多目标投影寻踪评价模型的可视化界面
基于遗传算法(粒子群算法人工鱼群算法等)的投影寻踪模型MATLAB源代码
基于遗传算法（粒子群算法、人工鱼群算法等）的投影寻踪模型MATLAB源代码投影寻踪是一种处理多因素复杂问题的统计方法，其基本思路是将高维数据向低维空间进行投影，通过低维投影数据的散布结构来研究高维数据特征，可用于聚类、分类、综合评价、预测等。
投影寻踪模型最终可归结为一个非线性连续函数优化模型，可以采用遗传算法、粒子群算法、人工鱼群算法或人工免疫克隆优化算法等进行求解，得到最优的投影向量。
%% 第一步：仿真参数设置clcclearclose allload data1.txtD=data1。
%导入D矩阵[n,p]=size(D)。
K=300。
%迭代次数N=100。
%种群规模Pm=0.3。
%变异概率LB=-ones(1,p)。
%决策变量的下界UB=ones(1,p)。
%决策变量的上界Alpha=0.1。
%窗口半径系数，典型取值0.1b%% 调用遗传算法[BESTX,BESTY,ALLX,ALL Y]=GAUCP(K,N,Pm,LB,UB,D,Alpha)。
% GreenSim团队——专业级算法设计&代写程序% 欢迎访问GreenSim团队主页→%% 整理输出结果Best_a=(BESTX{K})'。
%方向向量d=zeros(n,p)。
Djmax=max(D)。
Djmin=min(D)。
for i=1:nd(i,:)=(D(i,:)-Djmin)./(Djmax-Djmin)。
endZ=zeros(n,1)。
for i=1:nZ(i)=abs(sum(Best_a.*d(i,:)))。
endZ=abs(Z)。
figure%投影散布图plot(abs(Z),'bd','LineWidth',1,'MarkerEdgeColor','k','MarkerFaceColor','b','MarkerSize',5)。
投影寻踪模型
2 投影寻踪评价模型投影寻踪方法最早出现于20世纪60年代末，Krusca 首先使用投影寻踪方法，把高维数据投影到低维空间，通过计算，极大化一个反映数据聚集程度的指标，从而找到反映数据结构特征的最优投影方向。
它是用来分析和处理高维观测数据，尤其是对于非线性、非正态高维数据的一种新型统计方法。
目前已广泛地应用于分类、模式识别、遥感分类、图像处理等领域。
具体应用过程如下： 设投影寻踪问题的多指标样本集为{}n j m i j i x ,,1;,,1),( ==,其中, m 是样本的个数，n 为指标个数。
建立投影寻踪模型的步骤如下：（1）数据预处理：样本评价指标集的归一化处理，消除各指标值的量纲和统一各指标值的变化范围。
对于越大越优的指标：))()(/())(),((),(min max min j x j x j x j i x j i x --=*（1）；对于越小越优的指标：))()(/()),()((),(min max max j x j x j i x j x j i x --=*（2）；其中，)(max j x )(min j x 为第j 个指标的最大值、最小值。
（2）构造投影指标函数：设A(j)为投影方向向量，样本i 在该方向上的投影值为：∑=*=nj j i X j A i Z 1),()()( （3）即构造一个投影指标函数Q(A)作为确定投影方向优化的依据，当指标达到极大值时，就认为是找到了最优投影方向。
在优化投影值时，要求Z(i)的分布特征应满足:投影点局部尽可能密集，在整体上尽可能散开。
因此，投影指标函数为:Q(A)=S z *D z ，式中:S z — 类间散开度，可用Z(i)的标准差代替;D z — 类内密集度，可表示为Z(i)的局部密度。
其中：2121)}1/(])([{--=∑=m Z i Z S m i z ； )()(11ij m i m j ij z r R I r R D -*-=∑∑== Z —序列{Z （i ）|i =1~m }的均值；R 是由数据特征确定的局部宽度参数，其值一般可取0.1*S z ，当点间距值ij r 小于或等于R 时，按类内计算，否则按不同的类记;ij r =| Z(i)一Z(j)|;符号函数I (R -ij r )为单位阶跃函数，当R ≥ ij r 时函数值取1，否则取0。
基于投影寻踪模型的不同产地锁阳药材多指标综合质量评价
基于投影寻踪模型的不同产地锁阳药材多指标综合质量评价郭燕;顾志荣;祁梅;吕鑫;张锐;许爱霞;葛斌【期刊名称】《中国野生植物资源》【年(卷),期】2022(41)8【摘要】目的:建立基于多指标评价的投影寻踪模型(PPM)对不同产地锁阳药材进行综合质量评价。
方法:以5个省(区)12个市(区/州/旗)采集的60批锁阳药材作为样本集,以锁阳中没食子酸、儿茶素、原儿茶酸、17种氨基酸及19种无机元素含量共39项指标为评价指标集构建PPM模型,对不同产地锁阳药材进行综合质量评价。
结果:各评价指标对锁阳药材质量的影响程度依次为没食子酸>原儿茶酸>儿茶素>Na>K>Ca>Mg>Fe>Zn>Mn>Co>Sr>Ni>Ag>Ba>Ti>Cu>Pb>Cr>Cd>As >Hg>门冬氨酸>谷氨酸>丝氨酸>甘氨酸>组氨酸>苏氨酸>精氨酸>丙氨酸>脯氨酸>酪氨酸>缬氨酸>蛋氨酸>胱氨酸>异亮氨酸>亮氨酸>赖氨酸>苯丙氨酸,根据投影寻踪模型综合评价结果,甘肃、内蒙古、宁夏、新疆、青海5个省(区)的平均投影值分别为4.50、5.02、4.30、4.16、3.89,内蒙古地区的锁阳药材平均投影值最大,质量最佳,印证了道地药材的科学性,5个省(区)所呈现出的质量差异是多个环境因子相互作用的结果。
结论:所建PPM模型能够较准确地综合评价不同产地锁阳药材的质量,不同生态型锁阳质量存在明显差异,以内蒙古地区的锁阳质量最优,相符道地药材经验认知。
【总页数】8页(P14-21)【作者】郭燕;顾志荣;祁梅;吕鑫;张锐;许爱霞;葛斌【作者单位】甘肃中医药大学药学院;甘肃省人民医院【正文语种】中文【中图分类】R284.1【相关文献】1.基于投影寻踪模型评价不同生态型板蓝根药材质量2.安徽各市经济增长质量动态多指标综合评价——基于面板数据投影寻踪模型3.安徽各市经济增长质量动态多指标综合评价——基于面板数据投影寻踪模型4.基于灰色关联度分析与TOPSIS 模型的不同产地锁阳综合质量评价5.基于39项指标建立不同产地锁阳综合质量评价的模糊综合评价法模型因版权原因，仅展示原文概要，查看原文内容请购买。
投影寻踪模型
2 投影寻踪评价模型投影寻踪方法最早出现于20世纪60年代末，Krusca 首先使用投影寻踪方法，把高维数据投影到低维空间，通过计算，极大化一个反映数据聚集程度的指标，从而找到反映数据结构特征的最优投影方向。
它是用来分析和处理高维观测数据，尤其是对于非线性、非正态高维数据的一种新型统计方法。
目前已广泛地应用于分类、模式识别、遥感分类、图像处理等领域。
具体应用过程如下： 设投影寻踪问题的多指标样本集为{}n j m i j i x ,,1;,,1),( ==,其中, m 是样本的个数，n 为指标个数。
建立投影寻踪模型的步骤如下：（1）数据预处理：样本评价指标集的归一化处理，消除各指标值的量纲和统一各指标值的变化范围。
对于越大越优的指标：))()(/())(),((),(min max min j x j x j x j i x j i x --=*（1）；对于越小越优的指标：))()(/()),()((),(min max max j x j x j i x j x j i x --=*（2）；其中，)(max j x )(min j x 为第j 个指标的最大值、最小值。
（2）构造投影指标函数：设A(j)为投影方向向量，样本i 在该方向上的投影值为：∑=*=nj j i X j A i Z 1),()()( （3）即构造一个投影指标函数Q(A)作为确定投影方向优化的依据，当指标达到极大值时，就认为是找到了最优投影方向。
在优化投影值时，要求Z(i)的分布特征应满足:投影点局部尽可能密集，在整体上尽可能散开。
因此，投影指标函数为:Q(A)=S z *D z ，式中:S z — 类间散开度，可用Z(i)的标准差代替;D z — 类内密集度，可表示为Z(i)的局部密度。
其中：2121)}1/(])([{--=∑=m Z i Z S m i z ； )()(11ij m i m j ij z r R I r R D -*-=∑∑== Z —序列{Z （i ）|i =1~m }的均值；R 是由数据特征确定的局部宽度参数，其值一般可取0.1*S z ，当点间距值ij r 小于或等于R 时，按类内计算，否则按不同的类记;ij r =| Z(i)一Z(j)|;符号函数I (R -ij r )为单位阶跃函数，当R ≥ ij r 时函数值取1，否则取0。
投影寻踪
如果我们求maxQ(a X )，得到的 的方向。
T
a 就是样本散布最大
主成分分析就是取样本方差为投影指标的PP方法。
2、Friedman指标 设X为P维随机向量, 是X的n个样本, Pn 是其 经验分布,P是X的分布函数，则Friedman指标为
1 J I (a, P) (2 j 1)[ E PQ j (2(aT Z ) 1)]2 2 i 1
• 传统的数据分析方法大多采用“对建立的 模型进行证实”这样一条证实性数据分析 思维方法。 弱点： 当数据的结构或特征与假定不相符时，模 型的拟合和预报的精度均差，尤其对高维 非正态、非线性数据分析，很难收到好的 效果。 因此，高维数据尤其是非正态高维数据分 析的需要，加上80年代计算机技术的高度 发展是PP产生的主要背景。
PP方法的主要特点: • PP方法能够在很大程度上减少维数祸根的 影响； • PP方法可以排除与数据结构和特征无关， 或关系很小的变量的干扰; • PP方法为使用一维统计方法解决高维问题 开辟了途径； • PP方法可以用来解决某些非线性问题； • 一些传统的多元分析方法就是PP方法的特 例，如主成分分析; • PP方法的不足之处是计算量大，同时对于 高度非线性问题的效果不好。
一般方案： • 选定一个分布模型作为标准（一般是正态 分布），认为它是最不感兴趣的结构; • 将数据投影到低维空间上，找出数据与标 准模型相差最大的投影； • 将上述投影中包含的结构从原数据中剔除， 得到改进了的新数据； • 对新数据重复步骤（2）（3），直到数据 与标准模型在任何投影空间都没有明显差 别为止。
• 运算过程： • 遗传算法染色体编码 • 适应度函数
选择
3.遗传算子
基于投影寻踪方法的工程质量综合评价
基于投影寻踪方法的工程质量综合评价投影寻踪方法是一种常用于工程质量综合评价的方法，它通过将工程质量的各个指标投影到一个坐标系中，通过对数据进行分析和比较，得出对工程质量的综合评价。
投影寻踪方法主要包括指标选择、指标加权、指标归一化和综合评价等步骤。
首先，需要选择一些能够反映工程质量的指标，如工程项目的成本、进度、安全和质量等指标。
其次，需要确定不同指标的权重，以准确反映它们在工程质量中的重要性。
然后，对各个指标进行归一化处理，使得它们的量纲一致，方便后续的加权和比较。
最后，将各个指标进行加权求和，得出对工程质量的综合评价。
在使用投影寻踪方法进行工程质量综合评价时，需要注意以下几个方面。
首先，指标的选择要具有代表性和可操作性，能够反映工程质量的方方面面。
其次，指标的权重需要科学合理，并且能够随着实际情况的变化进行调整。
再次，指标的归一化处理要符合实际情况，确保数据的可比性。
最后，在进行综合评价时，应该对投影结果进行分析，找出存在的问题，并采取相应的措施进行改进。
投影寻踪方法在工程质量综合评价中具有一定的优势。
首先，它能够综合考虑多个指标，从而全面地评价工程质量。
其次，通过对指标进行加权和综合，能够准确反映不同指标在工程质量中的贡献度。
再次，投影寻踪方法简单易行，不需要复杂的数学模型和计算，适用于各种工程项目。
然而，投影寻踪方法也存在一些限制。
首先，指标的选择和权重的确定往往涉及到一定的主观性，需要通过专家经验和实际数据的支持来进行判断。
其次，由于工程质量的复杂性和多样性，单一的投影寻踪方法可能无法完全满足对工程质量的综合评价需求，需要结合其他方法进行分析和比较。
总之，投影寻踪方法是一种常用于工程质量综合评价的方法，它通过将工程质量的各个指标投影到一个坐标系中，通过对数据进行分析和比较，得出对工程质量的综合评价。
在使用该方法时，需要注意指标的选择、权重的确定、归一化处理和综合评价等步骤。
该方法具有综合考虑多个指标、简单易行的优势，但也存在指标选择和主观性的限制，需要结合其他方法进行分析和比较。
【国家自然科学基金】_投影寻踪分类模型_基金支持热词逐年推荐_【万方软件创新助手】_20140729
推荐指数 4 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2014年 序号 1 2 3 4 5 6 7 8 9 10
2014年 科研热词 预测 特征量 火焰闪烁频率 火焰稳定性 洪水 指标 强度均值 峰型 分类 raga-ppc模型 推荐指数 1 1 1 1 1 1 1 1 1 1
科研热词 投影寻踪 评价 耦合协调度 河南 投影寻踪模型 县域经济水平 交通优势度 频域 铜闪速熔炼 遗传算法 洪水 水资源承载能力 水资源可持续利用 水质评价 水文学 水库水质 时域 文本分类 数据驱动 效率评价 操作模式 投影指标 投影寻踪回归 形态 围场县 动态聚类 加速遗传算法 农业水资源 优化控制 云南省 raga k-l ppc模型
推荐指数 5 3 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
推荐指数 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
科研热词 投影寻踪 遗传算法 投影寻踪分类 加速遗传算法 高雏指标 面板数据 路基 膨胀土 胀缩等级 聚类 综合评判 综合评价 粒子群算法 灰色多目标决策 灰色关联投影法 混合蛙跣算法 消费结构 洪水分类 极化sar图像 权重 有序样本聚类 拟最佳投影方向 投影指标 投影寻踪模型 序列投影寻踪聚类模型 多属性群决策 动态聚类 分类 农业综合生产力 公路 信用风险评估 信用风险 bootstrap方法
投影寻踪算法
投影寻踪算法投影寻踪算法是一种计算机视觉算法，用于从图像或视频中提取出目标的轮廓和运动信息。
它在许多应用领域都有广泛的应用，如目标跟踪、人脸识别、动作捕捉等。
投影寻踪算法的核心思想是通过对图像或视频进行处理，提取出目标的轮廓信息，然后根据目标在连续帧之间的运动信息进行跟踪。
具体而言，投影寻踪算法一般包括以下几个步骤：1. 前景提取：首先需要将目标从背景中分离出来，得到前景图像。
常用的前景提取方法有基于颜色模型、基于纹理模型和基于运动模型等。
这些方法可以根据实际应用场景选择合适的算法。
2. 特征提取：在得到前景图像后，需要对目标进行特征提取，以便后续的目标跟踪。
常用的特征包括轮廓、颜色直方图、纹理特征等。
这些特征可以用来描述目标的形状、颜色和纹理等信息。
3. 目标跟踪：在特征提取后，可以使用不同的跟踪算法对目标进行跟踪。
常用的跟踪算法包括卡尔曼滤波器、粒子滤波器和相关滤波器等。
这些算法可以根据目标的运动模型和观测模型进行目标位置的估计和预测。
4. 跟踪结果评估：为了评估跟踪算法的性能，需要对跟踪结果进行评估。
常用的评估指标包括重叠率、漏检率和错误率等。
这些指标可以用来衡量目标跟踪的准确性和鲁棒性。
投影寻踪算法的优点是可以实时地对目标进行跟踪，并且对光照变化和背景干扰具有一定的鲁棒性。
然而，由于目标在连续帧之间的运动可能存在突变或遮挡等情况，因此在实际应用中仍然存在一些挑战。
总结起来，投影寻踪算法是一种用于目标跟踪的计算机视觉算法。
它通过对图像或视频进行处理，提取出目标的轮廓和运动信息，从而实现对目标的实时跟踪。
投影寻踪算法在许多领域都有广泛的应用，但在实际应用中仍然存在一些挑战，需要进一步研究和改进。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
由于各种 模型对评 价数 据所 提供 信息 的利 用率不 同 ， 因此 评价结果提供 的信 息量 也有所 区别 。为 了使 评价结 论更 加趋
方案 １ 为了尽可能减少 黄河下 游河道 的淤积 和塑造 中水 ：
河槽 ， 同时考虑 国民经 济发 展对黄 河水 资源 的需求 ， 南水北 在
ｃｔ ｎ Ａ Ａ—Ｐ Ｃ 已经得 到广 泛应用 。但 由于其数 学 建模 ａｉ ，Ｒ Ｇ ｏ Ｐ） 及编程 的复杂性 ， 因此短 时间内很 难得 到一 个通 用性较 强的程
序 。笔 者 利 用 Ｖ ｓａ Ｂ ｓ ． 程 语 言 “ ， 成 了 一 个 可 执 ｉ ｌ ａｉ ６ ０编 ｕ ｃ 生
行 的“ ｅｅ 文件 ， 而建 立模 型的可 视化 界面 ， ．ｘ” 从 通过 黄河 水资 源配置方案选择 的实例应用 ， 明该通 用软件 能够使得在 利用 表 同类模型进行评价分析时更加快速准确 、 观方便。 直
思路是 ： ①以维 持黄 河健 康 生命 为 出 发点 ； 协调 好生 活 、 ② 生 产、 生态用水 的关系 ； ③上 、 下游统 筹兼顾 ； 中、 ④在配 置方案 中 包括引水和耗水指标 ； ⑤保证干支流主要 断面维持一定 的下泄
维普资讯
第２ ９卷第 ｌ ２期 ２０ ０７年 １ ２月
人
民
黄
河
Ｖｏ ． ９． ． ２ １ ２ Ｎｏ １ Ｄｅ ．． ０ ７ ｃ ２ ０
ＹＥＬＬＯＷ ＲＩ ＶＥＲ
【 资源 】 水
多 目标 投 影 寻 踪 评 价 模 型 的 可 视 化 界 面
量 。现 以规划水平年 （０ ０年 ） ２２ 黄河沿岸 各省（ ） 区 二级 区套 省的 ４种方案水资源配置表为算例 ， 在对各 种方案进行评 价的 同时说明可视化界面计算软件 的运行过程 。 黄河水资源配置 的主要影 响 因素为 多年平 均人海 水量 和 各省 （ ） 区 的缺水 比例以及现状用水情况 。以 ２２ ０ ０年为配 置水 平年 ， 下垫面条件变化减少 地表径 流量 １ ５亿 ｍ 。初 步拟订 以
李煜刚 ， 梁 川 ， 晓荣 黄
（ 四川 大 学 水 利 水 电 学 院 ， 四川 成 都 ６ ０ ６ ） １０ ５
摘
要： 利用 Ｖｓａ Ｂ ｓ ． ｉ ｌ ａｉ ６ ０编程语言 ， ｕ ｃ 开发 了基于实码加速遗传算法 、 辅以物元 分析和灰 色关 联度分 析的水资源 多 目
标投影 寻踪模 型通用可视 化界面计 算软件。在黄河水资源配置 方案 选择 中的应用表 明 ， 该通用 软件 可使评价 分析直 观
上 的参考 。另外 ， 在整个计算过程 中， 添加了数 据分析 （ 作为辅
助功 能） 。该图 中包括各指标投影方 向图和各方案 归一化之后
的指 标 值 。
涉及 到权重矩 阵 ， 而权重 矩 阵大多 由专家 凭经 验给 出 ， 在较 存
大的主观性和人为 干扰 因素 … 。目前 ， 一种 新的基 于实码加速 遗传算法 的 多 目标投 影 寻踪 等级评 判分 类 模 型 （ ｅｌｃｄｎ Ｒ ａ ｏｉｇ
下 ４种 方案 。
１ 基本原理与计算过程
该通用软件具体应 用到分析计算 中时 ， 首先 是将 指标 体系 （ 高维数据 ） 影 到一维 子空 间上 ， 后借 助 于 Ｒ Ｇ 投 然 Ａ Ａ算 法 建
立投影寻踪分类模型 ， 经过 多次运 算后 寻找最 佳投 影方 向 ， 最 终形成评 价指标值并进行排序。同时 ， 建立 了用 于对 比和辅 还
基金项 目： 黄河水资 源综合规 划 项 目； 四川 大学青年 基金 资
助 项 目（０ ５０ 。 ２０ ７ ）
比３种评 价方 法的计算结果 ， 图例对 照中均 以柱状 图显示 。 在 （） ４ 对各个评价计算 结果 进行整理 ， 出最终结 论 。在该 得
如下 ：
济生产用水缺水 比例 较大 ， 黄河下 游生态环 境用 水量 （ 即人 海
水量 ） 也适 当留有一定 的缺 口， 年平均人海水 量按 １５亿 ｍ 多 ８
收 稿 日期 ：０ ７ ０ — 来自 ２０ — ４ １ （） １ 进入计算主界面 。 （） ２ 输人参数 。 （） ３ 在计算过程 中， 计算主 界面下 方会 出现一个显 示计 算 的进度条 。在结果显 示列 表 中可 以切 换不 同 的页面查 看并 对
调西线工程生效 以前 ， 多年平均人海水量 按 ２ ０亿 ｍ 控 制 ； ０ 黄 河可 向河道外配置 的地表径 流量为 ３ ０亿 ｍ 。 ２ 方案 ２ 考虑 到在南水北 调西线工程生效以前 ， ： 流域 国民经
于真实可靠 ， 通用软件还将 多 目标投 影寻 踪 、 物元分 析和 灰色 关联度 ３种评价方 法作 了综合 集结 。其 基本 原理是 运用 概率 论把各种评价 方法 所 得 到 的结 果 进 行 综 合 集 结 。计 算 过 程
ｂｓｄＡ ｃｌ ａ ｎ ｅｅｉ Ａ ｇｒｈ —Ｐｏ ｃ ｎ ｕｓｉＣａｓ ・ ａｅ ｃｅ ｒｔ ｇＧ ｎｔ ｌｏ ｔ － ｒ ｅｔ ｇＰ ｒ ｔ ｌｓｉ－ ｅ ｉ ｃ ｉｍ ｊ ｉ ｕ ｉ ｆ
（） ５ 保存评价计算结果 。
２ 应 用实例
２ １ 黄河水 资源 配置 方案 ，
黄河水资源配置是基 于供需严重 不平衡 的缺水 配置 ， 基本
方便 ， 快速准确。 关 键 词 ：投影 寻踪模 型；水资源评 价 ；通用软件 ；可视 化界面
文 献 标 识 码 ： Ｂ 文 章 编 号 ：００ １７ （ ０７ １— ０ ９０ １０ — ３ ９ ２ ０ ）２ ０ ４ － ２ 中 图分 类号 ：Ｔ ２ ３９ Ｖ １．
在水 资源评价 和多 目标规划 中 ， 在着 多个方案 的优选 和 存 比较。国内学 者较 多采用 层次 分析 法 、 糊数 学评判 等 ， 模 但都