SIMCA分类识别算法适用性研究开题报告

1. 研究目的与意义

simca(soft independent modeling of class analogy)方法是一种有监督模式识别方法，又称为簇类的独立软模型，意为各类样本独立地建立局部软模型。

simca是一种建立在主成分分析(principal component analysis, pca)基础上的模式识别方法。

由于在实际应用中变量较多，并需要进行f检验，主成分提取基于线性投影等，在实际使用过程中往往存在一些问题，本论文针对这些问题结合几种实例数据分析，探讨应用中注意的问题。

2. 国内外研究现状分析

pls分类，类类比的独立软模式（simca）的方法，以确定可能的组和新的观测结果来预测可能的类成员的局部模型。

起初，这种做法对整个数据集运行一个全球性的主成分分析或pls回归（根据现有的数据结构），以确定观察组。

当地的模型，然后估计的每个阶层。

3. 研究的基本内容与计划

内容：分析SIMCA模型的基本原理研究，比较不同类型数据对分类判别结果的影响 计划：3.10-3.20 选题，开题 3.21-4.5 收集资料阅读相关文献，对设计理念进行整理 4.6-4.25 初步设计，相关图纸的绘制 4.26-5.16 补充完善设计，文本的制作 5.17-5.28 准备答辩

4. 研究创新点

了解模式识别的一般概念、基本步骤及常用方法，重点掌握主成分分析(PCA)及SIMCA模型的基本原理；利用Matlab平台开发的SIMCA算法程序软件，对不同种类数据进行处理，建立定性判别分类模型，研究比较不同类型数据对分类判别结果的影响。