多变量时间序列的主成分分析及估计

研究了多变量时序分析中的主成分分析方法，由此对高维多变量时间序列进行了降维处理。本方法是将原来的时序变量变换为低维的主成分变量，然后将低维主成分变量作为新的时序变量进行建模。在此基础上研究了多变量时间序列主成分估计的偏差及其与最小二乘估计的关系     

一种新的彩色图像降维方法

基于内容的图像检索(CBIR)是图像检索的重要分支，而基于颜色的特征提取是CBIR的常用方法之一．如果对图像颜色的特征数提取过多、维数过大，则不利于对图像的快速匹配．本文将图像的色彩直方图作为输入向量，然后采用局部线性映射(LLE)算法对原始数据进行降维，并分别在4种色彩空间下对降维后的彩色图像进行分类．实验证明，在处理非线性数据降维时，LLE较主成分分析(PCA)具有明显的优势．     

用于高维时序数据预测的非同步尺度主成分分析

针对时间序列数据预测过程中可能面对高维或超高维的预测变量,同时考虑变量的时序特征及预测的非同步性,提出用于时序数据预测的非同步尺度主成分分析方法。首先构建单个预测变量和被预测变量的非同步线性回归,通过可决系数选取单变量的最佳滞后阶数,并将回归系数赋权与相应的预测变量得到赋权预测变量,并通过主成分分析对赋权预测变量降维,即非同步尺度主成分分析。将该方法用于消费者物价指数增长率的预测,结果表明经非同步尺度主成分分析降维的预测精度高于传统降维预测的方法。     

基于邻域保持嵌入的主多项式非线性过程故障检测

针对化工过程的变量数据维数高、非线性的问题,提出基于邻域保持嵌入(NPE)-主多项式分析(PPA)的过程故障检测算法.应用NPE算法提取高维数据的低维子流形,能够解决传统的线性降维算法不能提取局部结构信息的问题,对维数进行约减.利用PPA法时,使用一组灵活的主多项式分量来描述数据,能够有效地捕捉过程数据中固有的非线性结构.在降维后的流形空间进行主多项式分析并建立Hotelling’s T~2和平方预测误差统计量模型,同时确定控制限以进行故障检测.最后,通过一组非线性数值实例和Tennessee Eastman化工过程数据,将NPE-PPA算法与传统的核主元分析法、PPA法进行对比分析,验证所提算法的有效性及优越性.     

用主成份提取进行数据库聚类预处理

按照相关性最小原则提出数据库主成份提取的聚类预处理方法(DCP PCE)对高维数据进行降维,以数据对象变异最大方向的投影作为特定数据对象集的主成份,实现分层次主成份聚类提取.用DCP PCE方法验证主成份对于原有信息全面覆盖的特性,同步解决了综合变量覆盖和降维问题,降低了数据对象集合的相异度和维度,实现了数据对象集合的聚类归约．将聚类分析引入高校数据资源的预处理环节,给出应用实例,为深入探索相关模式提供有效的分析方法．     

基于2DPCA的颅骨识别研究

阐述了基于主成分分析和二维主成分分析的颅骨识别方法,比较了两种特征提取算法,通过比较得出:二维主成分分析速度快,不需要经过一个降维的过程,而且识别率高.在获得颅骨的三维几何信息后,对数据进行特征提取时采取的是二维主成分分析方法,从而提取颅骨图像的关键特征,最后利用常用的最近邻法则进行识别.     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

基于主成分分析-孪生支持向量机的工业系统故障监测

为了改善现代工业系统故障检测和诊断的性能,提出一种基于主成分分析-孪生支持向量机挖掘的工业系统故障监测方法;采用多元统计的主成分分析方法对涉及的复杂故障变量进行降维,并对提取的主要故障变量进行判断,完成故障检测;将孪生支持向量机引入到故障类型的识别过程,结合主成分分析方法进行系统监测。结果表明,与加权K近邻、主成分分析-K近邻和主成分分析-支持向量机3种方法相比较,所提出的方法识别更快,准确率较高。     

PCA-DRBFN模型在精馏塔精苯干点估计中的应用

针对PCA(PrincipalComponentsAnalysis)技术中,由于重叠信息会严重影响主成分的正确提取这一问题,提出了一种改进的数据降维处理方法·首先,利用标准化变量间的相关系数大小找到重叠信息·然后,将重叠信息进行加权综合·最后,利用改进的数据降维处理方法以及分布式网络技术,建立了基于PCA DRBFN(PrincipalComponentsAnalysis DistributedRadialBasisFunctionNetwork)的软测量模型,并将其应用到某钢厂的精苯精馏过程,对精苯干点进行估计·通过仿真证明,所建立的模型具有较好的泛化效果·     

容错粗糙主成分分析的属性约简方法

在分析大肠早癌荧光数据属性约简方法的基础上,提出一种基于容错关系信息熵的粗糙主成分属性约简方法.该方法首先针对数据的不完整特性,建立容错关系粗糙集模型.然后,引入随信息量减小而单调下降的信息熵,建立基于信息熵的容错关系粗糙集模型,并进行初步数据属性处理.最后,结合主成分分析方法,形成基于容错关系信息熵的粗糙主成分分析方法,在进行数据降维处理的同时提取数据特征.以大肠早癌荧光光谱为实验数据的分析处理结果表明,该方法可以有效地降低荧光光谱数据的处理维数,提取影响医疗诊断的特征数据,减少后续数据处理的复杂度.     

一种二次投影识别蛋白质谱数据的新方法

 作为一种蛋白组学工具,质谱法的使用对疾病的早期诊断和治疗带来了革命性的变化。然而,由于面临“维数灾难”问题,大部分机器学习方法不能直接用于识别蛋白质谱数据,同时这些方法也面临着识别性能较低的问题。借鉴主分量分析（PCA）与局部线性判别嵌入（LLDE）在人脸识别方面取得的较好效果,提出了用于蛋白质谱数据识别的二次投影法(DTP)及改进的二次投影法(MDTP)。该方法先对数据去噪并用T检验降维,再提取均方误最小的第一次投影特征向量与可分性最好的第二次投影特征向量,最后将预处理过的数据先后在二次特征向量空间投影并分类。在卵巢癌蛋白质谱数据上的实验表明,二次投影及其改进方法识别性能较好,优于现有各方法。     

基于KPCA降维的运动捕捉数据自动分割

针对运动捕捉获得的数据其维度通常较高,在进行运动片段分割时候需要进行大量计算,人工方法可以对运动捕获数据进行分割,准确率比较高,但是效率偏低的问题.提出KPCA结合PPCA对捕获数据进行降维处理的方法,将56维数据映射到2维空间;以及构造特征函数获得投射误差的导数,分析几何特征的变化,探测运动捕捉数据的分割点的方法,实现运动捕捉数据的自动分割.     

基于主成分分析的建筑空调系统传感器故障检测

在已经建立的建筑空调系统仿真器的基础上,针对系统的温度、湿度、流量传感器提出了一种基于主成分分析的传感器故障诊断方法.该方法根据系统正常的历史运行数据建立数理统计模型,通过传感器实际测量数据与正常数据阵在故障子空间投影的比较,对传感器的故障进行检测.仿真试验表明,该方法能够诊断出固定偏差和漂移故障,为进一步研究传感器的故障诊断提供了必要的基础.     

一种新的特征提取方法——类别非局保留投影

针对类别保局投影基于类内散度的特点,提出了一种基于类间散度的特征提取方法——类别非局保留投影. 利用Matlab软件对类别保局投影、主分量分析和类别非局保留投影进行了可视化效果和聚类识别率的比较、分析. 结果表明,在类间信息起主导作用的基因表达数据分类任务中,类别非局保留投影比类别保局投影能获得更好的分类特征. 因此类别非局保留投影更适合于类间信息其主导作用的分类任务.     

变风量空调系统传感器故障检测与诊断

在建立变风量空调系统仿真器的基础上，针对系统的温度、流量和压力传感器等进行故障的检测与诊断．提出基于主成分分析的方法，根据系统正常的历史运行数据建立数理统计模型，通过传感器实测数据与正常数据在故障子空间投影的比较，对传感器的故障进行在线检测；提出联合角度法通过比较新发故障向量与故障库中各经验故障向量在两个子空间投影的夹角，在线分离出故障源．结果表明，提出的主成分分析和联合角度的方法对于变风量空调系统传感器故障有较为准确和快速的检测和诊断效果．     

PCA在非线性系统传感器故障检测和重构中的应用

由于主成分分析(PCA)方法是一种线性算法,基于PCA的故障检测方法若直接运用于非线性系统的传感器故障检测和重构,会导致明显的故障误报和数据重构错误。为了使基于PCA的传感器故障检测和重构方法适用于非线性较严重的热工过程,对该方法进行了有效的改进。应用不同负荷下的历史数据,分别建立机组不同负荷下的局部PCA模型,再根据机组当前实际运行负荷选择相应的PCA模型进行传感器故障检测和重构,并结合相邻负荷PCA模型的计算结果进行数据融合,从而进一步提高了故障检测的准确性和重构精度。理论分析和现场实际应用表明,该算法能够对非线性较为严重的电厂热工过程进行精确的传感器故障检测和重构。     

提高空调系统传感器小故障检测能力的方法研究

提出了用主成分分析法建立系统的模型,通过检测测量数据在残差子空间内的投影大小来检测故障.分析认为造成传感器小故障难于检测的原因在于测量数据的嗓声太大,并提出采用指数加权滑动平均滤波器来提高系统小故障检测能力的方法.实验表明,方法是有效的.图3,参8.     

基于不相关局部敏感鉴别分析的新生儿疼痛表情识别

针对新生儿疼痛表情识别中的特征提取问题,提出一种不相关局部敏感鉴别分析（Uncorrelated Locality Sensitive Discriminant Analysis,ULSDA）算法.首先,在局部敏感鉴别分析（LSDA）算法的基础上,通过附加投影向量正交性的约束条件,定义了ULSDA的目标函数;然后,推导出求解特征子空间正交投影向量的迭代公式;最后,将输入的高维图像数据投影到这个特征子空间,求出特征向量.ULSDA算法不仅继承了LSDA算法所具有的有监督、局部流形结构保持等特性,而且消除了LSDA算法所提取出的鉴别特征的相关性,从而增强了特征的鉴别能力,比LSDA算法具有更好的分类识别能力.在新生儿表情图像库上的疼痛表情识别实验结果表明,提出的ULSDA方法是有效可行的.当每类表情的训练样本图像为150幅时,采用ULSDA算法获得的平均识别率达到了82.07％,优于主成分分析（PCA）、线性鉴别分析（LDA）、局部敏感鉴别分析（LSDA）等特征提取方法.     

一种基于Fisher准则的二维主元分析表情识别方法

提出了一种基于Fisher准则进行特征选择的二维主元分析表情识别方法.首先对训练样本做二维主元分析,然后再根据Fisher准则,按Fisher比的大小选择特征向量作为投影轴,最后用最近邻方法进行分类.在JAFFE人脸表情静态图像库上进行实验,与按特征值的大小来选择特征向量相比,该方法更有效.     

一种基于PCA的工件图像匹配方法的研究

为提高工件图像匹配的计算效率提出了一种基于主元分析(PCA)的新方法.该方法将模板图像视为一高维空间点集,对其进行PCA处理,在确定能够保证信息保留率的主元个数后,得到各元方向上投影值的最大最小值及与其对应的模板图像中的列的序号.在匹配时,只需抽取搜索区域中相同序号的列向相应的主元方向作投影运算,从而构成投影值向量,进而计算该向量与预处理中所得的最大最小值构成向量间的距离,从而根据距离的大小判断是否匹配.匹配中的寻优工具使用一种改进的遗传算法.对工件匹配的实验验证说明,所提方法具有较高的寻优速度和精度,且在待匹配图像中混有较高噪声的情况下也能得到较好的结果.