摘要：利用主成分分析法和SPSS软件对膜下滴灌不同年限棉田土壤表层盐渍化程度进行了评价和分析。结果表明:利用主成分分析法可以有效地识别影响土壤表层盐渍化的主要成分,揭示土壤盐渍化影响离子的相互关系;以石河子121团实验地化验结果为依据,利用主成分分析法进行了分析,最后得出了该地块以氯化物-硫酸盐为主,为土壤盐渍化评价的定量化研究提供了依据,从而说明主成成分分析法在土壤盐溃化的评价中是切实可行的。

摘要：针对因长时间的信号采集使得振动信号面临数据量大的问题。传统的信号分析方法,已无法解决大数据情况下故障的特征提取与分类,同时采集到的数据样本具有多维度多样本的情况,导致训练网络时在前期导入数据阶段耗费大量时间与硬件的内存,并且会导致网络训练中产生过拟合现象,影响分类准确率。针对以上问题本文提出基于主成分分析与堆叠自动编码机相结合的齿轮故障诊断研究,以实现对齿轮振动信号快速准确的特征提取与分类。首先对原始信号进行主成分析,得到各主成分贡献率,其次,选取主成分贡献率高的前几列作为深度学习网络输入样本。最后深度学习网络即堆叠自动编码机网络对训练数据集进行学习提取数据中的特征并应用测试数据集部分进行分类并计算分类的准确率。最终,实验中将所提深度学习方法与传统的特征提取方法和分类方法进行比较最终识别精度进行比较。实验结果表明本文所提方法最终可以达到98.6%的准确率,实现端到端的故障诊断方法,可以很好的应用于故障诊断领域。

摘要：提出了一种基于PCA-PNN-LVQ的电压跌落扰动源分类辨识模型。该模型基于模拟电压跌落数据,利用主成分分析(principal component analysis,PCA)对数据进行降维,基于深度学习方法概率神经网络(probabilistic neural network,PNN)提取数据特征,利用学习向量量化(learning vector quantization,LVQ)对电压跌落类型进行分类。仿真实验表明,该模型能有效识别电压跌落类型。与其他仅使用PNN、PCAPNN和PNN-LVQ的模型相比,该模型对其中电压跌落源的识别精度最好。PCA-PNN-LVQ方法在中小型样本数据集上具有较好的性能。

摘要：在人机界面设计方法的基础之上,针对医疗器械双重人机界面的特点,提出了面向医疗器械人机界面设计的意象尺度评价研究方法,同时结合医疗器械的人机界面设计进行了科学研究,得到医疗器械的人机界面意象尺度分布图,找到了人们对医疗器械的认知模式,验证了上述理论方法。

摘要：随着人脸识别、计算机网络信息技术以及嵌入式等技术的提高与发展,人们逐渐体会到科技给生活带来了很多便利和益处。本论文所提出的系统设计是通过摄像头采集人脸图像,在后台应用系统完成人脸图像判别,然后将判别结果发给单片机发送命令来控制门禁。软件上首先利用主成成分分析做相应的预处理,然后线性判别分析提取特征向量,利用所求得的特征矩阵对于参与训练的人脸图像和需要测试的人脸图像进行处理,最后采用最近邻分类器进行识别。