基于多元统计和智能算法的古陶瓷分类研究

发布时间：2020-06-11 21:43

【摘要】：中国的陶瓷文化历史源远流长。随着现代经济的发展,国内外市场对陶瓷产品,尤其是对古陶瓷产品的需求正在上升,人们越来越倾向于购置古陶瓷来丰富文化,提高审美。然而瓷器的仿古之风,自宋初就已流行,模仿古代风格的目的一般是因为需要继承和发展陶瓷技艺,或是基于当时各行各业人士的个人偏好,但更多则是基于牟取利润的商业目的。研究人员想要鉴定古陶瓷是否为赝品,一般需要依靠在工作中积累的经验,把待鉴定的古陶瓷样本与发掘出的古陶瓷文物标本进行比较做出目鉴。但由于古陶瓷产品多种多样,不同朝代不同地区的制造工艺各不相同,如果仅仅依据传统经验对古陶瓷进行鉴定,则存在诸多的主观性和片面性。因此,如何有针对性地根据古陶瓷样本数据的自身特点,利用相应的统计学算法进行分析,成为了古陶瓷研究人员关注的热门问题。近些年来,一些研究机构使用了先进的科技手段,对古陶瓷的化学成分展开研究,这些古陶瓷的化学成分必定蕴含着其烧成年代和地域的有关信息,可以用来进行断源断代分析。本文以景德镇地区宋元明清四个朝代古陶瓷样本的化学成分数据作为研究对象,运用了多元统计分析中的基于K-均值聚类的主成分分析法和判别分析法,智能算法中的随机森林算法和极限学习机算法以及粒子群优化极限学习机算法等统计分析方法对其进行分析处理,找出其中的关系并得到分类结果。本文利用SPSS软件实现了基于K-均值聚类的主成分分析法和判别分析法在古陶瓷样本分类中的应用,建立了不同的函数表达式并据此分类。利用MATLAB软件进行编程,实现了随机森林算法和极限学习机算法以及粒子群优化极限学习机算法在古陶瓷样本分类中的应用。对这些统计方法进行了比较和分析,并讨论了不同方法之间产生差异的原因及优缺点,为古陶瓷分类提供了有价值的依据。本文的研究结论对古陶瓷文物鉴定起着一定的参考作用。
【图文】：

碎石,主成分,古陶瓷

图 2-2 碎石图Finger 2-2 Scree Plot古陶瓷变量的碎石图反映了各个主成分的重要程度，将主成分按照特征值大小通过降序进行排列，从图 2-2 能够说明，变化趋势在第 1 点到第 6 点之间大幅下降，而后下降趋势逐渐减缓，所以提取 6 个主成分是合理的。表 2-3 因子载荷矩阵Table 2-3 Factorial Load Matrix元件矩阵元件1 2 3 4 5 6Zscore(SiO2) -0.96 0.13 -0.112 0.033 -0.148 -0.064Zscore(Al2O3) 0.94 -0.141 -0.097 -0.05 0.18 0.029Zscore(Fe2O3) 0.41 0.647 0.169 -0.285 0.264 -0.248Zscore(TiO2) -0.148 0.6 0.099 -0.425 -0.02 0.472Zscore(CaO) 0.096 -0.708 0.518 -0.04 0.179 0.242Zscore(MgO) -0.464 0.013 0.289 -0.076 0.722 0.234

轮廓,类别,古陶瓷,样本

德镇陶瓷大学硕士学位论文 2 基于 K-均值聚类的主成分分析法的古陶瓷样本分max( , )b asa b （2-对于这 55 个古陶瓷样本化学成分数据集，计算出的轮廓系数就是所有古陶本轮廓系数的平均值，轮廓系数取值范围是[ 1 ,1]，同一类的样本距离越近，，类别的样本距离越远，则得分越高。下图分别为分类类别为 2、3、4 类时的轮廓系数：
【学位授予单位】：景德镇陶瓷大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：C81;TP18;K876.3

【相似文献】