数学建模优秀论文_景德镇历代官窑青花瓷鉴定模型.docVIP

景德镇历代官窑青花瓷鉴定模型 摘要 本文针对陶瓷制品年代归属问题主要采用了两种分类方法，一是基于多元统计分析的贝叶斯判别法，二是使用题中所给样本训练BP神经网络而得到的辨识模型，在模型一（贝叶斯判别分析法）的建立过程中首先给出理论分析，建立贝叶斯判别模型，而后我们给出了4组关键的Bayes判别函数，在模型求解的过程中我们通过Spss软件得到了4组Bayes判别函数中的各个因子的参数。根据景德镇历代青花瓷胎、釉化学组成的演变过程，可细划分成元，明、洪武，明、永乐，明、宣德，明、成化仿宣德，明、洪武至永乐，明、成化，明、正德，明、嘉靖，明、万历，清、康熙，清、雍正，清、乾隆代十三个阶段，也可划分成元，明，清代三阶段。在划分成十三类的结果时，通过青花瓷中的胎、釉我们得出了各个朝代景德镇青花瓷的鉴定准确率，依次为瓷胎（71.4%，25%，100%，42.9%，100%，100%，60%，50%，75%，75%，50%，100%，100%），瓷釉（87.5%，100%，33.3%，100%，100%，100%，80%，100%，75%，50%，100%，100%，100%）。在划分成元，明，清代三个阶段时，同样通过青花瓷中的胎、釉我们得出了各个朝代景德镇青花瓷的鉴定准确率，依次为瓷胎（71.4%,82.8%,100%），瓷釉（100%,90%,100%）。然后我们通过多元统计中的典则判别函数和聚类分析，对通过Bayes判别分析的结果和误差进行了大致的分析与解释。 模型二中通过对神经网络中的不同参数和传递函数进行设置，我们得出了最优参数模型，尤其是对双曲正切函数倾斜度的试探，得出了最佳倾斜度为0.5，在分为13类的情况下我们从样本组中抽取了两组作为检验样本所得到的效果不是非常理想，在分为3类的情况下，我们从样本组中抽取了10组作为检验样本得到了很好的效果，综合胎釉的平均正确率为85%，最高准确率为90%。 模型三中我们将前两个模型的优缺点进行对比，采用交互修正的方法对在两种模型所得结果不一致时进行修正，使得最终的判断结果更加趋近与真实解，以达到最优化的效果。 通过以上分析我们制订了一种较为完善的分类系统，为以后鉴定景德镇官窑青花瓷提供了科学的依据。 关键词： 贝叶斯判别分析法 BP神经网络 辨识 1、问题的重述…,13) 表示使用第一种分类方法按照胎准则的第i类判别函数； Fj(2) (j=1,2,3) 表示使用第二种分类方法按照胎准则的第i类判别函数； Gi(1) (i=1,2,3…,13) 表示使用第一种分类方法按照釉准则的第i类判别函数； Gj(2) (j=1,2,3) 表示使用第二种分类方法按照釉准则的第i类判别函数； MSE 表示用训练样本将训练好的神经网络仿真后所得到的均方误差值； a 表示整个样本的平均貌似误判率； B 表示1～10m 表示经验公式中输入层节点的个数； n 表示经验公式中输出层节点的个数； L 表示经验公式中隐含层节点的个数； x’k （k=1,2,3…,10） 表示贝叶斯判别函数中胎准则的第k个变量 x’h （k=1,2,3…,12） 表示贝叶斯判别函数中釉准则的第h个变量 其他变量符号在文中使用是已给出说明。 4、模型的建立 4.1 问题（1）的模型建立 4.1.1 模型一的提出（Bayes判别分析法） Bayes判别法是假定对研究的现象已有一定的认识，常用先验概率分布来描述这种认识；然后抽取一个样本，用样本来修正已有的先验概率分布，得到后验概率分布，再结合Bayes判别函数（即Fisher线性判别函数）进行分类。 用统计的语言来描述Bayes判别分析就是：已知有g个p维总体G1，G2,…,Gg,每个总体Gi可认为是属于Gi的指标X=(X1,X2,…,Xp)T取值的全体，它们分别具有互不相同的p维概率密度函数f1(x),f2(x), …,fg(x)。在进行判别分析之前，对所研究总体在抽样之前已有一定的了解，常用先验概率来描述这种认识，然后基于抽取的样本再对先验认识作修正，得到后验概率分布以进行统计推断。在实际应用中，判别分析需要提取训练样本中各总体的信息以构造一定的准则来决定新样品的归属问题。 4.1.2 模型一的提出 （1）Bayes判别函数的提出 设两个p维正态总体G1，G2，其概率密度函数为: …(1) 式中：，为两总体的均值向量和协方差矩阵，为的行列式，i===，根据马氏距离和判别函数的概念，可得： …(2) 式中： …(3) 即为Bayes判别函数。 （2）多正态总体的Bayes判别 上述（3）式可以很方便地推广到多正态总体的判别分析中。 设g个p维正态总体