特征成分分析

关键词： 带教 实习生 教师 教学

特征成分分析（精选十篇）

特征成分分析 篇1

胜任特征 (competency) 是指“能将某一工作中的表现优异者与表现平平者区分开来的个人的、潜在的、深层次特征”[1]。本研究就是在基于胜任特征理论基础上对临床教师岗位胜任特征进行的分析研究。

1 对象和方法

1.1 对象

1.1.1 参加临床教师胜任特征核检表问卷调查对象。

本研究对参加山东省某医学院组织举办的临床教师实践教学培训班的来自所57所教学医院的临床带教教师267人进行调查问卷, 问卷现场发放收回, 收回有效问卷249份, 有效率为93.2%。

1.1.2 专家小组成员。

心理学专家3人、临床教学管理专家3人、资深临床教师6名组成专家小组, 在249份调查问卷结果和前人相关研究基础上, 对从事临床教学工作应该具备的任职资格做进一步讨论和修订。

1.1.3 访谈对象。

接受BEI技术访谈对象24名, 按照BEI技术要求采用专家小组讨论方式确立取样标准。普通组临床教师纳入标准是与优秀组临床教师按1:1的比例配对选取。按配对原则要求优秀组、普通组临床教师各12名。接受访谈人员事先不知道自己属于哪个组, 属于单盲设计。

1.2 方法与工具。采用调查问卷、行为事件访谈和编码技术研究临床教师胜任特征。

1.2.1 调查问卷采用《临床教师胜任特征核检表》进行问卷调查。《临床教师胜任特征核检表》是在参考Hay集团编制的基本胜任力词典[2]、国内外临床教师品质研究结果、大五人格因素模型中的人格分类为基本素材, 经专家小组讨论后编制形成。

1.2.2 行为事件访谈在预访谈的基础上对24名临床教师进行正式访谈, 让被访谈者描述在工作中最成功和最不成功的三件事[3,4]。访谈进行录音, 并整理成文本。

1.2.3 根据胜任特征编码词典, 首先进行编码训练, 之后由2名编码一致性较高的研究者进行正式的独立编码。所有的描述统计、相关分析、差异检验均在SPSS13.0上完成。胜任特征编码采用Nvivo 1.2软件进行编码并对编码进行管理和统计。

2 结果与分析

2.1 问卷调查结果。

根据问卷要求被调查的临床教师从30项胜任特征中选出在临床教学工作中最需要的10-15项。表1是胜任特征频次排序前16项结果。

2.2 专家访谈结果。

在调查结果基础上, 专家小组根据表1频次统计结果选取重要的特征项目, 对从事临床教学工作应该具备的任职资格做进一步讨论和修订。通过合并内容具有一致性的项目、删减不重要项目, 并补充资深临床教师提出的认为对从事临床教学工作比较重要的但在核检表中没有出现的项目, 最后形成了由14个胜任特征构成的编码词典, 包括专业知识与技能、责任感、分析与解决问题、创建信任感、沟通技能、严谨求实、关注学生、尊敬他人、学习的热情、勤奋努力、评判性思维、自信心、稳定的情绪、正直诚实。

2.3 BEI编码分析结果。

2.3.1 访谈长度分析。

遵循胜任特征模型建立的步骤[3], 为了确保绩效优秀组与绩效普通组在各胜任特征上的差异不是由访谈长度引起的, 首先对优秀组与普通组的访谈长度进行了差异检验 (见表2) 。

P>0.05

结果表明, 访谈时间和文稿长度上, 两组均无显著差异。证明访谈长度不会影响访谈的结果[4,5]。

2.3.2 信度

编码统计分析以胜任特征频次作为指标进行[1], 采用归类一致性 (Category Agreement, CA) 作为编码信度指标, 参照前人研究[3]得到如下公式。

式中, T1、T2分别表示两个评分者的编码个数, T1∩T2表示评分者编码归类相同的个数, T1+T2表示评分者各自编码个数的和。本研究计算得到编码的归类一致性为0.804说明编码一致性较好[1,4]。

2.3.3 效度

根据Spencer等的建议[1], 结合国内相关研究的结果[3,4,5], 本研究采用交叉效度检验的方法, 对两组胜任特征编码的平均分数进行了差异检验, 结果如表3。

*P<0.05, **P<0.01

从统计结果可以看出, 优秀组和普通组在专业知识与技能、关注学生、创建信任感、责任感、严谨求实这五项胜任特征上存在显著差异。两组间的差异在0.05水平上具有统计学意义。

2.4 胜任特征提取

根据行为事件访谈数据分析结果, 找出差异显著的胜任特征, 确定出优秀临床教师胜任特征以及临床教师共有的胜任特征, 共同组成为临床教师胜任特征模型。该模型中包括的具体胜任特征见表4。

3 讨论

3.1 本研究采用胜任特征核检表问卷调查、专家小组访谈和BEI技术对临床教师胜任特征进行分析, 通过对不同绩效水平临床教师编码的胜任特征平均分数的差异检验发现, 专业知识与技能、关注学生、创建信任感、责任感、严谨求实是区分优秀临床教师与普通临床教师的5项特征。

临床教师共有的胜任特征包括分析与解决问题、沟通技能、尊敬他人、学习的热情、勤奋努力、评判性思维、自信心、稳定的情绪、正直诚实。

临床教师共有的胜任特征是指作为一名合格的临床教师, 其工作所需要的基本胜任特征, 这类胜任特征是对临床教师工作的基本要求, 属于合格性胜任特征。对于优秀临床教师, 他不仅具备足够的基本胜任特征, 还要有更高级别的胜任特征, 这类胜任特征对临床教师的工作绩效具有较强的预测和区分作用, 据此能够区分出绩效优秀的临床教师和绩效普通的临床教学工作者。所以优秀临床教师的胜任特征可视为区分性胜任特征。

本研究所得到的胜任特征都非常符合胜任特征定义, 更多强调个体深层次的特征, 即个人的潜在的、深层次特征, 是个体在某一特定情景中的动机、特质、自我形象、态度或价值观、某领域的知识、认知或行为技能[1]。

3.2 编码者的一致性在这类研究中非常重要。

有研究证明, 使用归类一致性方法得到的信度系数较高, 其一致性介于0.80～0.85之间[4]。本研究的CA=0.804说明两名编码者的编码一致性较好。其主要原因可能是编码者在正式编码之前经过编码培训与反复训练, 对胜任特征编码词典中的项目与操作性定义理解的一致性较好, 因此, 归类一致性能达到较好的水平。

3.3

本研究中绩效优秀组和普通组在访谈时间和访谈文稿长度上没有显著性差异, 因此可以消除访谈时间和访谈文稿长度对不同绩效组胜任特征差异造成的影响。

3.4 本研究结果将对临床教师个人、临床教学管理机构产生潜在的应用价值。

对于临床教师个人, 它将为临床教师的继续学习和专业成长的方向提供参考依据。对于临床教学管理机构, 它可用于临床教师业务素质测评、绩效管理;也可用作选拔、提升的依据;还可用来了解在岗临床教师临床教学工作中的优势和需要提升改进的方面以及未来临床教师的培养等。本研究结果也将为后续发展研制一个有效的临床教师胜任特征测评工具提供基础。

本研究在后续的研究工作中将扩大研究范围, 运用本研究已经联立起来的研究工具进行较大规模的研究, 在研制测评工具基础上对临床教师进行绩效追踪, 从实践角度进一步验证优秀临床教师胜任特征。

参考文献

[1]Spencer LM, Spencer SM.Competence at Work:Models for SuperiorPerformance[M].USA, John Wiley&Sons, Inc.1993.222~226.

[2]Hay Group.Managing Performance through competencies.CompetencyDictionary VI, 2003.

[3]时勘, 王继承, 李超平.企业高层管理者胜任特征模型的评价研究[J].心理学报, 2002;34 (3) :306~311.

[4]仲理峰, 时勘.家族企业高层管理者胜任特征模型[J].心理学报, 2004;36 (1) :110~115.

特征成分分析 篇2

福建马坑矿区地下水化学成分的变化特征研究

地下水在含水层中运移,不断与其含水介质发生水岩作用,溶解介质中化学元素.在地下水运移过程中,地下水的化学成分与含量不断发生变化.影响矿区地下水化学成分的.主要因素有含水层的岩石组合、矿物的溶解度、地下水的径流特点、混合作用及人为作用等.

特征成分分析 篇3

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.

玉米籽粒特征提取及主成分分析 篇4

1 玉米种子图像特征提取

首先进行图像获取，通过研究测定，用黑色背景使得图像处理效果更好，因此背景选用黑色，使光照均匀不影响颜色效果，原始图如图1所示。

在进行特征提取前要对图像进行预处理，以便于下一步参数的提取，预处理的过程如图2所示。

预处理完后，针对玉米种子图像特点，由于几何特征能够直观反映种子的外形特征，因此是一大重要参数类别，几何特征包括：轮廓点数、周长、面积、圆形度、当量直径、长轴、短轴、伸长度、矩形度、最大内切圆和最小外切圆。

玉米籽粒的颜色是反映品种和品质的一个重要指标，所有颜色都由红(R)、绿(G)、蓝(B)三基色组合，是易于硬件使用的颜色空间，HSI色彩是适合人的视觉的颜色空间，描述为图像的亮度。亮度I计算公式：I=0.3R+0.59G+0.11B。将读入的彩色图像根据前面的几何特征提取进行单籽粒区域定位，其定位图如图3所示，提取定位后单个籽粒的各个颜色值。分别为RGB和HSI色彩空间的R、G、B、H、S、I均值和标准差共12个。

纹理是一种反映像素灰度的空间分布属性的图像特征, 通常表现为局部不规则但宏观有规律的特征。常用的纹理统计量有均值:m, 标准差:, 平滑度:R=1-1/ (1+μ2) , 三阶矩:μ3, 一致性:。不变矩:

获取籽粒特征部分数据见表1、表2和表3。

2 主分量分析

主成分分析是将提取的众多具有一定相关性的指标，重新组合成一组新的相互无关的综合指标来代替原来指标的统计方法，是数学上处理降维的方法。基本思想是将提取特征数据P个指标作线性组合，按信息量进行排列的综合指标(F1, F2，…，Fp)。其中F1是“信息最多”的指标，线性组合中使var (F1)最大的组合对应的指标，称为第一主成分;F2为第二信息最多的指标，即cov (F1, F2)=0且var (F2)最大，称为第二主成分;依次类推。可知(F1, F2，…，Fp)互不相关且方差递减。在实际应用中选取前几个最大的主成分(总贡献率达到85%以上)，以达到了降维的目的。基本步骤： (1) 指标数据标准化; (2) 指标之间的相关性判定; (3) 确定主成分个数m; (4) 主成分Fi表达式; (5) 主成分Fi命名。

本文共提取原始特征共36个，通过主成分分析可以进行特征优化，主成分得分进行排序，同时计算累计贡献率，如图4所示。

由图4可知：主分量10个的时候，其累计得分就可以达到90%以上，这样取的10个主分量即可以代替前面36个特征数据，很大程度上减少了计算量，提高了用图像识别的速率。

3 支持向量机

统计学习理论就是利用有限的客体特征量将其分到某个类别中去以获得最优分类结果，这样的分类需要一个判定规则，而支持向量机是在统计学习理论的基础上发展的解决小样本、非线性和高维模式问题的方法。本文选择SVM进行分类识别，它与神经网络相比，有良好推广性，具有全局最优解，并解决维数灾难问题。该方法的机理可以简单描述为：寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。

本文将前述提取的特征量进行主分量分析，基于支持向量机采用3个品种来分析优化后的数据并进行识别验证。

4 结论

本研究表明，对玉米籽粒提取的特征用主分量分析能够获取优化，这样不仅精简数据，减少了计算量，并且之后用支持向量机进行识别能够达到较高的识别率，这对以后采用图像识别品种，进行等级判定等都具有良好参考价值。

摘要：玉米种子的形态特征、颜色特征及纹理特征参数对玉米种子的质量评定和品种的识别有着决定性的作用, 然而对种子的所有特征进行提取, 并用其作为判别标准不仅计算量大而且因为数据存在相关性而影响准确率。本文针对这个问题对玉米种子的特征进行提取后并用主分量分析方法进行特征优化, 利用此结构构建的特征库实现径向基SVM对玉米品种的识别, 验证其准确率高达97%。

关键词：玉米种子,特征提取,主分量分析,支持向量

参考文献

[1]韩仲志, 匡桂娟, 刘元永, 等.基于形态和颜色特征的花生品质检测方法[J].花生学报, 2007, 36 (4) :18～21.

[2]郝建平, 杨锦忠, 杜天庆, 等.基于图像处理的玉米品种的种子形态分布及其分类研究[J].中国农业科学, 2008, 41 (4) :994～1002.

[3]闸建文, 陈永艳.基于外部特征的玉米品种计算机识别系统[J].农业机械学报, 2004, 35 (6) :115～118.

[4]熊凯, 李向红, 李言照, 等.基于ANN和PCA的玉米品种特征分析与识别研究[J].粮油食品科技, 2010, 18 (4) :1～5.

主成分分析与全成分分析区别 篇5

主成分分析：是把几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关的一种数学降维的方法。

全成分分析：是将送检样品中的原材料、填料、助剂等进行定性定量分析。塑料原材料种类，填料种类、粒径，助剂种类都能影响对产品的性能、寿命，通常是同一种原材料、同 一种填料，因为助剂种类的不同，造成产品性能大不相同。

主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在实际问题研究中，为了全面、系统地分析问题，我们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，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主要目的是希望用较少的变量去解释原来资料中的大部分变量，将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解释大部分资料中变量的几个新变量，即所谓主成分，并用以解释资料的综合性指标。由此可见，主成分分析实际上是一种降维方法。

分析步骤

数据标准化;

一、求相关系数矩阵;

二、一系列正交变换，使非对角线上的数置0，加到主对角上;

三、得特征根xi（即相应那个主成分引起变异的方差),并按照从大到小的顺序把特征根排列;

四、求各个特征根对应的特征向量;

五、用下式计算每个特征根的贡献率Vi;

Vi=xi/(x1+x2+........)

六、根据特征根及其特征向量解释主成分物理意义。

主成分分析的基本思想

主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。

主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关.通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。

特征成分分析 篇6

1 高维说话人特征的不足

在说话人识别系统中, 高维的特征参数是由长时间的训练语音得来, 更能精确的表征说话人的个性。但是在实时的说话人识别中, 如果一味增加特征的维数会出现很多的问题。比如要想得到高维的特征参数, 训练语音的时间要增长, 并且在识别的时候, 也需要更长的语音去训练分类器, 如果不是, 则会导致识别率下降;还有, 高维的特征分类器也是需要更多的参数来建立模型, 存储空间将会变大, 增加了说话人识别的空间复杂度, 同样, 如果特征是高维的, 在后续很多研究计算中, 时间复杂度也会大大增加。

我们最常用的说话人特征参数的提取方法是MFCC (美尔倒谱系数) 和LPC (线性预测系数) , 并且这两种特征参数的分量之间是含有重复信息的, 也即这些分量之间是有相关性的, 这就使得降维成为可能, 如果用主成分分析方法, 就可以去除冗余, 在保证系统的识别率的前提下, 也降低了特征的维数。

主成分分析其实是一种最优的降维方法, 不仅可以去冗余, 而且可以去噪声, 我们知道, 在众多特征分量之中, 有一些是受噪声影响严重的, 主成分分析如果丢掉那些方差比较小的线性组合, 也就是丢掉了次要因素, 而噪声就是其中一个影响因素。

另外, 如果把语音空间分为字符空间和说话人空间, 经过主成分分析, 语音信息位于被主成分轴 (低阶轴) 所建立的子空间中, 此时说话人空间是位于主成分之后的高阶轴所建立的子空间中, 如果提取特征值比较大的主成分, 即提取了最能表征说话人个性特征的特征分量, 这样从理论分析上可得知, 越能表征说话人的特性的特征越能提高系统的识别率。除此之外, 主成分分析还可以使计算复杂度简化, 使操作训练时间缩短, 使语料可以变少等等。

2 说话人特征的主成分分析

前面的分析研究已经表明了对说话人特征进行PCA的可行性, 在对说话人的语音进行特征提取时, 我们知道, 列数代表帧数, 行数代表维数, 主成分的结果也可以根据前面的分析得到, 显然仅仅用一个主成分去表征是远远不够的, 主成分的个数选取也是由累积贡献率来决定的, 且选取的主成分一定是方差最大的若干个。经过主成分分析的说话人特征向量, 去除了冗余, 它们是互不相关的。并且它丢掉了高维成分, 可能摒弃了一些随机噪声, 这样得到的特征将更能表征说话人的个性。

首先, 基准实验系统的逻辑框图如下图1所示。

到目前为止, 已经有研究人员将主成分分析用于特征数据的变换上, 也即在基准实验平台上多了主成分分析模块, 但是大部分都是针对的语音识别, 也有少部分将PCA用于说话人识别, PCA其实可以分为局部的主成分分析和全局的主成分分析, 局部的主成分分析是将每一个说话人的特征矩阵作为一个整体, 对这样一个整体去进行PCA变换, 如果有N个人, 则可以得到N个系数矩阵, 用每一个系数矩阵去乘以与它相对应的这个说话人的特征便可得到此说话人经过PCA变换之后的特征参数;而全局PCA变换是将所有的说话人作为一个整体, 根据这一个整体去算得其特征向量, 每一个说话人的新特征都是由全部整体得到的特征向量乘以这个说话人原先的特征数据得到的。

经过主成分分析的说话人识别系统与原来的系统相比, 应该要多两个PCA的模块, 一个是PCA的特征向量模块, 用于计算线性组合的系数;另一个是PCA的特征转换模块, 将系数与对应的原始特征相乘, 得到新的特征。

新的说话人鉴别系统的流程为:首先根据每个人的训练语音提取出MFCC或是LPCC特征, 然后再转到一个模块, 计算系数, 然后是由另一个模块计算出新的特性向量, 用这些新的特征向量来训练模型, 因为鉴别是要跟每个人进行匹配, 故要将测试语音与每一个系数矩阵相乘得到很多个新的特征参数, 这个特征与同时输入的系数所对应的说话人进行匹配, 得到这个说话人的模型得分, 将所有说话人的得分计算出来后, 再依据决策规划得到识别结果。

3 实验结果分析

语音库:选取12个人, 每个人读25字, 并且每人读5遍, 建立一个名为“voice”的文件夹。前3遍的前20个字用来训练, 后2遍的后5个字用于测试。

建立模型:本次主成分分析实验用到的均是GMM模型, 将测试的说话人进行特征变换, 即可得到新的特征参数, 再与训练的说话人得到的新的特征参数用矢量量化模型进行匹配, 得到最终结果, 结果正确, 即用“true”进行标识。

3.1 将没有进行主成分分析的识别率与经过PCA转换的识别率对比

在训练时, 先将说话人的语音进行特征提取, 再将每个人的特征参数进行主成分分析, 将所得到的新的向量作为特征数据来训练模型, 在测试时, 也是用经过PCA转换的新特征进行测试, 在MATLAB里面将会得到如图2所示的结果。

图2即为实验结果的一部分, 将所有正确的匹配结果的个数与所测试的结果个数相比, 即可以得到一个说话人识别的准确率。

把所有的没有做过主成分分析的LPC, LPCC和MFCC与做过局部PCA转换的相对应的方法进行比较, 可以得到如表1所示的对比表。

通过表1, 我们可以看到, 对于这三种特征提取方法, 无论是经过PCA转换的还是没有经过主成分分析的特征参数, 最后的结果也即识别率没有明显的差别, 有此情况下没有经过主成分分析的特征要好些, 但有些情况经过PCA转换的识别率要高些, 实验结果很好的说明主成分分析是在保障识别率的前提下进行的, 并且这三种特征提取方法所提取出的特征分量之间是不相关的, 就也是我们把这三种特征提取方法作为主流方法的最根本的原因。

上述用的是局部主成分分析法, 也即对每一说话人分别求线性系数, 然后与这个人做线性组合得到相对应人的新特征, 下面我们用全局主成分分析法, 将所有说话人特征参数作为一个整体, 然后对这一个整体求特征值与特征向量, 作为新的线性组合系数, 每个说话人的原始特征与这一新的系数作线性组合即可以得到一个新的特征矩阵, 将这个矩阵作为相对应人的特征, 同样, 在识别的时候, 将测试人的语音与这个系数作线性组合, 在与库里面的所有的人的新特征作匹配, 以最小距离作为最终匹配的结果。全局PCA转换的实验流程图如图3所示。

由图3即可看到, 与局部PCA变换不同的是, 全局PCA变换中的特征变换矩阵只有一个, 所有人的特征参数均经过这个特征变换矩阵得到新的特征。

按照全局PCA变换的实验流程, 得到结果如表2所示。

上述两张表格的结果进行对比, 同样的语音, 同样的识别模型, 就可以将普通特征参数、局部PCA转换参数以及全局PCA转换的特征参数进行对比, 但是实验结果显示, 经过PCA转换后与基准的特征参数对实验结果并没有太大影响, 也进一步证明了, 主成分分析可以在保证识别率的前提下, 去掉特征之间的相关性和冗余性, 简化运算, 即主成分分析适用于对说话人识别中的特征参数进行处理。表1与2对比可以看出, 全局PCA之后的识别率较局部有所提高。

3.2 将经过主成分分析之后的新的特征参数进行因子分析

我们就三种经常用到的特征提取方法做了两因子方差分析, 分析了说话人因素或是字符因素所占的权重, 在对特征参数进行主成分分析降维之后, 可以得到一个新的特征参数, 对这个新的特征参数再使用同样的模型及方法进行两因子分析, 可以说明进行主成分分析之后的特征参数是否能更好的表征说话人。

首先, 将进行局部PCA变换得到的新的特征进行动态时间规整处理, 取其中相同的一个人的语音为模板。得到如下表3所示的两因子方差分析表。

表 (1) 、 (2) 、 (3) 分别代表了说话人语音经过LPC、LPCC及MFCC特征提取后, 再经过局部PCA转换之后的新特征进行的两因子方差分析。

与局部变换一样, 将进行全局变换的新特征进行两因子方差分析, 在MATLAB仿真中即可得到最终结果如下表4所示。

与没有经过主成分分析的特征进行两因子分析结果相比, 说话人因素与字符因素的影响权重有小小增加, 这就说明了, 经过主成分分析之后的特征参数跟原来的特征参数相比, 并没有降低说话人的影响, 从而为说话人识别率做出了保障。

并且由表3与表4对比可以看出, 两种主成分分析之后的因子的F比改变均不是很大, 全局PCA变换的特征误差比局部PCA变换特征误差要小, 有可能是因为全局PCA变换包括了全部说话人信息的缘故, 降噪能力有所增强。

4 结束语

本文主要研究主成分分析这种方法在说话人识别系统的应用, 主成分分析是一种最优降维分析方法, 可以分为全局的主成分分析与局部的主成分分析, 通过实验就可以证明, 主成分分析在最大程度上保留了原先数据信息, 经过PCA转换的特征与基准的特征对最终的识别率的影响差别不大。主成分分析除了可以降维, 还可以去噪, 通过对主成分分析之后的新物征进行两因子分析, 即可以说明主成分分析对说话人影响与字符影响的比重并没有多大影响, 从而使得这种方法运用到说话人识别系统中, 不但在保证识别率的基础上简化了计算, 而且还可以达到降噪的目的, 是一种有效的多元统计分析方法。

参考文献

[1]何金瑞.说话人识别中的模式匹配方法研究[D].西华大学, 2009.

[2]张兴明, 王科人, 黄山奇等.一种基于PCA的段级特征[J].电子技术应用, 2011.

特征成分分析 篇7

1 资料与方法

1.1 一般资料

选取2014年6月—2015年9月本院感冒患者抗感冒药物处方420份,患者中男209例,女211例;儿童365例,成人55例。

1.2 方法

回顾性分析420例患者应用感冒药物成分的药理特征及临床用药情况。具体观察临床抗感冒药的常见药物类别、抗感冒药用药比例及临床不合理用药情况,并对解决临床不合理用药的方法进行探讨,在此基础上分析不同类型抗感冒药物的药理成分的正确用药方法,以减少临床不合理用药的发生。

1.3 统计学方法

采用SPSS 18.0统计软件进行数据处理,计量资料以±s表示,采用t检验;计数资料采用χ2检验。以P<0.05为差异有统计学意义。

2 结果

2.1 处方分析结果

420份抗感冒药物处方中感冒用药处方不合理98张,占23.3%。其中,感冒用药药物成分重复处方60张,占14.3%;感冒药物使用不对症处方38张,占9.0%。感冒用药药物成分重复处方发生率高于感冒药物使用不对症发生率,差异有统计学意义(P<0.05)。

2.2 抗感冒药物成分分析420份抗感冒药物处方中使用率最高的为双扑伪麻分散片,占50.7%(213/4 2 0),其次为复方锌布颗粒,占29.0%(1 22/4 2 0),愈酚甲麻那敏颗粒占1 2. 9%(54/4 2 0),酚麻美敏口服液占3.8%(16/4 2 0),复方氨酚烷胺片占3.3%(14/4 2 0),酚氨咖敏片占0.2%(1/4 2 0)。涉及的有效成分药理作用包括:解热解痛类、收缩血管类、抗组胺类、镇咳祛痰类、抗病毒类及其他类。详见表2。

2.3 抗感冒药成分的药理特征

2.3.1 解热解痛类

该类药物包括对乙酰氨基酚、布洛芬等成分,能有效发挥解热解痛的药理作用,可缓解感冒患者伴有的头痛、发热等临床症状[7]。

2.3.2 抗组胺类

该类药物包括氯苯那敏等成分,能有效发挥抗组胺的药理作用,可缓解感冒患者出现的流鼻涕、打喷嚏等症状[8]。

2.3.3 镇咳祛痰类

该类药物包括右美沙芬等成分,能有效发挥镇咳的药理作用。此外还包括愈创木酚甘油醚等成分,能有效发挥祛痰的药理作用。右美沙芬能改善感冒患者咳嗽频率,愈创木酚甘油醚可稀释痰液。

2.3.4 收缩血管类

该类药物包括盐酸伪麻黄碱、消旋盐酸甲麻黄碱等成分,能有效发挥收缩血管的药理作用,可缓解感冒患者出现的鼻黏膜充血症状。

2.3.5 抗病毒类该类药物包括盐酸金刚烷胺,能有效发挥抗病毒的药理作用。

2.3.6 其他类

该类药物包括咖啡因等成分,能有效发挥兴奋中枢的药理作用[9],有效缓解感冒患者的嗜睡、疲劳等临床症状。

3 讨论

感冒主要由咽喉、鼻腔急性炎症引发[10],其发病率较高,一年四季均可发病,且多发于冬、春季节[11]。目前,临床多采用抗感冒药物治疗,但抗感冒药物有着相同或相似的药物成分,易导致临床上出现不合理用药,影响患者治疗效果。因此,临床医师必须具备丰富的药学专业知识,熟练掌握各种抗感冒药物有效成分的药理特征,并在临床治疗中切实结合患者具体症状合理应用抗感冒药物,以最大限度地提升临床用药的合理性、安全性与科学性。

本研究结果显示,420份抗感冒药物处方中感冒用药不合理处方98张,占23.3%。其中,感冒用药药物成分重复处方占14.3%;感冒药物使用不对症处方占9.0%。感冒用药药物成分重复处方发生率高于感冒药物使用不对症发生率,差异明显,与相关文献报道一致[12]。提示目前临床上抗感冒药物的应用存在不合理之处,应引起高度重视。重复用药在临床上较为常见,如一例诊断为咽炎的患儿,选用酚麻美敏口服液和复方锌布颗粒联合使用,该两种药品中均含解热镇痛药成分和马来酸氯苯那敏,联合用药造成部分成分重复,增加了不良反应。而抗感冒药的使用不对症在临床上也较为常见,如鼻塞为病毒性感冒常见症状,会严重影响患者呼吸功能,导致其出现肺部、咽部不适感。因此,临床治疗中应选择具有盐酸麻黄碱成分或盐酸伪麻黄碱成分的感冒药,一旦选用其他不对症感冒药,会加重患者病情[13]。此外,本研究结果显示,临床上抗感冒药成分的药理特征包括解热解痛类、收缩血管类、抗组胺类、镇咳祛痰类、抗病毒类及其他类。因此临床医师及药学工作者在临床用药中必须全面了解和掌握药物成分的药理特征,合理选择抗感冒药物,实现安全用药。

此外,在抗感冒药物的应用过程中应重视以下6个方面:(1)对乙酰氨基酚、阿司匹林是解热镇痛类抗感冒药物[14],临床普遍认为,针对儿童普通感冒或流行性感冒,相对安全的解热镇痛药是对乙酰氨基酚,可有效缓解儿童发热、头痛等症状。阿司匹林会导致患者出现胃部不适等症状,严重者甚至会出现胃出血,所以此类抗感冒药物不适用于患有消化系统疾病的患者。(2)具有抗组胺药理作用的抗感冒药物能抑制H1受体,且催眠效果较强,极易导致患者出现嗜睡、疲劳等症状,所以此类抗感冒药物并不适用于司机、高空作业等人群,且此类抗感冒药物与乙醇作用后会增强药效,所以服用过程中应避免饮酒,不要饮酒后服药。此外抗组胺类抗感冒药物还会提高患者眼压,所以此类抗感冒药物并不适用于患有青光眼的患者。(3)具有镇咳药理作用的抗感冒药物并不适用于咳痰患者,且此类抗感冒药物中包括磷酸可待因等成分,长期服药会导致患者出现一定的依赖性。此外具有祛痰药理作用的抗感冒药物会损伤患者消化系统,导致其出现呕吐、恶心等症状,因此此类抗感冒药物应该避免空腹服用。(4)具有收缩血管药理作用的抗感冒药物会在一定程度上改变患者的血流动力学,极易导致患者出现心跳加快、血压升高等临床症状[15],所以该类抗感冒药物并不适用于具有前列腺疾病、高血压及心脏病的患者,以免导致患者病情复发。(5)长期应用含兴奋中枢药理作用的抗感冒药物会导致患者出现一定的依赖性,所以该类抗感冒药物并不适用于婴儿,否则会导致婴儿出现一定程度的惊厥,影响其病情康复[16]。(6)复方锌布颗粒含有葡萄糖酸锌应餐后服用,以减少葡萄糖酸锌对胃的刺激。

目前,临床上广泛应用的抗感冒药物并非单一成分,而是由多种成分组成的复合制剂,因此如果在临床应用过程中没有了解和掌握抗感冒药物的具体成分及药理作用,极易出现临床不合理用药、重复用药及用药不对症等现象,影响治疗效果。

综上所述,临床应用抗感冒药物时,应全面了解和掌握药物成分的药理特征,充分结合患者临床症状开具处方,以减少不合理用药情况的发生。

摘要：目的 探讨抗感冒药物成分的药理特征及临床用药情况。方法 选取2014年6月—2015年9月本院感冒患者抗感冒药物处方420份,分析临床感冒药物成分的药理特征及临床用药情况。结果 420份抗感冒药物处方中不合理感冒用药处方98张,占23.3%。其中,感冒用药药物成分重复处方60张,占14.3%;感冒药物使用不对症处方38张,占9.0%。感冒用药药物成分重复处方发生率高于感冒药物使用不对症发生率,差异有统计学意义(P<0.05)。420份抗感冒药物处方中使用率最高的为双扑伪麻分散片,占50.7%(213/420),其次为复方锌布颗粒,占29.0%(122/420),愈酚甲麻那敏颗粒占12.9%(54/420),酚麻美敏口服液占3.8%(16/420),复方氨酚烷胺片占3.3%(14/420),酚氨咖敏片占0.2%(1/420)。涉及的有效成分药理作用包括:解热解痛类、收缩血管类、抗组胺类、镇咳祛痰类、抗病毒类及其他类。结论 临床应用抗感冒药物时,应全面了解和掌握药物成分的药理特征,充分结合患者临床症状开具处方,以减少不合理用药情况的发生。

特征成分分析 篇8

1 资料与方法

1.1 一般资料

选取我院2012年3月至2013年3月对感冒患者开具的处方240张, 所有处方均是从医院收治病例所开具处方中随机抽取。其中普通感冒100例, 流行性感冒140例。所有感冒患者均在患病后接受正规医院的治疗, 分别按照医生开具的药物处方进行治疗。

1.2 方法

对240张处方的临床用药情况进行回顾性分析, 并对其中存在不合理用药的情况进行观察和研究, 针对不合理用药情况提出相应的解决措施, 重点围绕不同类型药理成分的用药方法进行分析和阐述。

2 结果

通过对抗感冒药物的临床用药情况进行有效性研究, 对240张处方的临床感冒用药情况进行回顾性分析, 见表1。

由此可见, 出现不合理用药的原因是各类感冒药物之间的药物成分较为相似, 而药物成分重复及不对症用药的情况也时常发生。

3 讨论

3.1 抗感冒药物成分的药理特征

3.1.1 抗过敏性感冒药物成分

由于感冒时会出现鼻塞、流涕、咳嗽等临床症状, 这主要是上呼吸道细菌感染引起的不适症状, 所以针对这种情况, 应采用抗过敏性感冒药物给予治疗[1]。在各类感冒药物中, 抗过敏成分主要包括马来酸氯苯那敏片、苯海拉明等。马来酸氯苯那敏片是最强的抗组胺药物之一, 镇静作用较异丙嗪弱, 但有一定的抗胆碱作用。该药物可逆性占领组胺受体, 竞争性阻断组胺与受体结合, 从而表现抗组胺作用。苯海拉明的药理作用能够与组织中释放的组胺竞争效应细胞上的H1受体, 从而防止过敏发作;该药物还能直接作用于延髓的咳嗽中枢, 抑制咳嗽反射[2]。

3.1.2 抗充血性感冒药物成分

感冒时, 患者经常会出现鼻噻和呼吸不畅等情况, 主要是由于患者鼻黏膜充血所致。因此, 采用相应的感冒药物减轻患者鼻黏膜充血的症状, 如盐酸伪麻黄碱, 其药理作用是通过促进去甲肾上腺素的释放, 间接发挥拟交感神经作用, 具有选择性地收缩上呼吸道毛细血管, 消除鼻咽部黏膜充血、肿胀、减轻鼻塞症状, 对全身其他脏器的血管无明显收缩作用, 对心率、心律、血压和中枢神经无明显影响[3]。

3.1.3 止咳感冒药物成分

咳嗽是感冒患者最常见的症状, 大多数感冒患者会伴有咳嗽, 所以在感冒药物的使用过程中, 应选择有止咳成分的感冒药物。如氢溴酸右美沙芬, 该药物为中枢性镇咳药物, 主要抑制延脑的咳嗽中枢而发挥作用, 通过抑制延髓咳嗽中枢而发挥中枢性镇咳作用。该药物镇咳强度与可待因相似。主要用于干咳, 适用于感冒、急性或慢性支气管炎、咽喉炎及其他上呼吸道感染时的咳嗽。

3.1.4 解热镇痛的感冒药物成分

在日常所见的各类感冒药物中, 其适用最多的症状是解热镇痛, 其也是感冒药物中最重要的成分。如阿司匹林、对乙酰氨基酚等, 其作用主要针对感冒中出现发烧症状, 还能起到一定止痛的作用。对乙酰氨基酚为白色结晶性粉末, 有解热镇痛作用, 用于感冒发烧、关节痛、神经痛、偏头痛等。该药物是最常用的非抗炎解热镇痛药物, 解热作用与阿司匹林相似, 镇痛作用较弱, 无抗炎、抗风湿作用, 其主要是抑制人体前列腺素的合成, 以此起到解热镇痛的药理作用。阿司匹林通过作用于下视丘体温调节中枢引起外周血管扩张, 皮肤血流增加、出汗、使散热增加而起到解热作用, 该中枢性作用可能与前列腺素在下视丘的合成受到抑制有关;其镇痛作用主要是通过抑制前列腺素及其他能使痛觉对机械性或化学性刺激敏感物质的合成, 属于外周性镇痛药物。但是这类药物会使患者胃肠产生不良反应, 对胃部的刺激性较强。因此, 在临床使用时, 伴有胃肠道溃疡的患者不宜选择, 避免胃溃疡复发。

3.2 临床常见感冒药物的成分

在日常生活中, 可见各种各样的感冒药物, 如新康泰克、白加黑等。其中白加黑的通用名为氨酚伪麻美芬片, 其主要成分为对乙酰氨基酚、氢溴酸右美沙芬、盐酸伪麻黄碱及盐酸苯海拉明。新康泰克的通用名为复方盐酸伪麻黄碱缓释胶囊, 其主要成分是盐酸伪麻黄碱、马来酸氯苯那敏。

3.3 抗感冒药物的合理选用

在临床使用感冒药物时, 由于各类感冒药物成分大同小异, 但均各有适应症, 所以在使用时应根据患者病情状况对症用药。首先, 根据患者症状选择, 如患者出现发热头痛症状, 应选择含解热镇痛药物成分的抗感冒药物;如患者有鼻塞、流体的症状, 应选择含有H1受体阻断药物成分和血管收缩药成分的抗感冒药物。其次, 根据工作需要选择, 对从事驾驶工作的感冒患者来说, 要避免使用含盐酸氯苯那敏或苯海拉明药物成分的感冒药物, 因这类药物的成分会引起患者出现嗜睡的不良反应, 必须谨慎选择。再次, 根据患者年龄选择, 婴幼儿禁用含咖啡因及伪麻黄碱的感冒药物, 这类药物会使婴幼儿中枢神经兴奋;孕妇及哺乳期妇女要慎用感冒药物, 由于其成分会影响胎儿的健康;老年人要避免使用伪麻黄碱的感冒药物, 会引起患者血压升高[4]。在服用感冒药物期间严禁饮酒, 如果服药期间饮酒会造成患者肝、肾组织损伤, 严重会导致患者肝坏死。

综上所述, 在临床使用感冒药时, 一定要合理选择感冒药物, 其对治疗感冒具有十分重要的作用。熟悉和了解抗感冒药物成分的药理特征及作用是合理选择抗感冒药物的基础和前提[5]。只有充分了解患者病情状况、合理用药, 避免盲目用药或重复用药导致不良反应的发生, 才能提高感冒患者的临床治疗效果, 提高患者生活质量。

参考文献

[1]罗明兰.抗感冒药物的应用与不良反应浅析[J].临床合理用药杂志, 2012 (20) :523-524.

[2]郭效东.抗感冒药物成分的药理特征及其临床用药分析[J].当代医学, 2012 (16) :150-151.

[3]王晶晶, 闫灿.抗感冒药物使用现状的调查与分析[J].郑州铁路职业技术学院学报, 2012 (1) :62-64.

[4]邓敏.抗感冒药物的合理应用分析[J].中国医药指南, 2011 (35) :258-259.

特征成分分析 篇9

如今,市场上的橙汁品牌越来越多,每种品牌橙汁的营养成分基本相同,如能量、碳水化合物、蛋白质等,但含量各异,价格也大相径庭。本文应用主成分分析法针对橙汁的各种营养成分含量相关性进行研究,对市面上常见品牌橙汁的营养成分指标进行归纳总结。主成分分析法作为分析和归纳数据类型的一种主流方法已被应用于多个领域,都取得了很好的效果。将不同品牌的橙汁营养成分指标进行主成份分析,可以在初步检测中选取主成分中易于检测的指标来代表整个主成分的含量,进而可以通过3个主成分含量来代表样本整体的成分含量情况,同时也利于消费者合理地选择橙汁的品牌,在不丢失营养的同时选择更加经济的商品。

2 数据来源

本文所有的数据都收集自不同品牌橙汁外包装,厂方自己标明的指标无法完全代表其产品中成分的含量,但是就研究而言有一定价值。对于一些未标明的成分,为了使得分析更为精确,用此类指标的平均数值进行代替,同时也能使得其对整个分析造成的影响最小。橙汁营养成分指标原始数据见表1。表中只列出了常规的特征性指标,而一些较少的指标,对于分析研究没有很大影响,便没有在表中列出,且当厂方标明的特征性指标处于某一范围时,为了数据分析的准确,取其范围中的平均值。

3 主成分分析法概述

主成分分析法(Principal Component Analysis, PCA)也称主分量分析或矩阵数据分析,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。若某研究对象有两项指标ζ1和ζ2,从总体ζ(ζ1,ζ2)中抽取了N个样品,它们散布在椭圆平面内(图1),指标ζ1与ζ2有相关性。η1和η2分别是椭圆的长轴和短轴,η1⊥η2,故η1与η2互不相关。其中η1是点ζ(ζ1,ζ2)在长轴上的投影坐标,η2是该点在短轴上的投影坐标。从图1可以看出点的N个观测值的波动大部分可以归结为η1轴上投影点的波动,而η2轴上投影点的波动较小。若η1作为一个综合指标,则η1可较好地反映出N个观测值的变化情况,η2的作用次要。综合指标η1称为主成分,找出主成分的工作称为主成分分析。

可见,主成分分析即选择恰当的投影方向,将高维空间的点投影到低维空间上,且使低维空间上的投影尽可能多地保存原空间的信息,就是要使低维空间上投影的方差尽可能地大。

4 主成分分析法的应用

4.1 原始数据的处理和标准化

由于原始数据矩阵庞大,如对全部指标进行分析,将会导致主次要成因相混淆;若仅选其中部分指标,又可能会影响分析结果的代表性和完整性。此外,为了克服不同变量数值差异过大而造成的主成分分析误差,按照主成分分析法要求,应对原始数据矩阵进行标准化,进而得到进行主成分分析的变量的相关系数矩阵,见表2。

4.2 橙汁特征性指标主成分分析的计算结果

主成分分析的计算结果中,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70%。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。

表4表明,前3个主成分积累方差贡献率达到81%,根据主成分分析法的一般原理,可取前3个具有明显代表性的主成分,原有的6个变量可用3个主成分表示,如表5所示。

根据橙汁特征性指标的实际状况和主成分分析的要求,本文取前3个主成分来反映原来的6个变量,其方差的累计贡献率已达到81.45%,3个主成分的贡献率分别为39%、22%和20%,3个主成分在81.45%的程度上反应了某一样本的营养成分情况与离子条件。可以认为,这3个主成分基本上能够反映出原变量的变化所代表的橙汁营养标准。

在第一主成分中,能量和碳水化合物两个指数所占权系数较大,并且两个指标变化方向一致,呈正相关,说明引起这两个指标变化的原因相似,而处理的方式也相关。实际上,摄入碳水化合物是快速补充能量的最佳途径,它是能量的直接来源,所以能量和碳水化合物的含量可以用第二主成分来表示,将其命名为糖能量成分。

在第二主成分中,蛋白质和脂肪两个指数所占权系数较大,并且两个指标变化方向一致,呈正相关,说明二者的来源相似,处理相近。蛋白质和脂肪所具有的能量极高,蛋白质是橙汁中脂肪的唯一来源,因而蛋白质、脂肪的含量直接决定了能量的高低,所以蛋白质和脂肪指标的含量可以用第一主成分来表示,将其命名为蛋白脂肪成分。

在第三主成分中,Na和维生素C两个指数所占权系数较大,并且两个指数变化方向一致,呈正相关,说明二者来源相似,处理相近。Na是人体所必须的元素,缺乏相应的盐会导致人体不适,而维生素C也是人体必须的有机物质,必须经常从饮食中摄取,故pH值与偏硅酸含量可以用第三主成分表示,将其命名为维生素Na成分。

5 结语

主成分分析法结果表明,饮用水的成分可以分为三类:第一能量成分、第二能量成分和维生素Na成分.每种成分中所包含的变量都是正相关的,故在橙汁初步检测时,可以仅抽取主成分中的一个变量进行检测,以代表整个主成分的含量,所得出的结论与完全检测所有指标得出的结论相近程度达81.45%,可以大大减少初步检测的成本和工作量。主成分分析法是进行产品质量检测的一种很好的工具,其分析结果对橙汁生产厂家具有指导作用,同时对消费者经济的消费也具有导向作用。数据和品牌证明,并不是纯的橙汁所含的营养成分就高,也不是含营养成分高价格也高。消费者可以根据自身对营养成分的需求,合理选择自己想要的橙汁品牌,当然,最好的营养摄入其实是直接食用新鲜橙子,无添加易吸收。

参考文献

[1]汪应洛.系统工程[M].北京:机械工业出版社,2009.54～60.

[2]方开泰.实用多元统计分析[M].上海:华东师范大出版社,1989.

特征成分分析 篇10

PCA方法是面部识别的主流方法之一, 主要用于数据降维, 对于一系列sample的feature组成的多维向量, 多维向量里的某些元素本身没有区分性, 用它做特征来区分, 贡献会非常小。所以我们的目的是找那些方差大的那些维, 而去除掉那些变化不大的维, 从而使feature留下的都是“精品”, 减低计算量。

1 PCA算法基本原理

在整体面部近似重建方面, PCA方法已被广泛应用于面部特征识别领域。使用加权组合的特征向量, 把给定的图像用被看成全局面部的特征图像进行扩展。人脸数据库中所有面部被以高维向量构造出整个图像空间。由于面部都有相似的结构 (眼睛, 鼻子和嘴等) , 所以描述面部的向量之间相互联系, 因此面部特征图像可以用一组由训练面部图像协方差矩阵产生的特征向量表示。这个想法来自于特征图像是去找到一个更低维空间, 用短的向量描述面部特征。图1为图像和面部特征空间坐标系。

1.1 计算特征脸

假设人脸数据库的面部图像是W*W的。一组图像相当于一组在高维空间的点。

脸部图像在结构上相似, 这些点的分布伴随一定的规律, 因此可以使用低纬子空间进行描述。PCA给出了这个子空间的基向量, 每个基向量的长, 同时协防差矩阵的特征向量与原面部图像相一致。

I1, I2, …., IM为一组面部特征图像训练集。平均脸定义为:

每个脸偏离平均脸程度用向量Yi=Ii-A表示, 协方差矩阵C为:

协方差矩阵的特征向量被计算出来, 同时选择M'最大特征值对应的特征向量作为有意义的特征向量。从这些特征向量, 每一幅图像在训练组的分量通过如下计算出来

其中E'Ks是C最大的特征值M'对应的特征向量, K从1变化到M'。图2为分量不同对应的特征脸。

1.2 分类

测试图像Itest通过以下操作如下放入面部空间

权重Wi K组成一个向量TpT=[W1, W2, ..., WM'], 这个描述每一个输入脸部图像的特征脸的贡献。这个向量可以用来使测试图像与预先确定的脸部类相匹配。一个简单的技巧是通过Tp计算Wtest K的距离, 其中Tp是pth类的均值向量。当min (Dp) <θ时, 这个测试图像可以认为是p类的, 其中D=v|Wtest-Tv|和θi是阀值。

2 分区域PCA方法

基于PCA的面部特征识别方法在多姿态和光照变化的情况下不是非常有效。如果面部特征图像被分成较小的区域, 计算每一个区域的权重向量, 这些权重包含更多本地面部信息。当只有姿态或光照一种因素变化时, 只有一些区域将会变化, 其他区域将会与前保持一致, 所以脸部区域权重可以降低受到变化的姿态和光照的影响。因此期望通过以下分区域PCA方法提高识别率。我们预计如果面部特征图像被分成非常小的区域面部特征将可能会丢失全局信息, 同时这种方法的准确性可能会恶化。在这个方法中, 每一幅在训练集中的图像被分成N个小的图像。因此每个子图的大小将是2LN。这些子图用数学表示为:

所有训练子图的均值图通过以下计算出来:

下一步通过减去均值来标准化每个训练子图:

通过标准化子图的可以计算协防差矩阵如下:

下一步我们发现C的特征向量与最大的特征值相关联。我们把特征向量记为。通过特征向量计算权重如下所示:

其中K取值为1, 2, …, M', n从1到Γ, Γ为每个人的图片数量, p从1到P, P为训练集中人的数量。

在训练集中每一类均值权重集通过类的权重组计算出来。如下所示:

下一步通过如下所示计算出最小距离:

min (Dν) <θi, p为一个特定的值。由于在训练集对应的面部特征类是最接近测试图像。因此测试图像被公认为属于pth面部特征类。

3 小结

本文研究的是PCA主成分分析在面部特征识别中的应用。通过测试发现在光照稳定, 正面姿态, 无遮挡情况下, 基于PCA的人脸识别系统的识别率高, 反应迅速。为了提高在多姿态和光照变化的情况下基于PCA的面部特征识别系统的性能和适应性, 我们尝试提出分区域PCA方法进行改进:

分区域PCA方法将面部特征图像分区域计算权重向量。能在光照, 发型变更或背景变化的条件下包含足够本地面部信息, 在角度, 光照, 尺寸和表情变换的情况下仍然保证性能可靠。

摘要：在实际应用中, 面部往往看成高维数据, 因此会遇到维数灾难问题, 需要对数据降维方便特征提取。PCA (principal Component Analysis) 算法能够用于对原有数据进行简化, 将复杂数据降维, 利用这个原理对高维面部图像进行表征, 通过去除相关性, 减少冗余, 用相对较少的变量来表达面部最主要的特征, 达到快速识别面部的目的。

关键词：PCA,降维,面部特征图像,快速识别

参考文献

[1]李武军, 王崇骏, 张炜, 陈世福.面部特征识别研究综述[J].模式识别与人工智能, 2006, 20 (02) :470-475.

[2]W.ZHAO Face Recognition:A Literature Survey ACM Computing Surveys, Vol.35, No, 4December 2003, pp.399-458.

[3]Y.kaya and K.Kobayashi, ”A basic study on human face recognition[J]”, Frontiers of patern Recognition cs Watanabe, Ed, 2000:265-269

[4]Johnson C, Seidel J, and Sofer A.Interior point methodology for 3-D PET reconstruction[J].IEEE Transactions on Medical Imaging, 2000, 19 (04) :271-285.

[5]Yang MH, Kriegman D, Ahuja N.Detecting faces in images:A survey.IEEE Trans Pattern Analysis and Machine Intelligence, 2002, 24 (01) :34-58.