基于动态结构保持主元分析的故障检测方法

为充分利用表征过程运行工况的数据特征信息,提高化工过程的故障检测性能,提出一种基于动态结构保持主元分析(DSPPCA)的过程故障检测方法。首先对原始数据采用变量相关性分析建立自回归模型,构建包含动态特征的数据集,进一步综合考虑主元分析法(PCA)和局部线性嵌入(LLE)流形学习算法中数据点之间的近邻关系,融合得出新的目标函数,同时,运用局部线性回归的方法获得高维样本的嵌入映射,特征提取后在特征空间和残差空间分别构造监控统计量进行故障检测。Swiss-roll数据集的降维结果及TE过程的仿真研究结果表明,DSPPCA算法可以取得较好的特征提取效果,具有较高的故障检测性能。     

一种CDRWPCA网络故障特征提取算法

针对主元成分分析(PCA)在网络故障特征提取过程中可能丢失分类信息的问题,提出了一种中心距离比值加权主元成分分析(CDRWPCA)算法。算法计算样本每维特征的中心距离比值来衡量特征间的差异，并根据特征差异构造权重因子,对更具有鉴别性的特征赋予更大的权重,得到加权数据集;然后对加权数据集运用PCA进行特征提取后将提取后的数据集送入支持向量机(SVM)验证算法的有效性。算法相比较与PCA算法增加了时间复杂度,但相对于PCA算法本身的时间复杂度,增加不多。在网络故障诊断中的实验结果表明算法能在提取特征维数更少的情况下,提高了故障识别率。     

基于图像特征的铜粗选过程病态工况识别

泡沫图像特征是指泡沫图像中与浮选性能相关的局部黑色水化区域大小,即局部光谱特征.针对这一局部光谱特征形状、大小无规则性,提出了一种基于多维主元分析的特征提取方法,并将提取的特征应用于铜浮选粗选过程病态工况识别.首先,描述了铜浮选粗选过程,分析了影响粗选过程的主要因素和黑色水化区域形成机理;然后,提出一种基于多维主元分析的图像局部光谱特征提取方法;最后,将基于多维主元分析的图像局部光谱特征提取算法应用于铜浮选粗选泡沫图像,并将所提取的图像特征用于铜粗选病态工况识别.工业现场数据验证了所提方法的有效性.     

结合Gabor滤波和同质性判定的高光谱图像分类

针对传统高光谱图像分类算法多利用目标类别光谱信息而忽略空间信息的问题,提出了一种综合利用空间信息与光谱信息的分类算法．首先,利用主成分分析（PCA）和无参数加权特征提取（NWFE）分别对高光谱数据进行特征提取;然后,在PCA第一主成分的基础上进行二维Gabor滤波得到像元纹理特征,结合纹理信息与光谱信息利用支持向量机对图像分类;最后利用多尺度区域同质性判定进一步改进图像分类精度．实验表明,该算法能够消除“噪声”像元,有效地提高图像分类精度．     

改进PCA方法在化工过程中的故障诊断研究

为了使化工生产中复杂系统的故障判断更加精准、更加有说服力,采集系统正常工作和故障状态时的数据,运用改进的主元分析(PCA)算法判断系统是否有故障产生。改进的主元分析算法是在传统主元分析的基础上将平方预测误差SPE统计量分化成与主元显著关联的检测变量残差(PVR)统计量和其余一般变量残差(CVR)统计量,再与Hotelling’s T2统计量相配合进行系统故障的判断,使检测到的结果更加精准,生产过程更加安全。将此改进的主元分析方法运用到田纳西—伊斯曼过程中,仿真结果验证了该方法可以有效识别系统处于正常工况状态还是故障状态,是一种系统故障分析和诊断的有效方法。     

基于PCA和KICA双空间特征提取的玉米碰撞声信号分类

提出了一种基于主元分析(PCA)和核独立主元分析(KICA)双空间特征提取方法,PCA-KICA方法.运用碰撞声装置采集玉米完好粒声信号、虫蛀粒声信号、霉变粒声信号,首先将信号在PCA空间进行特征提取,然后将提取的特征送入到KICA空间提取信号的特征向量,最终送入到粒子群优化的支持向量机分类器中进行分类.实验结果证明,单空间特征提取算法对于3类信号的分类效果不理想,但是采用双空间中特征子空间的互补性可以克服单空间的限制.PCA-KICA双空间特征提取方法的识别率最高,完好粒、虫蛀粒、霉变粒的识别率分别达到95.00%、96.40%、97.80%.     

基于决策树桩的元特征提取

“No Free Lunch”定理表明:若无任何先验假设,则没有理由认为一种算法优于另一种算法.算法的性能与问题的元特征密切相关.目前的元特征提取方法只关注从数据集中提取元特征,而忽略了候选算法元特征的提取.为此,在原有元特征集合的基础上提出基于决策树桩的元特征提取方法,将候选算法信息纳入新的元特征集合中.实验表明:在传统元特征集合中加入基于决策树桩的元特征后,算法排序的预测准确率能够得到显著提高.     

基于主元神经网络和K-均值的道路识别算法

为了提高道路识别算法的鲁棒性和自适应性，提出了基于局部统计特征和主元分析的道路识别算法．该方法用广义Hebb学习规则训练主元神经网络权值，然后将局部统计特征和图像像素值输入主元神经网络得到图像特征矢量，最后用K-均值分类器对该矢量进行分类，通过参考区域识别道路．仿真结果表明，该算法对于光照变化剧烈和阴影遮挡的道路图片均有较好的识别效果，以及较好的鲁棒性和自适应性．     

基于Gabor小波变换与支持向量机的人脸识别

提出一种将Gabor小渡变换与支持向量机相结合的人脸识别算法。首先用Gabor小波对人脸图像进行特征提取,由于变换后的特征维数较高,所以要对变换特征进行降维。本文采用一种改进的二维主元分析方法实现。最后采用支持向量机进行人脸的分类识别。在ORL人脸库中对算法进行了测试．结果表明该算法识别率较高。     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO-IKPCA和SVM的雷达目标HRRP特征提取与识别方法.讨论了HRRP预处理、迭代KPCA算法和SKO/FKO技术的实现方法,将SKO/FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对Su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验.结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能.     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

结合MMC与BPSO优化的人脸特征提取

为了提高最大间距准则法表征人脸特征空间的能力,提出了一种融合最大间距准则和二进制粒子群优化算法的人脸识别方法。利用离散二进制粒子群算法对最大间距准则变换后的特征向量进行选择优化,获得有利于分类的最优特征子空间。在ORL和Yale标准人脸库上的实验结果表明,该方法不但降低了特征空间的维数,而且更好的发挥了最大间距准则算法的优点,提高了人脸识别的速度和精度。     

标准正面人脸图象的特征提取

人脸的识别技术（ＦＲＴ）是当前模式识别领域的一个热点课题,人脸特征的自动提取是人脸自动识别过程中至关重要的一步,文中采用基于人脸几何特征的方法,设计一个初步的自动人脸特征提取系统,首先通过改进后的边缘检测和阈值技术在头肩型图象中找到头部轮廓,再利用“三停五眼”的标准进一步确定五官大概的位置,最后提取出７个有效的特征点,本系统建了一个包含５０个人脸图象的数据库,实验结果表明这种方法可以有效地获取头部轮廓一人脸特征点。     

基于小波变换的人脸图象特征的边缘提取算法

人脸图象识别是模式识别、计算机视觉和人工智能领域的一个热点,而人脸图象的特征提取又是人脸图象识别的关键步骤.小波变换以其多分辨率分析和多通道分解的独特分析方法在图象处理领域中有着广泛的应用.文章利用二进小波变换多尺度的特性,结合一些常规的边缘提取算法,在人脸图象特征的边缘提取方面取得了令人满意的结果,实验表明是一种有效的人脸图象特征边缘提取算法.     

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%.     

一种新的DK-L人脸识别算法研究

人脸识别是计算机视觉和模式识别领域的一个活跃课题,有着十分广泛的应用前景.主要研究了人脸识别技术中的人脸特征提取和特征比对技术.在特征分类中,距离测量选择了最佳距离度量最近邻法,提出了一种新颖的测量方法——优中选优,可以使分类器的设计更加简洁、有效,使用较少的特征向量数目就能取得较高的识别率.仿真结果表明了该方法的有效性.     

仿生算法与主成分分析相融合的人脸识别方法

基于人脸特征提取问题可以转化为组合优化问题这一思路,提出了仿生算法与主成分分析相融合的人脸识别算法.该方法先通过主成分分析方法得到人脸特征子空间;然后在已有特征的基础上,分别通过遗传算法与离散粒子群算法进一步提取出可使识别正确率达到最高的人脸图像特征.在ORL人脸库上的实验结果表明:与传统的主成分分析相比,该方法不仅能进一步降低特征子空间的维数,从而提高识别速度,而且能获得更高的识别率.     

基于独立成分分析的人脸图像特征提取与识别

特征提取是人脸识别的关键环节之一。文章首先简述了独立成分分析（ Independent Component Analysis,ICA）的基本模型和原理,介绍了快速独立成分分析FastICA方法特征提取的一般过程。然后给出了FastICA算法中分离矩阵的并行计算算法。最后,利用ORL人脸图像数据库在Matlab环境下进行了仿真实验。实验结果表明,FastICA方法是一种有效的特征提取方法,并讨论了影响分类识别的几个因素。     

监督局部线性嵌入在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种Gabor小波与监督局部线性嵌入(Supervised Locally Linear Embedding,SLLE)相结合的人脸特征提取算法。针对SLLE不能有效消除图像信息中冗余的高阶相关性,算法首先采用Gabor小波对人脸图像进行多方向、多分辨率滤波,提取图像在不同空间频率上的特征;然后采用监督的局部线性嵌入算法对该Gabor特征进行维数约简。在ORL和YALE人脸库上的实验显示,就算法有效提高了人脸识别的识别率。