MWMPCA方法及其在间歇过程监控中的应用

针对传统的多向PCA(Principal Component Analysis)模型间歇过程监控的缺点,提出了一种移动窗多向主元分析(MWMPCA:Moving Window Multi-way Principal Component Analysis)模型.与MPCA方法比较,MWMPCA可很好地监控间歇过程操作的稳定性,在实时监控新的间歇过程时,只需利用已收集到的数据信息,同时还可根据实际反应情况调整主元的选取个数,以得到更好的监控性能.     

用于智能电网电价预测的深度学习模型

针对机器学习方法在大型数据集上电价预测准确性低等问题,本文提出一种基于大数据时间序列的深度学习电价预测模型,用于智能电网的电价预测.该模型首先将收集到的数据进行预处理规范化,采用ReliefF算法和互信息(Mutual Information,MI)的混合模块进行特征选择,其次将改进后的特征赋予核主成分分析(Kernel Principal Component Analysis,KPCA)进行特征提取,最后采用增强卷积神经网络(Enhanced Convolution Neural Network,ECNN)对电价进行有效的预测.实验结果表明:与现有的基准方案相比,本文所提出的模型能够更好地预测智能电网电价,有助于智能电网更好地运行和规划发电.     

基于PCA的指纹识别算法研究

介绍了主成分分析(Principal Component Analysis,简称PCA)方法及其在指纹识别算法中的两个重要应用.并分析了当前指纹匹配算法的研究热点.     

基于NLPCA的聚类可视化方法

为了将高维输入空间的数据映射到低维空间,利用可视化技术探测数据的固有特性,提出了用非线性主成分分析（NLPCA:NonLinear Principal Component Analysis）和自组织映射网络相结合的方法对生物信息学中基因表达数据进行聚类可视化分析。实验结果表明,该方法有较高的分类正确率,用于基因表达数据的聚类分析是行之有效的。     

一种改进的三维网格凸度衡量方法

针对现有方法需要不断地调整投影方向、时间消耗大的缺点,提出了一种改进的三维网格凸度衡量方法,该方法只需在物体主方向投影一次,减少了时间消耗.该方法首先采用主成分分析(Principal Component Analysis,PCA)计算网格模型的主方向,然后计算模型在主方向上的投影面积和网格模型中每个面片在主方向上的投影面积之和,将它们的比值作为凸度值的初始估计,最后在主方向上对模型进行切片处理,计算所有切片的二维凸度值的加权平均,并将其作为凸度值的修正.实验结果证明,这种改进的凸度衡量方法在计算速度上比现有方法更快,而且更加符合人类的视觉感知.     

基于fast PCA和K-CV优化SVM的人脸识别算法研究

为了解决支持向量机(Support Vector Machine, SVM)分类器人脸识别率不高的问题,提出了一种快速主成分分析法(fast Principal Component Analysis, fast PCA)与优化参数支持向量机分类器相结合的人脸识别算法.首先,在传统的PCA算法理论基础上提出一种快速PCA算法,用于人脸图像的降维和特征提取,减少特征提取时间,降低计算量,缩短SVM识别时间;其次,利用K折交叉验证法(K-fold cross-validation method,K-CV)联合改进的网格搜索法对SVM分类器最优参数进行搜索,减少最优参数搜索时间,提高算法人脸识别率和泛化能力.在ORL人脸库实验结果表明:该算法在每类训练样本数大于5时,人脸识别率为100%;在训练样本较少时,仍然保持较高识别率.与一般的SVM算法及PCA算法比较,该算法平均识别率提高了0.61%～8.92%.     

基于一种多分类半监督学习算法 的驾驶风格分类模型

基于驾驶模拟平台设计实验方案,同步采集驾驶员的驾驶操作信息和车辆状态信息,选取6个表征驾驶风格的特征参数,采用主成分分析(Principal Component Analysis,PCA)算法对多元特征参数进行特征提取,将前3个主成分作为驾驶风格识别模型的特征输入.利用K-means聚类完成样本标记工作.基于有监督支持向量机(Support Vector Machine,SVM)与多分类半监督学习算法(i MLCU)的原理,分别建立SVM与i MLCU驾驶风格识别模型,通过调节标记样本与未标记样本比例,对比使用不同样本比例训练的SVM和i MLCU模型的驾驶风格识别准确率.结果表明:相比于SVM,i MLCU表现出了更优异的驾驶风格识别能力,由此可知半监督i MLCU模型可以利用未标记样本提高模型对驾驶风格的识别能力.     

基于PCA＋2DPCA的人脸识别方法分析

阐述了基于主成分分析（Principal Component Analysis,PCA）和二维主成分分析（2DPCA）的人脸识别方法,分析了该方法在矩阵理论中的来源和算法,提出了PCA＋2DPCA分析方法,并采用2DPCA求出特征向量,PCA进行最优压缩,从而降低了维数.     

基于多线性主成分分析的支持高阶张量机

为了处理张量数据,传统的学习算法常常把张量展成向量,但会造成破坏原始数据固有的高阶结构和内在相关性,导致信息丢失,或产生高维向量,使得后期学习过程中容易出现过拟合、维度灾难和小样本问题.近年提出了许多基于张量模式的分类算法,而支持高阶张量机算法是张量分类算法中最有效的方法之一.考虑到张量的高维性和高冗余性,本文提出基于多线性主成分分析的支持高阶张量机分类算法(Multilinear Principle Component Analysis Based Support High-Order Tensor Machine,MPCA+SHTM).该算法首先利用多线性主成分分析对张量进行降维,然后利用支持高阶张量机对降维后的张量进行学习.在12个张量数据集上的实验表明:MPCA+SHTM在保持测试精度的情况下有效地降低了SHTM的计算时间.     

基于主成分分析和支持向量机的鲁棒稀疏线性判别分析方法

为了提高人脸图像的识别率、识别效率和鲁棒性,提出一种基于主成分分析（Principal Component Analysis, PCA）和支持向量机（support Vector machine,SVM）的鲁棒稀疏线性判别分析方法,通过ORL和YaleB人脸库、COIL20物体库和UCI机器学习库中部分数据集,将本文方法与线性判别分析、鲁棒线性判别分析、基于 范数和巴氏距离的鲁棒线性判别分析、鲁棒自适应线性判别分析和鲁棒稀疏线性判别分析等六种方法进行比较。实验结果表明,在ORL人脸库、COIL20物体库和UCI机器学习库的部分数据集中,在原始图像条件下,本文方法的识别率均值依次为92.80%,97.76%和89.61%,均高于其它5种方法。在YaleB人脸库加入椒盐噪声的条件下,本文方法的识别率均值为81.35%,比其它五种方法高1.37%以上。     

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.     

多模型MPCA方法在多变量间歇过程故障监测与诊断中的应用

多向主元分析 (MPCA)是应用于间歇生产过程故障监测与诊断中的一种较为有效的方法 ,但由于其自身的线性化特点 ,使之在复杂的非线性动态系统处理中显得力不从心 .针对普通MPCA方法的优缺点提出一种多模型结构的MPCA方法 ,讨论了该方法的模型结构以及现场故障监测与诊断的分析过程 .多模型结构的MPCA方法通过分点差分的方式 ,关联了同一间歇过程中不同测量时刻变量值的关系 ,并且在间歇过程故障监测与诊断中比普通MPCA更具精确性和实时性     

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.     

基于测地线采样的三维表情人脸识别

针对测地线类人脸识别算法速度慢的问题, 提出了一种基于测地线环带特征点采样的三维人脸识别方法。首先根据测地线距离以鼻尖点为中心在人脸表面绘制一系列等距测地线环; 再对测地线环带进行特征点采样构成人脸描述特征, 并进行PCA(Principal Component Analysis)运算和去相关处理; 最终使用投票法融合各环带单独结果以识别人脸。在FaceWareHouse 表情三维人脸数据集上进行的识别实验表明, 该方法识别准确率与传统测地线法相当, 而识别时间有明显减少, 平均识别时间由2. 55 s 降至0. 624 3 s。     

基于多向Fisher判据分析的间歇过程性能监控

针对传统的间歇过程监控方法,在建模时只利用正常工况下的数据,其故障诊断能力并不令人满意的问题,提出了多向Fisher判据分析(MFDA:Multiway Fisher Discriminant Analysis)方法,用于间歇过程的监控.该算法同时利用正常工况和故障条件下的数据进行建模,其故障诊断能力要优于MPCA(Multiway Principal Component Analysis),在故障检测的同时也实现了故障的诊断.通过对实际工业链霉素发酵过程数据分析,表明该算法是可行的,可以获得较满意的故障诊断结果.     

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%.     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法。将遗传算法和支持向量机用于脑电信号的分类。选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征。在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率。本文采用用支持向量机对特征数据分类。Fisher准则在特征提取中良好的效果。     

一种新的复杂细胞启发下的特征提取方法

鉴于V1区复杂细胞具有提取外界刺激不变本质的能力,设计了一个提取目标图像局部不变特征的方法.该方法首先使用提出的无监督算法(PCICA),从图像中学习出类似于复杂细胞感受野的滤波器集合.然后利用这些滤波器组成的复杂细胞描述子,提取目标图像各个位置的不变特征.最后对图像特征图进行分块统计,将各区域的直方图序列作为图像的最终描述.测试结果表明,PCICA具有类似于快速独立分量分析算法(FastICA)三阶收敛的特点,从图像中学习出的滤波器集合,表现出复杂细胞感受野的拓扑结构.这些滤波器对于局部图像的微小变化并不敏感,对于检测不变特征十分有利,并在MNIST手写体数据库上取得0.84%的识别错误率.     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法.将遗传算法和支持向量机用于脑电信号的分类.选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征.在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率.采用支持向量机对特征数据分类.Fisher准则在特征提取中具有良好的效果.