了基于主成分和神经网络的近红外光谱柑橘货架期的快速鉴别模型。所建模型对1类中7个样品货架期的鉴别结果中有4个样品的货架期预测准确率在90%以上;对2类中8个样品货架期的鉴别结果准确率均在90%以上。结果表明,近红外光谱技术可以很好地进行柑橘类水果的货架期的快速鉴别。

快速独立成分分析 篇7

减体重是一些运动项目常用的备战方法, 其严格、周密、系统的运作方法可提高运动成绩, 相反, 不科学的运作会对运动成绩产生较大的负面影响[1]。跆拳道是按体重级别进行比赛的项目, 大多数运动员为了取得理想成绩一般在低于他们通常体重的5%~10%的级别比赛[2]。因此, 赛前如何减体重成了影响其比赛成绩好坏的重要因素之一。目前, 重竞技项目的控重多采用赛前几天禁食、禁水及采用多种方法快速脱水以达到降重的目的, 而由此导致的各种医学问题和运动能力的降低已成为科学研究和运动实践中迫切需要解决的问题。

1 研究对象与方法

1.1 研究对象

选择参加第四届江西省全民健身运动会跆拳道比赛的南昌大学优秀跆拳道运动员3名为监控对象。

1.2 研究方法:

设计大学生跆拳道运动员赛前快速减体重的方案、问卷调查法、实验法、指标测试与方法、数据统计法。

3 研究结果与分析

3.1 高校大学生跆拳道运动员赛前快速减体重期间身体成分变化及分析

3.1.1 高校大学生跆拳道运动员赛前快速减体重期间体重变化及分析

经过8天快速减体重方案使得运动员体重变化如下:1号运动员开始前3天变化不大, 第4~5天下降0.9kg, 5~8天下降较快为1.2左右;2号运动员第1~4天体重没什么变化, 第5~8天呈递减趋势, 特别是最后1天下降1.1kg;3号运动员体重呈递减趋势, 且体重下降比较均衡, 3名运动员在快速减体重期间实现目标体重。

体重组成中, 去脂体重受蛋白质和力量训练影响较大, 是控制体重中必须保持的部分, 而脂肪体重受饮食和有氧运动量的影响变化较大, 是控制体重的重点部分, 因此, 控制体重主要是控制体脂。体内多余的脂肪会影响人的力量、速度和耐力的发展, 增加运动中耗氧量和能量的消耗。3跆拳道除按性别分为男、女组外, 还依据体重级别进行进一步分组, 跆拳道运动员为在比赛中获得速度和力量上相对较高的优势, 通常需要赛前快速减重以参加低一级别的比赛。从实验结果可以看出, 运动员赛前3天与赛前1周相比, 体重下降非常明显, 这主要是由于在第6、7、8天运动员严格限食、限水并采取穿减重服跑圈等措施, 使得体重实现目标体重, 有利参加比赛。

3.1.2 高校大学生跆拳道运动员赛前快速减体重期间瘦体重变化及分析

研究结果数据显示, 运动员在赛前快速减体重期间瘦体重变化趋势不明显, 呈反复交错形式, 出现了时升时降情况。1号运动员在第7, 8天下降2.7kg, 而开始前6天只下降1kg;2号运动员在开始前7天持平, 在第8天下降1.6;3号运动员变化幅度较大的是第6天下降2.3kg, 第7天上升1.4kg, 总体下降1.8, 其他期间变化较小。

在赛前快速减体重期间, 运动员保持较高的瘦体重, 对其运动能力, 特别是对有氧耐力非常有利[1]。从实验结果中发发现1, 2, 3号运动员在赛前快速减体重的1~6天, 瘦体重下降不大, 个别还出现上升现象, 表明其运动员机体状态良好, 有利保持运动能力, 而在后2天有较小下降, 但幅度并不大, 这对其比赛保持较佳竞技状态提供基础。

3.1.3 高校大学生跆拳道运动员赛前快速减体重期间蛋白质变化及分析

数据显示, 运动员赛前快速减体重期间蛋白质变化不大, 1, 2号运动员蛋白质与减体重前相比都是下降0.7kg, 3号运动员下降0.3kg, 变化较小。1号运动员在开始前6天只下降0.1, 而在后2天蛋白质下降相对稍大为0.6kg;2号运动员在第5, 8天与第1天相比下降0.1、0.7kg, 第2, 3, 4、6天与第1天相比有所上升;3号运动员开始前5天几乎没什么变化, 保持在上下幅度为0.1左右, 第6天下降0.4, 第7天又上升0.2, 第8天下降0.2, 可以发现运动员快速减体重期间蛋白质总体变化较小。

在运动员减体重期, 要时刻监控蛋白质的摄取量和排出量, 使蛋白质满足机体需要, 但又不能过量。发现1, 2号运动员相对比3号运动员蛋白质下降多, 他们在赛前快速减体重期间开始前5天几乎没变化, 而一般在后2天有所下降, 但总体下降幅度不大, 表明监控对象在快速减体重期间蛋白质丢失不大, 对其运动能力影响不大。

3.1.4 高校大学生跆拳道运动员赛前快速减体重期间体脂肪变化及分析

数据显示运动员快速减体重期间体脂肪变化幅度不大, 1号运动员体脂肪在6.5~7.3, 其中第2, 5, 6天体脂肪下降在6.5以下, 在3, 4, 7天变化相对很小, 但第8天比第7天下降了0.9;2号运动员体脂肪在4.2~6.1, 整体呈时升时降走势, 在第3天下降为最低3.6, 然后第4、5天相对第3天有所上升, 在第7天又有下降;3号运动员体脂肪在4.9~5.5, 第3, 5, 7天下降, 保持在4.7以下, 第8天较第1天下降0.6, 整体呈时升时降走势。

研究表明:减体重方法应是尽可能减去多余的脂肪而保留瘦体重。所以运动员赛前快速减体重期间体脂肪下降对其比赛成绩的提高有很大作用[3]。发现监控对象的体脂肪都有下降, 这样表明运动员体脂下降了, 从而有利提高其爆发力、灵敏性等运动能力。

3.1.5 高校大学生跆拳道运动员赛前快速减体重期间体水分变化及分析

从研究结果的数据显示, 运动员在赛前快速减体重期间体水分总体呈下降趋势, 但前5~6天体水分下降较小, 3名运动员都出现了时升时降情况, 体水分变化不大, 而在后2~3天运动员体水分幅度下降较大, 特别是2号运动员在第8天下降2.5kg。

从实验结果的数据显示体水分快速降低主要在后2天, 这也符合快速减体重的科学规律, 因为快速减体重一般是采用脱水法, 而脱水法一般是在比赛前1~2天内实施的方法, 这种方法不宜超过2天, 若长时间缺水, 身体素质下降导致身体机能损伤, 从而影响运动能力。运动员前2天体水分不减反增是由于运动员此时主要采取限食来控制体重, 而运动员饱腹感没得到满足就靠饮水获得, 在第3、4、5、6天就要限制饮水可看出水体分在降低。本方案减体重很大部分减掉的是体水分, 而保留瘦体重。

4 结论

实施监控的大学生跆拳道运动员快速减体重期间体重全部实现目标体重, 比赛成绩达到预期目标, 该快速减体重方案有效;经身体成分监测显示, 大学生跆拳道运动员减掉的主要是水体分而保留瘦体重、蛋白质, 有利运动状态的保持, 在快速减体重期间的后2天体水分下降非常大, 这符合科学减体重要求。

参考文献

[1]陈昱.赛前减体重对运动员运动能力的影响[J].西安体育学院学报, 2003, 10 (5) .15-17.

[2]王刚, 强大平等.男子柔道运动员赛前控体重身体成分变化的对比研究[J].军事体育进修学院学报, 2008, 8 (3) :111-114.