基于加权元学习的节点分类算法

受注意力机制和直推式学习方法的启发,提出一种基于加权元学习的节点分类算法.首先利用欧氏距离计算元学习子任务间数据分布的差异;然后利用子图的邻接矩阵计算捕获子任务间数据点的结构差异;最后将二者转化为权重对元训练阶段更新元学习器过程进行加权,构建优化的元学习模型,解决了经典元学习算法在元训练阶段所有元训练子任务的损失是等权重更新元学习器参数的问题.该算法在数据集Citeseer和Cora上的实验结果优于其他经典算法,证明了该算法在少样本节点分类任务上的有效性.     

传递对准MRP-CDKF算法

基于主、子惯导系统传递对准受控角运动和修正Rodrigues参数(MRP)的三参数描述姿态运动最小实现特点,建立了主、子惯导系统传递对准MRP非线性误差模型.根据四元数加权均值计算方法以及MRP与四元数关系,实现MRP的间接加权均值计算;根据MRP乘法定义实现MRP预测误差方差矩阵求解,进而建立修正Rodrigues参数-中心差分卡尔曼滤波(MRP-CDKF)算法.利用该算法对MRP非线性传递对准误差模型进行研究,结果表明:该算法的姿态失准角估计误差都能在10s之内收敛到0′附近;考虑杆臂向量与不考虑杆臂向量时的系统速度误差在±0.1m/s内.     

基于全局与局部特征的嵌入式人脸识别系统

基于主成分分析人脸识别算法,提出一种基于全局特征和局部特征的加权算法,并且在嵌入式(Tiny6410)上完成系统的设计与实现.利用主成分分析提取人脸全局特征,根据特征值贡献率获取降维后的人脸子空间,采用欧氏距离匹配测试样本;用人眼检测算法、鼻子检测算法等提取每个样本的左眼、右眼、鼻子、嘴,分别建立样本集,采用主成分分析;分别计算全局和局部特征的离散度,根据离散度进行自动加权算法,给出最终的人脸识别结果.实验表明,该系统具有一定的稳定性,识别效果优于单一模块的识别.     

基于粗糙集的人脸识别改进方法

人脸识别因其高效、安全和非接触性的特点,在公共信息安全领域得到了广泛应用.针对传统主元分析方法(PCA)和随机主元分析法(Random PCA)在实际应用中存在抗干扰能力差、识别率不高以及2种方法特征融合后计算复杂的问题,提出了一种基于随机主成分分析+粗糙集(Random PCA+rough set)的人脸识别方法.该方法用PCA提取人脸的全局特征,用Random PCA提取人脸图像的局部特征,再将这2种特征通过串联的方式构建特征子空间.在特征子空间里用粗糙集去提取最具区分度的特征,从而有效减少了分类时的计算复杂度并提高了识别率.实验结果表明:该方法较传统PCA方法的识别率和识别时间分别提高了7.09%和6.06%.     

基于主元分析的人脸识别方法研究

研究了利用主元分析进行人脸识别的方法。将人脸图像训练集进行主元分析,对得到的变换矩阵应用奇异值分解提取特征子空间,把训练图像和测试图像投影到子空间上,选择分类器进行人脸识别。实验表明,主元分析能很好地在子空间下提取出人脸图像的特征信息,从而实现人脸识别。     

基于MapReduce的并行加权k近邻与离群检测

利用MapReduce编程模型,提出一种并行的加权k近邻与离群检测方法 WKNNOM-MR.该算法首先对输入数据随机均匀采样,在样本数据集中采用信息熵计算各个属性的权值;然后在集群中的数据节点上对输入数据进行加权,并将其映射到Z-order空间填充曲线,给出了一种基于Z-order的加权k近邻查询方法;根据每个对象与其加权k近邻之间的距离计算离群因子,在兼顾最小距离与平均距离的基础上,给出离群点检测算法;最后在具有5个节点的Hadoop集群上实现该算法,并采用人工合成数据集、UCI标准数据集进行实验,结果验证了该算法的有效性、可扩展性和可伸缩性。     

基于PCA-KLFDA的小样本故障数据集降维方法

针对小样本故障数据集降维问题,提出一种基于主元分析(PCA)和核局部费歇尔判别分析相结合的子空间降维方法.该方法首先应用PCA提取数据集中的关键信息并实施降维,然后将该子空间通过高斯核方法映射至高维线性空间,并在高维空间基于局部费歇尔判别分析训练出一个最有辨别力的低维分类特征集.用双跨转子实验台的一组故障特征数据集进行验证,结果表明:该方法能有效应对小样本的降维问题,达到增大不同故障样本集合间距离、使同类故障样本间的类内距离减小的效果,为基于数据驱动途径实现智能故障辨识技术中涉及的小样本故障数据集类别划分问题提供了一种新方法.     

基于能量加权的子带杂交法在掌纹识别中的应用

在掌纹采集过程中,由于受光照噪声的影响,以及手掌的弓形常常给掌纹采集带来噪声.基于此,提出小波变换子带杂交的一种新颖掌纹识别算法.该算法综合考虑小波同层各子带及相邻层子带分解系数的噪声特点,采用基于掌纹图像空间能量加权,再由二维主元分析（Two-di mensional Principle component Analysis,2DPCA）算法降维、去相关,最终由最小距离分类器完成掌纹识别.基于香港理工大学公布的PolyU掌纹数据库的实验,此算法正确识别率达到100%.同2DPCA算法相比,提出的算法不仅正确识别率较高,识别效率也较高.     

基于小波树和二维主元分析的人脸识别

为提高人脸识别率,结合小波树和子空间分析中的二维主元分析,提出基于小波树和二维主元分析的人脸识别算法(WTMPCA).该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;分层次重组小波近似分量,得到新样本集;最后在此样本集上使用二维主元分析进行人脸识别.ORL和CAS-PEAL-R1人脸库的实验结果表明,与基于图像矩阵的二维主元分析(2D-PCA)相比较,WTMPCA方法的人脸识别率为96%,对光照条件、脸部表情变化有良好的鲁棒性.     

基于主成分分析和Mahalanobis距离的异常γ能谱识别

为了提高货物或人体放射性筛查的可靠性,提出了一种基于主成分分析和Mahalanobis距离的异常γ能谱识别方法。该方法首先对大量不含异常放射性的测量对象产生的正常γ能谱进行主成分分析,提取出其所有主成分,并按从大到小的顺序,选取前若干主成分构成子空间;将正常及待识别γ能谱在此子空间上投影,得到它们的Mahalanobis距离,通过比较这些距离的相对大小实现对异常γ能谱的识别。Monte Carlo模拟实验和实际测试实验表明,在子空间信息量占原始信息比例大于99%时该方法可靠有效。     

主成分分析在人脸识别研究中的应用

PCA(Principal Component Analysis),主成分分析方法,是一种得到广泛应用的人脸识别方法。PCA算法提供了一个高维和低维空间的线性变换矩阵,就是利用低维特征向量来表示原始样本信息,利用变换矩阵可以得到一个特征子空间,即特征脸。进行识别时,把待识别的人脸向其投影,采用最近邻法得到最近的点,最终识别该人的身份。     

Effect of Two Kinds of Similarity Factors on Principal Component Analysis Fault Detection in Air Conditioning Systems

Screening similar historical fault-free candidate data would greatly affect the effectiveness of fault detection results based on principal component analysis(PCA). In order to find out the candidate data, this study compares unweighted and weighted similarity factors(SFs), which measure the similarity of the principal component subspace corresponding to the first k main components of two datasets. The fault detection employs the principal component subspace corresponding to the current measured data and the historical fault-free data. From the historical fault-free database, the load parameters are employed to locate the candidate data similar to the current operating data. Fault detection method for air conditioning systems is based on principal component. The results show that the weighted principal component SF can improve the effects of the fault-free detection and the fault detection. Compared with the unweighted SF, the average fault-free detection rate of the weighted SF is 17.33% higher than that of the unweighted, and the average fault detection rate is 7.51% higher than unweighted.     

基于PCA主成分分析的人脸检测实现与分析

介绍了基于PCA主成分分析的人脸检测原理,提出使用直方图均衡和切割图像的方法弱化非人脸特征信息干扰,提升主成分分析效果.并通过对35幅原始灰度人脸样本进行训练,使用Matlab实现全部分析步骤,并成功通过信噪比阈值判定完成了对样本空间外的人脸图像与非人脸图像的区分.     

一种基于类间类内双权重图像分块PCA的人脸识别技术

提出一种将加权分块图像和主成分分析（PCA ）相结合的人脸识别方法。该方法首先根据同类训练样本的平均图像与所有训练样本平均图像的距离以及类内训练样本图像与该类平均图像的距离,分别定义类间和类内图像加权函数,以获得每个训练样本图像的权重;然后将训练样本图像分块,构建所有同位置加权分块图像空间;接着基于新的样本空间对所有同位置图像分别采用PCA方法提取特征;最后用最近邻分类器实现模式分类。实验结果显示该方法较普通M PCA方法有效提高了识别率。     

融合加速稳健特征的子空间人脸识别方法

为了充分利用人脸特征信息更加准确全面地描述人脸,提高现有识别算法的识别率,提出一种融合改进的加速稳健特征和子空间特征进行人脸识别的方法。利用AAM形状模型的训练方法,训练得到41个点的人脸形状模型;对每幅图像进行特征点初歩定位,找到并保留与初歩定位的特征点空间距离最近的SURF特征点。将SURF特征点描述子利用PCA降维,得到改进的SURF局部特征向量。然后利用PCA对图像进行全局特征提取,将局部特征与全局特征进行融合,组成全新的特征向量。最后通过特征向量的匹配实现识別。对包括本算法和PCA-SIFT算法在内的6种不同识别算法进行了验证。实验结果表明,提出的算法在改变ORL人脸库中训练集样本数的情况下,识别率均优于其他算法;在样本数为5的情况下比PCA-SIFT方法提高了4.3%,可见该算法提高了人脸的识别率具有较强的鲁棒性和分类性。     

基于PCA与ICA的人脸识别算法研究

ICA是一种基于数据高阶统计信息的有效的数据独立特征提取技术,它能够更好地表示人脸的局部特征,ICA是PCA从二阶统计分析向高阶统计分析的拓展.本文提出了一种加权融合这两种技术的人脸特征提取算法,并结合不同的相似性度量进行了人脸识别实验.结果表明,该方法比用一种单独的特征提取方式识别率要高.     

改进的蜂窝网室内定位匹配算法

针对无线信道的动态衰落特性,基于蜂窝网的室内定位存在较大误差,提出一种改进的蜂窝网室内定位匹配算法——基于主成分分析法(principal component analysis,PCA)的子空间匹配算法,不仅保证系统实时性,而且有效地剔除大误差点,提高定位精度.该算法利用无线蜂窝信号非视距传播造成的位置特性构建离线指纹数据库,根据在线接收信号从离线指纹库中提取子指纹库,利用PCA算法对在线实测数据及子指纹库进行有效地降维,构建子空间,并结合加权K近邻匹配算法(weighted K nearest neighborhood,WKNN)估计出多个位置坐标,利用3σ准则对这些位置做筛选,输出最终定位结果.实验结果表明,基于PCA的子空间匹配算法在保证定位实时性的前提下,能有效剔除大误差点,提高整体定位性能.     

基于子空间表示和加权低秩张量正则化的高光谱图像混合噪声去除方法

针对高光谱图像中存在混合噪声的问题, 提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声. 子空间表示利用光谱频带之间的相关性, 选取合适的正交矩阵, 将高光谱图像投影到低维子空间中, 使提出的算法具有较低的复杂度, 简化去噪过程的同时去除图像中的部分噪声. 去噪过程基于从简化图像中提取的低秩张量进行, 引入加权低秩张量正则化项表征简化图像子空间的先验信息, 基于Tucker分解中核范数的物理意义构建合理的加权机制, 保留高光谱图像的内在结构相关性. 并且设计了一种基于迭代最小化的方法, 用于求解提出的非凸去噪模型. 在模拟和真实数据集上的实验结果表明, 该子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果.