基于独立成分分析和模糊支持向量机的人脸识别方法

成分分析(PCA)只能从2阶上去消除数据的相关性，传统支持向量机在解决多类问题时会出现分类的盲区问题，针对这两种情况，首先采用独立成分分析(ICA)方法解决了高阶上的数据相关性问题；同时在传统支持向量机中引入模糊隶属度函数，用模糊支持向量机解决了传统支持向量机在多类数据识别中的盲区问题。通过实验证明了该方法在人脸识别率上取得了显著提高。     

基于自适应评价函数的独立成分分析算法

简要介绍独立成分分析（ICA）及其模型，然后在极大似然估计的框架下，基于两类参数模型--Gaussian混合密度模型和Pearson系统模型，研究了具有对称分布（包括超高斯分布与亚高斯分布）和非对称分布源混合信号的盲分离问题，给出了一种有效的基于灵活评价函数的ICA新算法，该算法在一定意义上实现了对源信号概率分布的真正全“盲”。与原有的ICA算法相比，该算法具有更广泛应用范围。模拟实验验证了算法的有效性。     

基于特征人脸和肤色统计的人脸检测

提出一种在视频中检测人脸的新方法,该方法首先用特征人脸检测第一帧画面中人脸的位置和大小,将它作为卡尔曼(Kalman)滤波的初始值和肤色分布统计的训练样本,然后利用卡尔曼滤波预测人脸,最后用肤色分布模型确定人脸,就可以检测到人脸。这种方法的优点是可以在复杂背景下快速准确地检测到人脸位置和大小。实验结果表明使用该方法可以实时准确地检测到视频中的人脸。     

独立成分分析的研究进展

介绍了独立成分分析（ICA）的基本模型及其假设、含混性、非高斯性度量和通用求解过程。讨讨了目前ICA的几个研究方向的发展现状和面临的问题，分析了ICA基本模型和几种扩展模型的求解算法，包括盲反卷积、卷积混和的盲分离、非线性瞬时混合的盲分离，提出了ICA未来理论和应用研究中的开放课题．     

基于独立成分分析的时间序列谱聚类方法

为了对时间序列数据进行聚类分析, 提出了一种基于独立成分分析的时间序列多路归一化割谱聚类方法, 并给出了利用独立成分分析对时间序列数据进行特征提取和降维的理论解释. 该方法首先利用独立成分分析对时间序列数据进行特征提取, 然后利用多路归一化割谱聚类方法完成对时间序列特征数据的聚类分析, 从而得到了一种新的基于特征的时间序列聚类方法. 为了验证该方法的可行性和有效性, 将其应用于仿真时间序列数据和实际的股票时间序列数据聚类分析中, 取得了较好的数值结果.     

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。     

基于主动视觉的人脸检测与跟踪算法研究

基于融合Kalman滤波的Camshift算法与Adaboost算法相结合的方法,提出了一种基于主动视觉的人脸检测与跟踪算法.利用Adaboost算法与融合的Camshift算法实现人脸自主检测与跟踪;根据目标形心与视场中心的位置关系以及人脸区域与视场的面积关系,设计了云台控制算法.该控制算法通过对云台摄像机进行水平、垂直和变焦控制,达到自动调整云台摄像机参数的目的.基于硬件平台对所提出的主动视觉算法进行实验验证,实验结果显示,主动视觉算法具有较高的运行效率,能够实时的检测和跟踪人脸目标,扩大了摄像机的跟踪范围.     

基于多分类器融合的多姿态人脸检测方法

针对复杂背景的彩色图像中复杂姿态人脸的检测问题提出了一种基于多分类器融合的人脸检测方法.首先使用AdaBoost层叠式算法分别训练正面人脸分类器和侧面人脸分类器,将正面人脸检测结果和侧面人脸检测结果相融合得出可能包含人脸的候选区域,然后使用YCbCr空间的肤色统计模型在这些候选区域中进一步验证人脸.该算法既利用了不同姿态人脸分类器的信息融合,又利用了人脸灰度纹理特征和人脸肤色信息的融合,对人脸姿态和图像背景有较强的鲁棒性,而且处理速度很快.实验结果表明,方法可以有效提高对复杂姿态人脸的检测概率,并显著降低虚警检测概率.     

基于区域混合投影和支持向量机的人脸检测与定位

肤色信息是人脸的重要特征,根据肤色信息在YCbCr空间分布特点,提出区域混合投影概念,构造了图像的马氏距离图,在马氏距离图上用区域混合投影检测和定位人眼,确定可能的人脸区域.在此基础上以马氏距离图为输入构造支持向量机人脸检测器,对可能的人脸区域进行确认.实验表明,这种方法具有良好的人脸检测效果.     

基于独立分量分析的自适应最小均方误差多用户检测

分析了CDMA矩阵信号模型和线性独立分量分析的数学模型,根据比较得出这两种模型具有相同形式.将独立分量分析应用于CDMA系统的多用户检测中,提出了基于ICA后处理的自适应最小均方误差(MMSE)多用户检测方法.该方法采用自适应MMSE检测器的输出来初始化独立分量分析的迭代,既利用了信源的独立性,又充分利用了已知扩频码的信息,从而提高了多用户检测器的性能.仿真结果表明:采用提出方法的误码性能优于自适应MMSE检测方法,尤其在高信噪比的情况下,误码性能得到了较大改善.     

基于独立源分析的过程监测及故障诊断方法

多元统计过程控制(MSPC)要求观测数据服从正态分布,而实际的工业过程数据大都不满足正态分布条件。独立源分析(ICA)是近几年才发展起来的一种新的统计方法,可以克服对数据分布的依赖。为此以ICA算法为核心,引入一种新型的过程监测及故障诊断方法。应用ICA提取独立源,利用I2图,Ie2图和SPE图进行故障检测,将变量重构图用于诊断故障。以三水箱系统为背景进行的实验研究,验证了该方法的有效性。     

基于小波变换的二维独立元在人脸识别中应用

针对二维主元分析（Two-Dimensional Principal Component Analysis，2DPCA）和独立元分析（Independent Component Analysis，ICA）的特点，给出了二维独立元分析（Two-Dimensional Independent Component Analysis，2DICA）的概念。在2DICA算法的基础上，提出了基于小波变换（Wavelet-Transform，W1r）的2DICA（Wavelet-Transform and Two-Dimensional Independent Component Analysis，WT-2DICA）人睑识别算法。首先，利用小波变换将原始图像的高频分量和低频分量进行不同程度的分离，并忽略高频分量，获得原始图像的基本特征；然后，利用2DICA算法术得投影特征；最后依据曩近郐法则完成人脸识别，基于ORL（Olivetti Research Laboratory）与Yale人脸数据库的实验结果表明，WT-2DICA算法正确识别率高于2DPCA算法与2DICA算法，是一种有效的人脸识别方法。     

基于独立分量回归的加热炉钢温预报模型

轧钢加热炉系统具有多变量、非线性、大滞后、交叉耦合等特性,钢坯出炉温度的预报模型一直是个难题。仍然采用统计建模的思路,利用独立分量分析方法不依赖分布假设的优点,建立了钢坯温度变量和过程变量之间的独立分量回归预测模型。基于轧钢厂实际生产数据进行了建模与验证实验,误差比较分析表明,该模型能较好地预测钢坯出炉温度,且预测误差指标优于基于改进PCA的预报模型。     

一种基于核独立元分析的非线性过程监控方法

独立元分析(ICA)在线性过程监控中得到了成功的应用,但是实际工业过程大部分是非线性的.在利用核ICA(KICA)建立过程非线性模型的基础上,根据核技巧,给出了一种高维空间分离矩阵的排序和独立元个数的选择方法,并将监控指标扩展到高雏空间,从而提出-种基于KICA的非线性过程监控方法,解决了ICA对非线性过程监控效果不理想的缺点.以田纳西一伊斯曼过程(TE过程)为例,对比了KICA与ICA的监控效果,结果证明了该方法的优越性.     

基于独立分量分析的DS-CDMA下行信道延迟估计

将独立分量分析方法引入DS-CDMA系统，通过对DS—CDMA信号模型和线性有噪ICA模型的比较，得出这两种模型具有相同形式。因此，提出了一种基于ICA的DS—CDMA下行信道的延迟估计方法。该方法采用固定点ICA算法来估计多径信道的混合矩阵，从而提取信道的延迟信息。仿真结果表明：与匹配滤波检测方法相比，该方法具有更好的性能。     

一种含参数的概率密度核估计的独立分量分析算法

分析了盲源分离算法中互信息准则与概率密度核函数的关系,利用广义高斯模型,提出了一种基于含参数的核概率密度估计的独立分量分析算法。该算法利用观测样本求峰度,通过分段函数给出相应高斯指数值,并刺用样本数据进一步修正源信号的概率密度函数。实现对分离信号评价函数的精确估计。在此评价函数基础上,采用互信息最小化准则,推导出分离矩阵的迭代更新规则。所提算法在一定程度上解决了ICA算法中信号评价函数估计的难题,且能对任意源混合信号进行有效盲分离,仿真实验验证了算法的性能。     

独立变量分析及其在脑功能可视化中应用

在数据分析和信号处理领域中经常遇到的一个问题就是如何从多元数据中提取有用部分。为使计算简便,通常对原始数据作线性变换。常用的变换方法有:主分量分析,因子分析以及投影追踪法等。一种近期发展起来的线性变换方法称独立分量分析(ICA)。该方法能够从混合信号中分离出最独立的信号。本文介绍了ICA的原理、方法及其在fMRI图像中的应用。该方法有效地抑制了fMRI图像中的随机噪声及生理信号(例如,心电、呼吸等),增强了功能信号。     

独立分量提取的在线算法及其应用

独立分量分析(ICA)根据信源统计独立特性对观测信号进行盲分离运算，由于其独特的分离性能而受到广泛关注，但目前其实现的算法普遍采用批处理的形式。文章探讨了在线ICA算法，并将其应用于脑电信号伪迹消除中，实验结果表明，丈中所提出的在线ICA算法具有良好的稳健性和盲源分离性能。     

基于全局特征和局部特征组合的脸谱识别方法

本文中,提出了一种新的脸谱识别方法。首先利用核主分量分析技术提取脸谱图象的全局特征,然后利用独立分量分析技术提取脸谱图象的局部特征,分别挑选出部分局部特征向量与部分全局特征向量组合成脸谱的组合特征向量,然后利用支持向量机分类器进行识别。采用ORL脸谱库进行测试,并与其它特征提取方法进行了比较,实验结果显示基于组合特征方法的识别率明显优于其它方法。