5.1.2特征提取 原始特征的数量可能很大，或者说样本是处于一个高维空间中，通过映射（或 变换)的方法可以用低维空间来描述样本，这个过程叫做特征提取。映射后的特 征叫做二次特征，是原始特征的某种组合（通常是线性组合)。 特征提取是在高维特征参数空间中，通过映射（或变换）的方法用低维空间来 描述样本的过程；而特征选择是选择特征参数空间中的某些向量而放弃其他向量， 并不改变向量的方向。 在仿生嗅觉气味信息的特征提取中，最为常用的特征提取方法是主成分分析
5.1.2 特征提取 原始特征的数量可能很大，或者说样本是处于一个高维空间中，通过映射（或 变换）的方法可以用低维空间来描述样本，这个过程叫做特征提取。映射后的特 征叫做二次特征，是原始特征的某种组合（通常是线性组合）。 特征提取是在高维特征参数空间中，通过映射（或变换）的方法用低维空间来 描述样本的过程；而特征选择是选择特征参数空间中的某些向量而放弃其他向量， 并不改变向量的方向。 在仿生嗅觉气味信息的特征提取中，最为常用的特征提取方法是主成分分析
内容概要 5.1气味信息的特征与提取 ●5.2气味信息的预处理 ● 5.3主成分分析 ●5.4独立成分分析 05.5聚类分析 ●5.6线性判别分析 ●5.7支持向量机分析
内容概要 ⚫ 5.1 气味信息的特征与提取 ⚫ 5.2 气味信息的预处理 ⚫ 5.3 主成分分析 ⚫ 5.4 独立成分分析 ⚫ 5.5 聚类分析 ⚫ 5.6 线性判别分析 ⚫ 5.7 支持向量机分析
5.2气味信息的预处理 表5.1常用的预处理方法及其数学模型 气味信息预处理是对仿生 方法 公式 嗅觉系统传感器阵列的响应 差分(difference) =- 信号进行预加工，包括滤波、 变换等操作。 相对差分(relative) yV Vin 目的是滤除信号采集过程 分式差分(fractional difference) xy=(-)/ 中引入的噪声和干扰，提高 对数(logarithmic difference) y=log(g-w"） 信噪比，消除信号的模糊和 失真，增强有用信号。表5.1 传感器归一化(sensor normalization) 给出了常用的预处理方法及 数学模型。 阵列归一化（array normalization) =/z
5.2 气味信息的预处理 气味信息预处理是对仿生 嗅觉系统传感器阵列的响应 信号进行预加工，包括滤波、 变换等操作。 目的是滤除信号采集过程 中引入的噪声和干扰，提高 信噪比，消除信号的模糊和 失真，增强有用信号。表5.1 给出了常用的预处理方法及 数学模型
5.2气味信息的预处理 不同的传感器与不同的信号预处理方法结合有不同的特点： >相对差分法和分数差分法有助于补偿传感器的温度敏感性，部分差分模式 除了可以补偿敏感性外，还能使金属氧化物传感器电阻与浓度参数的关系线性 化。 >对数法可以使高度非线性的浓度依赖关系线性化。 >传感器归一化法使得响应向量的每一个元素处于同一数量级，减少计算误 差，同时为输入空间准备合适的数据；其实质上相当于调整增益，在样本浓度 不明确且需精确识别时比较有效
5.2 气味信息的预处理 不同的传感器与不同的信号预处理方法结合有不同的特点： ➢ 相对差分法和分数差分法有助于补偿传感器的温度敏感性，部分差分模式 除了可以补偿敏感性外，还能使金属氧化物传感器电阻与浓度参数的关系线性 化。 ➢ 对数法可以使高度非线性的浓度依赖关系线性化。 ➢ 传感器归一化法使得响应向量的每一个元素处于同一数量级，减少计算误 差，同时为输入空间准备合适的数据；其实质上相当于调整增益，在样本浓度 不明确且需精确识别时比较有效
内容概要 ●5.1气味信息的特征与提取 5.2气味信息的预处理 ● 5.3主成分分析 ●5.4独立成分分析 ● 5.5 聚类分析 5.6线性判别分析 5.7支持向量机分析
内容概要 ⚫ 5.1 气味信息的特征与提取 ⚫ 5.2 气味信息的预处理 ⚫ 5.3 主成分分析 ⚫ 5.4 独立成分分析 ⚫ 5.5 聚类分析 ⚫ 5.6 线性判别分析 ⚫ 5.7 支持向量机分析