基于核主元分析和高斯混合模型的轴承转子状态评估

针对轴承转子运行状态评估问题,提出了基于核主元分析与高斯混合模型的新方法。采用小波包变换得到信号在各频带上的能量谱,然后通过核主元分析提取特征空间的主成分;并对其进行高斯混合模型建模。通过EM算法进行参数估计,由高斯混合模型的重合度对轴承转子的运行状态进行评估。通过仿真的轴承转子振动数据的验证发现,核主元分析能够使信号在特征空间的能量更加集中,在此基础上计算的高斯混合模型的重合度,能够更好地表征轴承转子的运行状态。     

基于高斯混合密度模型的医学图像聚类方法

研究了医学图像的聚类问题,提出一种基于高斯混合密度模型的K-EM聚类算法,并将此算法用于人体腹部图像数据,实现肝、肾、脾等主要器官的分类.在算法中,随机选取腹部图像像素数据,用QAIC信息准则确定训练样本的最佳类别数;用K均值聚类算法得到混合模型的初始参数;用期望最大(EM)算法多次迭代建立腹部图像数据的混合密度模型;运用贝叶斯准则,将腹部图像所有像素值划分到混合模型中相应的模型分支,得到每个器官像素值划分的正确率与误判率.试验结果表明,新算法分类的平均正确率高于85%、误判率低于10%,优于K均值算法.     

过程混合的高斯过程模型混合采样推理

提出了基于Dirichlet过程混合的高斯过程模型揭示复杂动态系统结构数据的多态性的内在机制.针对均值结构与协方差结构稀疏性的差异性,设计了参数先验与非参数先验来构建基于Polya urn与过松弛层采样的混合采样框架体系.该混合采样方案不但能够在统一的Metropolis Hasting(M H)概率评价准则下实现,而且能够最大限度地克服高斯随机走步的缺陷,方便、快速地获得马尔科夫样本链的展开.仿真结果表明,混合采样算法比高斯过程回归模型及高斯过程函数回归混合模型具有更广泛的适应性及更好的预测效果.     

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.     

基于核主成分分析的三维模型分类算法

针对三维模型的分类问题,提出了一种基于核主成分分析(Kernel-Principal Components Analysis,K-PCA)的三维模型分类算法。该算法首先选择形状直径函数(Shape Diameter Function,SDF)作为特征描述符来提取三维模型的特征向量;然后使用核函数将原始特征向量映射到高维空间中并在该空间上进行PCA得到新的特征向量;最后使用KNN算法并计算未知模型与已知类别的k个模型之间的l2范数以实现模型的分类,确定未知模型的类别。实验结果表明,该算法能够很好的识别三维模型的几何特征,能准确的区分不同类别的三维模型,具有较高的分类准确率。     

基于主成分分析的上市公司财务危机预警模型研究

建立了主成分分析预警模型,该模型可以用来对企业财务困境进行预测.经实证研究得出,该模型对检验样本的预测正确率为70%,说明主成分分析方法对上市公司的财务危机具有较好的预测效果.     

基于主成分分析和Softmax回归模型的人脸识别方法

文章介绍一种基于主成分分析(principal component analysis,PCA)和Softmax回归模型相结合的人脸识别方法,该方法通过PCA对整幅图像提取特征,然后将提取的特征经过非线性变换输入到Softmax回归模型中。将主成分提取特征看成是单层神经网络,将它与Softmax回归模型构成的级联结构看作是2层神经网络,在神经网络的训练过程中,主成分的特征向量可以微调。在不同人脸数据库上的实验表明,相比于传统的只用PCA降维的方法,本文方法可达到较高的识别率。     

基于三元泛函主成分分析和聚类分析的MRI图像分类研究

一元泛函主成分分析(FPCA)已经在fMRI上成功进行了应用,但是目前很少有研究运用多元FPCA对MRI进行探索.本研究将一元FPCA推广到三元并应用于MRI的图像特征提取,并对提取的特征进行了后续研究,提出了一整套MRI病理及正常图像的分析方法.该方法的主要流程是先对MRI图像进行预处理(图像配准和图像分割),得到脑脊液图像,然后运用三元FPCA对脑脊液进行特征提取,再对提取的特征进行选择,随后利用k-means聚类算法对特征进行聚类,来判断图像所属的类别(正常或异常),从而达到颅脑MRI图像病变筛查的目的.将该方法应用于颅脑MRI快速自旋回波T2加权像中,结果发现,相比于传统PCA,三元FPCA展现出更好的特征提取能力,可以有效提高图像分类的准确率.     

时间序列与主成分分析的结构损伤识别

提出一种基于AR模型均方根误差主成分分析的结构损伤识别方法.首先利用检测数据建立AR模型,求得模型的均方根误差,然后,采用主成分分析的方法获得主成分载荷矩阵,将此矩阵经过数据标准化处理得到结构损伤特征指标.通过比较结构不同状态下传感器获得的损伤特性指标,进行损伤定位.最后,基于美国Los Alamos实验室三层框架结构模型的损伤实验数据,利用本文方法和基于AR模型系数损伤定位的方法对该结构各种损伤状况进行识别.2种方法的对比研究表明采用本文的方法,通过主成分分析排除外界干扰因素,减少运算量,具有更高的损伤识别精度.     

基于非线性主成分分析的综合国力评价模型研究

如何构建一种定量的综合国力评价模型具有重要意义。当前评价综合国力的方法不多,一般方法易受主观因素影响。本文给出非线性主成分分析综合评价方法,有较好的稳定性和可靠性。利用该方法,本文对世界主要国家的综合实力进行了评价。     

时序与主成分分析的钢框架模型损伤识别研究

针对结构健康监测中基于时间序列分析实现损伤识别的问题,提出了一种利用AR模型的均方差根误差(RMSE)与主成分分析(PCA)的结构损伤识别方法.首先对加速度数据建立自回归AR模型,并求得模型的均方根误差.然后,采用主成分分析获取载荷矩阵,通过标准化处理后提出结构损伤特征指标并定位损伤发生的位置.为验证本文提出方法的可行性,对不同损伤工况下的钢框架模型进行了振动试验,利用该方法对各种损伤状况进行识别,识别结果与预设损伤情况相一致.结果表明,使用该方法可以充分利用大量实测数据,克服外界干扰因素所带来的影响,对于结构的损伤诊断具有较高的理论价值和实用价值.     

基于小波能谱系数的耐火材料损伤分析

为弄清镁碳质耐火材料在加载破坏过程中的损伤演化,利用小波变换对不同损伤阶段的典型声发射信号进行分析.采用小波特征能谱系数描述信号能量在各个频率范围的分布情况,得出耐火材料不同损伤阶段的破坏形式以及各损伤阶段所呈现出来的特性.结果表明,不同损伤阶段的信号能量分布特征存在明显的差异,利用小波特征能谱系数分析法能够有效地提取声发射源信号的特征并确定耐火材料的损伤类型.     

基于主成分分析的磨矿旋流器机理模型

针对我国以螺旋分级机为1段分级设备的两级磨矿流程,进行了磨矿过程旋流器机理模型的研究.首先,分析了磨矿过程,并结合主成分分析方法确定对系统运行起主要作用的变量用于建模.然后,建立磨矿旋流器机理模型,采用规则推理确定模型参数.最后,应用某选矿厂磨矿分级生产数据设计并进行仿真实验.结果表明,该模型对旋流器溢流粒度分布的仿真与实测结果的动态特性相符.解决了磨矿旋流器运行过程模拟问题,为磨矿分级优化控制研究提供了合适的动态模型.     

基于粒子群优化算法的高斯混合模型和高斯混合回归用于橄榄油品质分析

随着橄榄油掺假现象日趋严重,寻找一种简单有效的鉴伪分析方法至关重要.采用基于粒子群优化的高斯混合模型和高斯混合回归结合傅里叶变换红外光谱对橄榄油掺假样品进行定性和定量分析,取得了较好的分析结果.     

基于改进混合高斯模型的交通流背景检测算法

针对交通流视频中道路背景像素较为统一的特点,提出一种基于时空信息的双混合高斯模型背景检测算法.该算法先构造像素时间域混合高斯模型进行时间域的检测,并采用双重阈值分别判断前景与背景.当某像素无法准确判断时,针对该像素邻域构造空间域混合高斯模型,以空间域的检测结果代替时间域的检测.通过不同的交通流视频中的测试和比较,验证了所提出的算法能有效地融合像素自身的时间信息与像素间的空间信息,提高了检测初始阶段的鲁棒性,同时有效地解决了出现停车现象时的误检测问题.     

基于混合模型的聚类算法研究

全面探讨了基于混合模型聚类算法的一般理论框架和聚类策略,介绍了国内外在该领域的最新研究现状,指出了该算法的局限性和存在的问题.     

基于高斯混合密度模型的隐身目标RCS统计分析

为克服传统RCS起伏统计模型描述隐身目标起伏特性的不足,提出了一种将高斯混合密度模型(GMDM)应用于RCS统计分析的建模方法。根据典型隐身目标的仿真数据,分别建立了该目标在不同方位角范围内的2阶GMDM和χ2分布模型。拟合结果表明2阶GMDM在前侧向、正侧向和后侧向拟合误差分别为4.74%、12.34%和1.01%,而χ2模型的拟合误差分别为44.5%、18.65%和13.21%。同时,当拟合阶数超过4阶时,GMDM的拟合误差将稳定在5%以下,能够满足雷达目标仿真的精度需求。     

基于灰度直方图和高斯混合模型多特征肤色识别算法

肤色识别是色情图像识别和人脸检测中的关键技术,肤色识别的效果关系着相关图像处理技术的应用效果。尽管基于高斯混合模型的肤色识别算法能较好识别存在干扰因素的图像中的肤色,但对于图像中与肤色相近的毛发、背景、风景等部分识别效果并不理想。为了解决这个问题,结合灰度直方图和高斯混合模型的优势,提出了基于灰度直方图和高斯混合模型多特征肤色识别算法。实验表明该算法识别效率较高,能较好识别与肤色相近的非肤色部分,具有一定的实用性。     

基于主成分分析和高斯混合模型的茶叶分类研究

采用气相色谱-质谱(GC-MS)和液相色谱(LC)方法,结合主成分分析(PCA)、高斯混合模型(GMM)对49个茶叶样本进行分类判别研究.通过PCA对茶叶的GC-MS信号进行特征提取,结合LC测得的茶多酚等10个变量,运用GMM对茶叶样本进行分类,训练集正确率为99.44%,预测集正确率为90.47%,结果表明该方法适用于茶叶的分类及品质评价.     

基于主成分分析的住宅项目特征定价模型

讨论了房地产特征价格模型在确定新建住宅项目单位销售均价中的应用,针对应用中出现的样本少、部分特征因素间存在相关性的问题,将主成分分析运用于房地产特征价格模型,建立了基于特征因素主成分分析的住宅项目特征定价模型．通过案例,分析了特征隐含价格的经济意义与作用,利用所建模型较准确地确定新建住宅项目的单位销售均价。