基于模糊点数据的主成分分析

主成分分析是数据压缩和特征提取的非常有效的统计方法.在经典的主成分分析中,每个训练数据在构建主成分时的作用是相同的.然而,在许多实际问题中,每个训练数据的意义和作用是不同的,对于重要的数据我们应给予充分的重视,而对于不可信数据(可能是异常数据)应限制其作用.文中给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的主成分分析.数值实验表明,该方法能够有效控制异常点对主成分的影响,同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

一种新的GPCA方法

Generalized PCA(简写GPCA)是主成分分析(PCA)的一个非线性推广方法,主要用于数据压缩和特征提取.在经典的GPCA方法中,每个训练数据在构建主成分时的作用是相同的.然而,在许多实际问题中,训练数据的意义和作用是不同的,通常有些数据比其它数据更为重要,对于重要的数据我们应给予充分的重视,而对于不可信数据(可能是异常数据),应限制其作用.文中给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的GPCA方法.数值实验表明,该方法能够有效控制异常点对主成分的影响,同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

kPCA特征提取算法的自动目标识别

分析了主成分分析（PCA）与核主成分分析（kPCA）的基本原理,比较了两者在处理数据方面的性能,得出了kPCA比PCA在处理非线性可分数据方面具有优势的结论．依据几何绕射理论（GTD）,通过Matlab仿真方法得到HRRP（高分辨距离像）数据,并以这些数据作为训练和测试样本,结合SVM分类方法,分别测试比较了基于4种不同核函数的分类识别性能,得出基于高斯核函数主成分分析的自动目标识别系统性能明显好于其他3种核函数的结论．     

两种特征提取技术在入侵检测中的应用

在介绍主成分分析方法和核主成分分析方法原理基础上,分别采用这两种方法对KDDCUP99中的入侵检测数据进行特征提取,然后把特征提取后的数据送入神经网络进行训练。仿真实验结果表明,两种方法中核主成分分析方法具有更优秀的特征提取性能。     

基于图像特征的卷积核初始化方法

针对当前卷积核初始化方法易导致网络不稳定及主成分分析算法对网络结构限制的问题, 提出一种基于图像特征的卷积核初始化方法. 该方法先结合模糊处理技术和边缘处理技术对图像进行采样, 再将采样后的数据随机分组, 使用主成分分析算法提取各组数据的主成分, 初始化卷积核. 将该方法应用于数据集Cifar-10和Corel-1000, 并与Gauss初始化方法和He初始化方法进行对比测试, 实验结果表明, 该方法性能优于其他卷积核初始化方法.     

基于核主成分分析和子空间分类的边缘检测方法

针对传统边缘检测方法对噪声敏感的问题,提出了一种基于核主成分分析和子空间分类的边缘检测方法,建立了统一的图像特征表达模型.首先结合其它边缘检测方法进行采样并将采样结果投影到特征空间,然后将核主成分分析得到的特征向量组成特征空间的一个子空间,最后将子空间分类法推广到特征空间来对数据进行分类.实验结果表明,该方法增强了对噪声的鲁棒性,能适应小样本训练,其边缘检测效果明显优于经典算子、主成分分析和非线性主成分分析方法.     

基于核主成分分析的人脸识别

核主成分分析方法是主成分分析的改进算法,其采用非线性方法提取主成分.把核主成分分析应用到人脸识别中,利用核主成分分析方法选择合适的核函数在高维空间提取人脸图像的主成分.核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征.基于ORL人脸库,识别核主成分分析提取出的主成分的相关性系数.实验结果表明,核主成分分析不仅实现了降维,而且能取得比传统主成分分析更好的识别性能,正确识别率为92.5%.     

基于PCA-FNN的油井注水效果预测研究

针对油田上注水有效周期不确定的问题,提出一种用于预测注水有效周期的混合主成分分析与模糊神经网络相结合的数值方法。该方法使用主成分分析对油井注水统计数据进行降维处理,应用模糊神经网络对降维后的数据进行训练和测试。使用某油田116口油井的注水数据检验提出模型的正确性,结果表明,用其预测的注水有效周期平均绝对误差与相对误差分别为1.97个月和10.75%,预测精度高于未经过主成分分析处理的模糊神经网络方法和多元线性回归方法。可以用于油井注水效果分析与工程人员的决策优化。     

基于核主成分分析的图像去噪

简介了核主成分分析的原理及利用核主成分分析的图像去噪方法.通过使用核函数,在特征空间中对噪声图像使用主成分分析进行降噪处理.基于MDS的思想,使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系,通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系,基于此内积约束关系在原空间中重构出降噪图像,从而达到通过核主成分分析对图像降噪的目的.比原有的MDS算法更稳定,对图像的噪声部分有更好的去除效果.     

区域经济社会发展综合评价与预测

针对主成分分析(PCA)在多指标综合评价中非线性分析上的不足,提出了综合评价的核主成分分析(KPCA)方法.利用核函数将原空间映射到高维特征空间,在高维空间进行线性主成分分析;通过对核参数的适当选取,可使得最大特征值的贡献率达到或接近85%,避免了多个主成分的不同组合而导致评价结果不一致.在此基础上,利用最小二乘法建立核主成分回归方程--KPCR,并将其应用于区域经济社会发展综合评价与预测.     

基于模糊点数据的线性回归模型在判别分析中的应用

在经典回归分析理论中,训练数据在回归方程的构建中是被同等对待的.然而,在许多实际问题中,训练数据的作用是不同的,通常有些训练数据比其他数据更重要.为此,给每个训练数据赋予一个置信权重(这里的样本称为模糊点样本数据),并且给出了确定该置信权重的几种常用方法,讨论了基于模糊点数据的线性回归模型用于判别分析的情况.最后给出了数值例子.     

基于主成分分析与模糊BP方法的藻类繁殖状态预测

将主成分分析（PCA）与模糊反向传播（BP）网络建模方法相融合,提出了PCA-模糊BP方法并用于藻类繁殖状态的预测,建立了叶绿素a含量的预测模型.采用PCA对各类采集数据进行预处理,并将PCA所得各理化因子作为模糊BP网络的输入变量,叶绿素a的含量作为模糊BP网络的输出变量,经过学习训练,获得藻类繁殖状态的预测模型.结果表明,PCA-模糊BP方法降低了各类输入样本数据之间的相关性和模型系统的维数,加快了模糊BP网络的收敛速度,其与典型BP神经网络模型相比,具有更快的计算速度和更高的预测精度,能够较好地预测海洋藻类繁殖的生长状况.
     

PCA-FA： Applying Supervised Learning to Analyze Gene Expression Data

In previous gene expression data analyses, supervised learning has mainly focused on the classification of attribute data, such as the different experimental conditions, different known classes of the same tumor and sex, However, supervised learning classification is not suitable for interval-scaled attributes such as age and survival outcome of cancer patients, For this problem, this paper proposed a new method by combining two well-known methods: principal component analysis (PCA) and Fisher analysis (FA). The method, PCA-FA, realizes supervised learning with two types of attributes (nominal attributes and intervalscaled attributes). The fuzzy FA was introduced to model the interval-scaled attributes. In this paper, an approximate linear relationship between gene expression data of lung adenocarcinoma patients and survival outcome is successfully revealed by PCA-TA.     

一种改进的ASM人脸特征点定位方法

传统主动形状模型(active shape model, ASM)利用主成分分析(principal component analysis, PCA)获得形状,根据主成分并结合形状参数建立起统计模型,该方法不能有效更新图像特征空间,会导致模型匹配失败。为了克服上述缺点,提出一种改进的特征提取方法。首先采用增量主成分分析(incremental principal component analysis,IPCA)更新图像集合的特征空间,并采用一种新的模型匹配算法定位目标特征点。改进的新方法不断更新图像特征空间且有效地描述训练样本间的相似性或差异性,新的匹配算法能避免计算协方差矩阵的逆矩阵,能有效降低计算误差。实验结果表明,改进的方法有效提高了定位精度,并降低了匹配的像素偏移值。     

模糊聚类在西部省区经济发展状况分类中的应用

依据2005年和2006年的有关经济统计数据,采用主成分分析与模糊聚类相结合的方法,对我国西部12个省区的经济发展状况进行模糊分类,初步划分出8种具有不同经济发展状况特征的类型。该方法比传统的聚类方法灵活,可以根据不同的要求获得不同的聚类结果,而且分析结果更贴近我国西部经济社会的实际情况。     

神经网络短期负荷预测中的数据分析

在运用神经网络进行短期电力负荷预测中，输入数据的复杂性和冗余性给网络训练的效率和预测精度造成了显著的负面影响。文中提出了一种复全的数据分析方法，先采用输入变量贡献分析方法，根据输入变量对输出贡献的大小划分为主要变量和次要变量，在保留主要变量的基础 ，再采用多元统计分析中的主成分分析法，消除变量间的线性相关性，在此达到压缩变量维数的目的。将此分析方法用于处理神经网络的输入变量，提取其主要成分，使结构大为简化。结果表明，经该方法处理后的数据输入神经网络，训练时间大幅度缩短，负荷预测精度亦有一定程度的提高。     

人脸图像年龄估计

为了解决人脸识别中识别率随年龄变化急剧下降的问题,提出了一种自动的年龄估计方法。通过年龄函数建立人脸特征和年龄之间的对应关系,人脸特征由形状特征和纹理特征组成。首先,通过改进的活动形状模型自动定位人脸形状特征点,再通过形状拉伸获得单纯的纹理图像,然后用主分量分析分别得到形状特征向量和纹理特征向量,合成作为人脸特征,最后,按照最优化的准则得到年龄函数,结合人脸变老方式的分类,自动估计年龄。实验结果表明,这种方法对年龄估计十分有效,平均200人的多年龄人脸数据库上的估计误差为1.1a。     

基于PCA和PSO-SVM在葡萄酒分类中的应用研究

针对葡萄酒的物理化学成分冗余数据,提出了一种基于主成分分析(PCA)和粒子群优化—支持向量机(PSO-SVM)的模型用于葡萄酒的分类.首先,对葡萄酒的物理化学成分进行主成分分析,提取主要影响因素,减少输入维数,再利用粒子群优算法寻找支持向量机的最佳参数,并用支持向量机完成对训练集样本的学习和测试集样本的预测分类.结果表明,该模型与其他模型相比较,具有较高的准确性,有一定的适用价值.