uvi指数怎么计算（电子鼻ElectronicNose算法知多少）
uvi指数怎么计算（电子鼻ElectronicNose算法知多少）BosinTech电子鼻Electronic Nose cNose2、降维分析1、差异对比：BosinTech电子鼻ElectronicNose cNose方差分析ANOVA和多重比较comparison分析对该事物有显著影响的因素，各因素之间的交互作用，以及显著影响因素的最佳水平等。
电子鼻是20世纪90年代中期发展起来的一种用于分析、识别气味物质总体特征的新型检测仪器。
通过电子鼻可以建立食品、医药、生物、化工、环境等的气味指纹图谱，能实现气味的客观化表达，通过仪器分析推动食品、医药、化工等多领域的现代化发展。
电子鼻是模仿生物的嗅觉感受机制研制出来的，电子鼻系统中的传感器阵列即相当于生物系统中的嗅觉感受细胞，能感受不同的气味物质，将采集到的气体指纹信息输入电脑；电脑代替了生物系统中的大脑功能，通过软件进行分析处理，区分辨识不同性质物质的整体特征，最后给出各个物质的感官信息。
在电子鼻应用过程中，需要多元数理统计系统对电子鼻采集特征数据进行分析，大数据算法对其使用效果至关重要，只有通过专业的数据统计分析系统才能深入地、完全地提取并解释数据信息，还可以有效减少实验误差数据对结果的影响，得到科学的、可视化的实验结果。现将BosinTech电子鼻ElectronicNose cNose的电子鼻系统算法集中一一介绍。
1、差异对比：BosinTech电子鼻ElectronicNose cNose
方差分析ANOVA和多重比较comparison
分析对该事物有显著影响的因素，各因素之间的交互作用，以及显著影响因素的最佳水平等。
2、降维分析
BosinTech电子鼻Electronic Nose cNose
1）主成分分析PCA（Principal Component Analysis）： 找到高维数据中的主成分，并利用“主成分”数据来表征原始数据，从而达到降维的目的，其侧重于信息贡献影响力综合评价。
保圣科技电子鼻系统中的PCA算法，以多类型图形表达降维分析结果，以多种可视化方式表现数据结果。
2）线性判别分析LDA(Latent Dirichlet Allocation）： 分析时最大化类间距离以及最小化类内距离，是目前数据挖掘领域中比较经典且热门的一种有监督的算法。
BosinTech电子鼻ElectronicNose cNose系统中的LDA算法，以多类型图形表达降维分析结果，以多种可视化方式表现数据结果。
3）局部线性嵌入LLE：可以学习任意维的局部线性的低维流形，而且LLE算法归结为稀疏矩阵特征分解，计算复杂度相对较小，实现容易。
4）拉普拉斯特征映射LE（Laplacian Eigenmaps）： 使相互间有关系的点在降维后的空间中尽可能的靠近，从而在降维后仍能保持原有的数据结构。
5）等距特征映射Isomap（Laplacian Eigenmaps） ：分析寻找到所有样本全局的最优解，当数据量很大时或者样本维度很高时，计算量非常大。
6）非线性降维T-SNE（t-distributed stochastic neighbor embedding） ：非常适用于高维数据降维到2维或者3维，进行可视化。
3、电子鼻CNose回归分析：电子鼻定量分析
BosinTechElectronic Nose cNose
1）偏最小二乘法回归PLSR（Partial Least Squares Regression） ：对于自变量或因变量较多的数据处理更为优越，而且回归系数可以看出各自变量与因变量的相关性及其影响的大小。
2）神经网络BP(BPNN Back Propagation Neural Network) ：通过矩阵乘法运算，其包括信号前向传播和误差反向传播两个过程。
3）支持向量机SVM(support vector machines) ：通过使用非线性映射算法将低维输入空间转化为高维特征空间，使其线性可分。
4、BosinTech电子鼻Electronic Nose cNose分类分析：电子鼻定性分析
K邻近分析KNN(k-NearestNeighbor) ：对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
5、电子鼻cNose聚类算法
BosinTech电子鼻Electronic Nose cNose
1）系统聚类： 计算方法有欧式距离(EuclideanDistance)、闵氏距离(MinkowskiDistance)、马氏距离(MahalanobisDistance)，并在最后的分类树状图中依据自己的分类需求确定分类结果。
2）密度聚类DBSCAN(Density-Based Spatial Clustering of Applications with Noise）： 将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。
3）聚类K-Means： 原理较为简单，实现也很容易，收敛速度快，聚类效果较优，算法的可解释度比较强。
