基于改进PCA的导弹装备健康表征参数提取方法

针对导弹装备健康状态信息复杂且相互交融、健康表征参数难以提取的问题,提出一种基于改进主成分分析(principal component analysis, PCA)的装备健康状态低维敏感表征参数的确定方法。该方法先开展装备扩展故障模式及影响分析,构建初始高维特征参数集,再利用改进PCA对参数集进行降维处理,在最大化高维表征参数全局特征方差的目标下,提取出非线性表征参数子集。将该方法应用到导弹舵机健康评估实验中,使用故障注入模拟设备进行验证。结果表明,采用所提方法提取的健康表征参数对舵机健康状态识别准确率高,说明所提方法在提取导弹装备健康表征参数中具有明显的优越性。     

基于混合概率主成分分析的HRRP特征提取

针对主成分分析(principal component analysis, PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile, HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization, EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。     

基于KPCA与LSSVM的网络控制系统时延预测方法

针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析（kernel principal component analysis, KPCA）与最小二乘支持向量机（least squares support vector machine, LSSVM）结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。     

基于KPCA和LDA的信号调制识别

对信号的特征选择与分类问题进行研究,提出了一种基于核主分量分析(kernel principle component analysis, KPCA)和线性判别(linear discriminant analysis, LDA)分类器的信号调制识别算法。针对通信信号的特点,首先利用KPCA的方法对特征参数进行主分量组合,以消除信号特征间的相关性和压缩特征向量的维数,然后利用LDA分类器进行信号调制方式的自动识别。仿真表明,在一个较大的信噪比范围内当特征非线性可分时,KPCA在特征选择方面性能更优,且基于KPCA+LDA的识别方法精度高于主分量分析(principle component analysis, PCA)+模板匹配算法。通过分析还可得出,KPCA+LDA等价于基于核的Fisher判别分析(kernel Fisher discriminant analysis, KFDA)方法。     

基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。     

基于去噪盲分离的多个直扩信号参数估计

噪声条件下多个直扩信号混合情况下的参数估计是传统算法所无法处理的,为此提出将去噪盲分离算法应用于此问题,达到噪声消除和使多个扩频信号相互分离的目的。首先回顾了在低信噪比条件下估计单个直扩信号参数的循环谱估计技术,并且说明了盲分离算法在估计多个混合直扩信号参数的可行性。然后给出了含噪盲分离的基本模型和一种有效算法移偏快速独立分量分析(fast independent component analysis, FASTICA)。接着引出了一个算法框架--去噪盲分离,证明了经典独立成分分析(independent component analysis, ICA)算法可以统一到这个框架中。仿真结果表明了算法的有效性和实用性。     

基于PCA和相位差校正法的风切变预警算法

为了提高相干激光雷达风切变预警算法的预警率,提出一种基于主成分分析（principal component analysis,PCA）和相位差校正法的风切变预警算法。首先,利用PCA对雷达回波信号进行低阶主成分向量提取以实现信号重构,提高信噪比。其次,采用基于快速傅里叶变换的相位差校正法对回波信号峰值频率进行校正,降低回波信号能量泄露。然后,分别利用旋转电机实验数据和小型飞机实验数据对所提算法进行性能评估。结果表明,采用所提算法估计相干激光雷达回波信号峰值频率的平均绝对误差为0.26 MHz,对实际低空风切变的预警率为92.31%。所提算法可以有效降低相干激光雷达回波信号频率估计误差,实现低空风切变预警。     

基于灰主成分的空战目标威胁评估

由于影响空战目标威胁评估的因素复杂多样,且具有矛盾性、相关性、耦合性等特点,因此利用传统的评估方法无法得到准确客观的评估结果.对此,提出一种基于灰色主成分的目标威胁评估方法.首先,利用主成分分析(principle component analysis,PCA)方法,分析指标之间的相关性,生成指标之间的灰色关联系数矩阵...     

一种基于独立成分分析的滚转弹姿态解算

为了获取试验弹的飞行姿态,以便为进一步的弹体飞行动力学分析及制导系统的效能评估提供依据,提出了一种基于独立成分分析(independent component analysis,ICA)的滚转弹飞行姿态获取方法。该算法使用一个双轴角速率陀螺构成滚转弹飞行姿态遥测系统,利用ICA算法对遥测数据进行处理,从而重构弹体飞行姿态。通过构造一个特殊的虚拟观测变量,即可借助于ICA算法将测量信号由弹体坐标系变换至准弹体坐标系,去除由于弹体滚转引入的信号调制效应,最终解算出滚转弹的姿态信息。仿真计算结果验证了算法的有效性。     

神经网络主元分析的传感器故障诊断方法

针对多传感器故障诊断问题，将神经网络引入主元分析(principal component analysis, PCA)模型之中，提出一基于主元分析的多传感器故障诊断模型。首先，应用传感器正常工作时测量的历史数据，由PCA模型得到所有传感器的预测值。其次，计算传感器系统的平方预期误差值(squared prediction error, SPE),根据系统的SPE值是否跳变，判定有无故障发生。通过分别重构单个传感器信号的SPE值来确定发生故障的传感器。最后,应用一个多传感器故障诊断仿真实例证明了该方案的可行性。     

基于RBF神经网络的非线性主元分析新方法

在分析非线性主元曲线性质基础上,提出了非线性负载是变量X的函数,基于此,设计非线性负载RBF神经网络结构,给出了随机梯度下降算法。提出的非线性主成分分析方法与以往方法比较,得分和负载在概念上具有和线性主成分分析相同的解释,在结构上较为简单,解决了缺乏训练数据问题,训练容易。与线性主成分分析的对比仿真验证了提出方法的有效性。     

基于AF-CDC-OFDM的差分网络编码

在多子载波、频率选择性衰落、双向中继转发信道中提出多中继协作的基于AF-CDC-OFDM的差分网络编码方法。通过多个协作中继的分布式循环延时编码及功率放大处理,两路终端发送的差分编码分组可获得完全的协作分集和频率分集增益。两路终端在检测对方的发送信号之前需要消除自干扰信号,为此,提出基于统计相关的自干扰分量估计方法。仿真结果表明,提出的差分网络编码能够获得完全的分集增益性能,对应的自干扰分量相关统计估计算法在慢衰落信道中与干扰分量完全消除的检测性能相比,仅有0.5 dB的信噪比损耗。     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

Nonnegative matrix factorization with Log Gabor wavelets for image representation and classification

1.INTRODUCTION Inpatternanalysisandcomputervision,visualrecog nitionofobjectsisoneofthemostchallengingprob lems.Approachestoovercomesuchproblemshavefo cusedonusingseveralmethodologies.Appearance basedrepresentationandrecognitionisoneofthe mostsuccessfullyusedtoday.Itinvolvespreprocess ingofmultidimensionalsignals,suchasimagesof facesandcharactersorspectrogramsofspeech.In fact,thecoreofthepreprocessingisthesocalleddi mensionalityreduction.Thedimensionalityreductionaimstocompress thehighdi…     

基于多通道SAR系统的ATI-RPCA地面动目标指示方法

针对强杂波背景下的多通道合成孔径雷达(multi-channel synthetic aperture radar,MC-SAR)系统,结合沿航迹干涉(along-track interferometry,ATI)方法和稳健的主成分分析(robust principal component analy-sis,RPCA...     

基于核主元分析的非线性动态故障诊断

核主元分析是一种非线性主元分析方法，充分利用核函数来解决非线性映射问题，在高维特征空间中确定主元，具有很好的非线性逼近能力。同时，利用非线性最小二乘法实现核主元分析的变量重构，来识别故障源。将核主元分析应用于连续搅拌釜式反应器系统（CSTR）的故障诊断过程中，仿真结果表明该方法对于故障的检测和故障源的识别都优于线性主元分析法的诊断效果。     

手绘模拟电路图识别技术研究

主要研究手绘（印刷）模拟电路的识别技术．文章在优化图象质量和提高电路图素识别率等方面作了重点阐述．在元件识别的基础上,配合有限制的字符识别,形成了一种图象文字相结合的识别方法,提高了识别率,为电路图的自动分析打下良好的基础．     

高阶双尺度法求解粗糙海面的散射特性

针对传统双尺度法不能有效求解低掠入射散射特性的问题,通过在小尺度集平均中计及散射场的高阶微扰分量,而提出了一种高阶双尺度的新方法。通过高、低阶微扰法求解水平、垂直极化下的散射系数,分析了高阶场量在低掠入射下的修正效应,并讨论了不同粗糙度的情况,研究了高阶双尺度法的求解结果。和测量值的比较表明,考虑高阶散射分量的高阶双尺度法可以很好地求解粗糙表面的散射特性,从而证明该方法是正确而有效的。     

基于模型的多尺度间歇过程性能监控

利用神经网络对间歇过程的非线性和动态特征进行描述,神经网络的预测残差则利用多尺度主元分析进行建模,将多尺度主元分析扩展用于间歇过程的监控.这一方法突破了传统多向主元分析单模型、线性化的建模方式,是一种多模型非线性建模方法.它利用小波将每一残差信号分解为各个尺度上的近似部分和细节部分,而主元分析则用于分别建立各个尺度上的统计模型.通过对实际工业链霉素发酵过程数据的分析,表明文中所提出的方法与传统的多向主元分析方法相比,能够更早地发现故障,获得更好的监控性能.     

Efficient face recognition method based on DCT and LDA

It has been demonstrated that the linear discriminant analysis (LDA) is an effective approach in face recognition tasks. However, due to the high dimensionality of an image space, many LDA based approaches first use the principal component analysis (PCA) to project an image into a lower dimensional space, then perform the LDA transform to extract discriminant feature. But some useful discriminant information to the following LDA transform will be lost in the PCA step. To overcome these defects, a face recognition method based on the discrete cosine transform (DCT) and the LDA is proposed. First the DCT is used to achieve dimension reduction, then LDA transform is performed on the lower space to extract features. Two face databases are used to test our method and the correct recognition rates of 97.5% and 96.0% are obtained respectively. The performance of the proposed method is compared with that of the PCA LDA method and the results show that the method proposed outperforms the PCA LDA method.