一种新的模式识别特征评选与简化方法

基于粗集理论,从模式识别表达知识系统的方法出发,讨论了对于系统根据特征描述的分类的上近似、下近似概念,提出用去掉某些特征后对系统模式识别的影响来衡量该特征的分类能力,以模式识别效果为依据来评选有用特征,从而实现特征集的简化和优化组合的一种新方法。这种方法对于对降低知识表达的空间维数,简化信息处理也十分有用。     

基于时频特征和PCA-KELM的液压系统故障诊断

为了解决液压系统泄漏、堵塞和气穴等多类型故障下特征提取和模式识别困难的问题,提出基于时频特征和PCA-KELM的液压故障智能诊断新方法。首先利用统计分析和总体平均经验模态分解方法,构造高维混合域初始特征向量,从不同特征指标、不同分析角度对不同种类液压故障进行表征和刻画;然后通过主成分分析对多维初始特征向量进行降维和特征二次提取,将高维相关变量转化为低维独立的主特征向量;最后利用PCA主元构造的主特征向量输入核极限学习机网络中,实现故障类型的识别。实验结果表明,混合域初始特征向量能全面准确地描述故障特征,PCA提取的主特征向量摒弃了冗余信息且简化了分类器结构,KELM网络诊断速度快、分类准确率高。     

基于局部线性嵌入的能量耗损故障模式识别

针对基于能量耗损的齿轮故障模式识别问题,将监督学习与局部主成分分析结合,提出了一种改进的能有效提取数据低维流形结构与分类特征的局部线性嵌入算法.然后,分析了齿轮摩擦学系统能量耗损与能量耗损的故障模式识别方法.最后,以齿轮箱能量监测实验台为例,获取不同齿轮故障下输入能量耗损功率的变化,应用改进的局部线性嵌入算法进行故障的功率耗损降维与模式识别,通过多类支持向量机分类的准确率来判断分类的效果.研究表明,改进的局部线性嵌入算法有较高的识别率,是一种有效的齿轮能量耗损故障模式识别方法.     

化学模式识别在中药质量控制中的应用

主要介绍了3种常用的化学模式识别方法:主成分分析法、聚类分析法、人工神经网络法,并对化学模式识别技术在中药质量控制与评价中的应用进展做了简要评述.     

500kV自耦变压器直流偏磁振动特征提取与模式识别方法研究

为了对自耦变压器直流偏磁进行有效检测,以变压器振动加速度信号为观测量,对比分析了直流偏磁前后500kV自耦变压器振动加速度频谱的变化特性,提出了奇偶次谐波比、频谱复杂度以及小波包能量等原始特征参数,利用主成分分析方法对原始特征参数去相关处理,采用最小二乘支持向量机的方法对直流偏磁主特征进行了模式识别。结果表明,直流偏磁对变压器振动时频特性影响显著,采取中性点电容隔直措施后,自耦变压器仍然存在较为严重的直流偏磁问题,所提出的原始特征参数能够有效反映变压器直流偏磁状态,利用主成分分析方法显著降低了特征空间维数,采用最小二乘支持向量机的方法能够实现自耦变压器直流偏磁主特征的模式识别,通过核函数参数对调整,识别准确率可达100%。所提出的方法为变压器直流偏磁的有效检测提供了技术支持。     

高光谱图像的特征提取与特征选择研究

特征提取和特征选择是模式识别的关键问题之一,它影响到分类器的设计及其性能.高光谱图像数据是超高维多特征数据集,如何实现高维特征空间的特征压缩和特征提取是一个重要课题.基于高光谱图像谱图合一、数据维度高的数据结构特点,该文从光谱和图像两个层面分别综述了主成分分析、最小噪声分离、独立成分分析等光谱特征提取方法以及基于颜色、纹理、形状等图像特征提取方法.还详细介绍了核主成分分析和投影寻踪方法这两种高光谱特征提取新方法,并给出了以上方法的应用实例.特征提取和特征选择的研究将为后续的高光谱图像分类奠定良好的基础.     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

主成分分析在科技期刊评价中的应用

介绍了主成分分析在科技期刊评价中的应用。主成分分析在简化数据结构,消除变量之间的相关性以及选择变量子集合等方面具有重要作用。     

哈密瓜颜色特征提取及成熟度分级的研究

针对新疆哈密瓜分级中自动化程度低、分级结果不稳定及效率低下等问题,本研究提出了基于SVM神经网络与哈密瓜图像特征的哈密瓜分级方法。本研究以"金皇后"哈密瓜为研究对象,通过主成分分析提取的8个颜色特征值,并提取相应的主成分构成模式识别的输入,利用SVM神经网络方法建立了哈密瓜分级模型。结果表明:在图像信息主成分因子数为4时建立的模型最佳,模型训练时的回判率为100%,预测时识别率达到了97.22%。这表明基于机器视觉技术对不同成熟度哈密瓜分级方法是可行的,可为实现哈密瓜自动分级提供理论依据。     

基于多特征PCA融合的SVM质量异常识别

为了提高动态过程质量异常模式识别的精度,提出一种基于主元分析的多特征融合方法.首先提取出样本数据的统计特征和几何特征;接着将混合的多种特征进行PCA处理,提取出主元特征向量;然后利用粒子群算法寻找SVM分类器的最优参数;最后,通过仿真实验与其他识别方法进行对比,实验结果表明:本文提出的多特征PCA融合方法具有较高的识别精度,为质量异常模式识别研究提供了新的方法.     

基于协同学的人脸分类集成

提出了一种基于协同学的人脸分类集成方法.选择不同的训练样本作为原型模型,以增加原型模型的多样性;识别时,将序参量转化为后验概率,分别运用投票法和基于和的后验概率集成方法进行识别,并提出了一种改进的基于和的后验概率集成方法,来提高集成的效果.另外,将核主分量分析和协同模式识别进行结合,在运用协同模式识别之前,先采用核主分量分析获得原始图像的最优非线性表示,以提高模式的可分性,并消除图像冗余信息的影响,然后再进行协同人脸分类.对Y a le人脸库中的图像进行识别实验,结果表明所提方法的有效性,取得了比经典的协同模式识别方法和核主成分分析更好的结果.     

基于独立分量分析的普适人脸识别系统

在模式识别领域,变量间的高阶统计关系开始受到更多关注.但目前许多人脸识别系统一方面依赖二阶统计关系,另一方面又需先采用主分量分析技术对样本进行降维.主分量分析技术自身却对二阶统计关系敏感,因此需要寻找一种对高阶统计关系敏感的算法作后续处理.为此作者提出了一种基于独立分量分析的普适人脸识别系统,并与传统的基于Fisher线性判别规则的人脸识别系统进行了比较分析,重点讨论在光照方向大幅度变化和人脸图像不完整情况下两种系统性能的优劣.理论分析和实验结果均证实,在这两种情况下,基于独立分量分析的普适人脸识别系统的性能优于传统的基于Fisher线性判别规则的人脸识别系统的性能.     

基于LMP-KCPA的人体动作识别方法

为解决人体动作识别中由于特征描述子的维数过高, 无法表征目标变化的本质运动变化信息的问题,给出了核主成分分析(KPCA: Kernel Principal Component Analysis)对局部运动模式描述子(LMP: Local Motion Pattern)降维方法。首先利用LMP 描述子对人体运动目标进行描述, 然后利用KPCA 算法对局部运动模式特征
描述子进行处理, 获取新的特征描述方式。通过MATLAB 仿真, 与Cuboids+SVM 和LMP+SR 两种算法对比结果表明, 基于LMP鄄KPCA 的人体动作识别, 特征描述子维数明显降低, 可以表征人体运动目标变化关键信息,识别率比Cuboids+SVM 算法提高1. 1%, 比LMP+SR 提高1%。     

基于局部邻域四值模式的掌纹掌脉融合识别

为了解决掌纹掌脉识别技术中稳定性差和识别率低的问题,提出一种基于局部邻域四值模式的掌纹掌脉融合识别算法。对掌纹掌脉图像利用非下采样轮廓波变换(non-subsampled contourlet transform,NSCT)进行分解,将得到的低频和高频子图像分别利用区域能量和图像自相似原理进行融合;利用局部邻域四值模式(local neighbor quaternary pattern,LNQP)获取掌纹掌脉融合图像的纹理特征向量,并用主成分分析(principal component analysis,PCA)算法对其进行降维;根据特征向量间的汉明距离实现匹配识别,并在PolyU图库和SUT图库上完成仿真验证。实验结果表明,算法的最低等误率分别为0.17%和0.75%,与其他传统及最新算法相比,算法能够有效地提取掌纹掌脉图像的纹理特征,具有良好的识别性能,并且掌纹掌脉特征的融合增强了系统的安全性。     

光学图像识别技术的MATLAB仿真

光学图像识别有两种主要的实现方式,其一是采用VanderLugt相关器,其二是采用联合变换相关器。这两种技术都是建立在4f光学成像系统基础之上的。MATLAB提供了丰富的图像处理函数,它们能实现4f光学成像系统的变换功能。利用这些函数可以模拟光学图像识别技术对图像的识别,能得到较好的仿真结果。     

基于特征融合的人脸人耳多生物身份鉴别

针对人头旋转时单一人脸识别率较差的问题,基于人脸与人耳位置上的关联性,提出人脸人耳多生物特征级融合的身份鉴别方法以克服姿态带来的影响．首先采用传统独立成分分析（ICA）方法及其变形分别提取出图像的局部和全局特征,然后将这2种互补的特征进行多模态加权串联融合,并采用基于非线性核函数的主元分析法（KPCA）降维．在USTB图像库上的实验表明,2种独立成分特征具有很好的互补性,多生物识别大大优于单一生物识别,且提出的核非线性降维方法进一步改善了识别性能．     

基于四元数的彩色人脸识别

为充分挖掘人脸模式样本之间的鉴别信息、强化不同样本之间的区分性,以利于增强识别系统鲁棒性、提高人脸正确识别率,提出一种新颖的基于四元数的彩色人脸识别算法．将定义于实数域的PcA方法以及Fisher鉴别分析法向四元数体作合理推广,得到定义于体上的广义主成分分析方法及广义线性鉴别分析法,将这2种方法用于彩色人脸识别,从而得到全新的识别算法．该算法巧妙地将彩色像素的R、G、B3个分量结合在一起,从数学上有机融合具有丰富鉴别信息的肤色成分以及反映人脸轮廓形状信息的灰度成分,较传统仅利用灰度信息的识别方法,具有更稳定的性能以及更高的正确识别率．提出的关于共轭四元数矩阵正交特征矢量集的获取方法,数学上有详细的推导证明,该方法在理论上合理,同时在自己建立的彩色人脸库上进行的实验表明,该方法可行且实用．     

基于降维的堆积降噪自动编码机的表情识别方法

堆积降噪自动编码机是一种典型的深度学习模型,它能够刻画数据丰富的内在信息,具有较强的特征学习能力。基于主成分分析（principal component analysis,PCA）技术和堆积降噪自动编码机（stacked denoising autoen-coders,SDAE）模型,提出一种新的表情识别算法PCA＋SDAE。该算法对人脸图片进行裁剪及归一化等预处理,采用主成分分析技术对人脸特征进行线性降维,再利用堆积降噪自动编码机逐层进行特征学习并同时实现对人脸表情数据的非线性降维,可以得到更好的、维度更低的表情特征,并据此进行表情分类。对PCA＋SDAE算法的仿真测试实验结果表明,其综合性能比其他的基于深度学习模型的表情识别方法更好,同时与传统的非深度学习表情识别方法相比,它具有更高的表情识别正确率。     

两种形状识别方法及其实验

物体的形状识别是模式识别的重要方向,广泛应用于图像分析、机器视觉和目标识别等领域.目前,对形状识别的主要方法有傅里叶描述子、主分量分析等.对傅里叶描述子、主分量分析方法进行了详细阐述,通过对仿真得到的数据分析比较,验证了主分量分析法和傅里叶描述子方法对形状识别具有比较好的效果.