基于核主元分析和支持向量机的结构损伤识别研究

为了提取有效的损伤特征并提出实用的损伤识别方法,本文利用核主元分析(KPCA)良好的非线性特征提取和支持向量机(SVM)在非线性映射、分类方面的优秀性能,提出了一种基于非线性特征提取的支持向量机损伤识别方法.首先采用粒子群算法(PSO)来优化KPCA的核参数,然后运用优化后的KPCA进行损伤特征提取,最后用SVM进行模式分类并输出识别结果.为了验证所提方法的有效性,通过一个12层钢混框架模型进行损伤识别,并重点研究了KPCA的核参数优化模型及可分性分析、噪声程度、不同特征提取方法、神经网络模型对该方法性能的影响.研究发现:本文所提出的方法不仅能有效地提取损伤特征和降低数据维数,而且具有较高的损伤识别和抗噪能力、泛化能力,且鲁棒性很强.     

一种基于核主成分分析的人脸识别方法

针对主成分分析（PCA）算法中存在不能提取非线性特征的问题,提出了利用KPCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。     

基于改进的FCM和KPCA的多光谱图像特征提取方法

分析了PCA和KPCA对于提取多光谱图像非线性特征的不足,提出了一种基于改进的FCM和KPCA的多光谱图像特征提取方法。首先利用改进的FCM进行聚类分析,然后将获得的聚类中心作为输入样本,进行KPCA,从而得到主成分图像。试验结果表明,文中提出的方法具有良好的特征提取性能,可有效地提取多光谱图像的非线性特征。     

基于KPCA联合并联抑制神经网络变换的红外目标识别算法

为了提高红外目标的识别性能,提出了一种KPCA联合并联抑制神经网络变换.该联合神经网络变换集成了KPCA的 KHA学习机制与神经网络误差反传机制,使得KPCA与GSN分类器有机地结合起来,通过监督学习的方式引入类别信息,能够在实现数据有效降维的同时,优化主元特征的提取,从而提高算法的分类识别性能.针对典型红外军用车辆图像,采用联合算法与传统算法分别进行对比实验.实验结果表明,算法在优化特征同时,提高了目标识别性能.     

基于KPCA-GG的火力发电设备状态诊断方法

为了解决具有非线性特征的设备状态诊断问题,提出一种基于核主成分分析和Gath-Geva模糊聚类相结合的多元时序分割算法.根据Gath-Geva模糊聚类算法得到聚类结果,利用核主成分分析算法提取非线性特征,从而构造KPCA分析模型.将聚类类簇在该模型空间中的距离作为类簇相似性分析及合并的标准,以提升方法的分割效果.实验结果表明,基于KPCA的Gath-Geva模糊聚类算法能识别数据的非线性信息,更准确地分析数据特征,其分割效果优于基于主成分分析的聚类算法的分割效果.通过提取的非线性特征对数据进行分割有助于识别设备状态的转换,可用于解决一类具有非线性特点的火力发电设备过程状态诊断问题.     

基于KPCA与SVM的混合核交通流数据检测

目的针对当前交通流数据识别问题,提出基于KPCA与SVM的混合核交通流数据识别算法,以提高交通流数据识别准确率.方法运用KPCA对数据进行预处理,采用SVM训练分类模型,利用所训练的模型进行识别;以多轿厢电梯交通状态为对象,分别从交通流数据识别分析和仿真实验两方面对所提方法的可行性与精确性进行验证.结果通过与SVM算法、BP神经网络算法进行对比,表明所提方法具有很强的通用性,能有效地预测出交通流,交通流数据识别的准确率达到97. 2%.结论笔者提出的基于KPCA与SVM的混合核交通流数据识别算法可以提高交通流数据识别的准确率,通用性较高,可以实现对目标的实时检测.     

提升KPCA方法特征抽取效率的算法设计

在PCA基础上发展出的KPCA方法能抽取样本的非线性特征分量。然而, 基于KPCA的特征抽取需计算所有训练样本与待抽取特征的样本间的核函数, 因此, 训练集的大小制约着特征抽取的效率。为了提高效率，假设特征空间中变换轴可由一部分训练样本(节点)线性表出，并设计了改进的KPCA算法(IKPCA)。该算法抽取某样本特征时，只需计算该样本与节点间的核函数即可。实验结果显示，IKPCA在对应较好性能的同时，具有明显的效率上的优势。     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO-IKPCA和SVM的雷达目标HRRP特征提取与识别方法.讨论了HRRP预处理、迭代KPCA算法和SKO/FKO技术的实现方法,将SKO/FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对Su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验.结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能.     

可变窗自适应核主元分析的化工过程故障诊断算法

针对核主元分析法(KPCA)处理非线性时变化工过程故障诊断易产生误报的问题,提出一种基于可变窗技术的快速自适应核主元分析(AKPCA)故障诊断算法.该算法在过程监控中当大量的数据块来临时,分别对KPCA模型进行迭代更新和复旧处理,通过计算SPE和T2统计量来调节滑动窗的尺寸,从而实现KPCA模型的进一步更新,克服了传统的自适应KPCA方法只能够处理某个时刻的一个观察点数据的缺点,能够有效地排除异常样本影响,从而提高时变过程性能检测的准确性.将该方法应用于酮苯脱蜡过程的监控中.与KPCA、滑动窗KPCA(MWKP-CA)的监测性能进行比较,仿真结果表明该方法能够很好地降低过程故障的误报率,对非线性时变的化工过程具有更可靠的检测性能.     

面向路面附着估计的路面图像识别

为提升智能辅助驾驶系统对路面附着系数估计的准确性与实时性，研究了一种基于视觉信息的路面识别深度学习算法，实现路面附着系数的预估计。设计压缩卷积机制以降低网络运算参数，采用特征图全局平均替换全连接层以提升网络的拟合性能，并构建路面识别深度卷积神经网络DW-VGG。利用自建路面图像数据集对网络进行训练，测试结果表明，基于提出的多层知识蒸馏技术的DW-VGG网络识别精度较高，分类性能评估指标F₁得分为96.57%，并有效降低了网络的运算和内存成本，识别单张图像只需32.06 ms，预测模型只有5.63 M。     

基于图像色彩特征融合的绝缘子污秽等级检测

针对绝缘子污秽状态非接触检测问题,提出基于可见光图像RGB(red green blue)和HSI(hue saturation intensity)空间信息特征级融合的污秽等级检测方法.利用最佳熵阈值分割法(OET)提取绝缘子盘面区域,分别在RGB和HSI色彩空间进行特征计算,根据Fisher准则进行特征选择,得到可以有效表征污秽状态的特征量,利用核主元分析(KPCA)对两个色彩空间特征的组合进行降维融合,得到三维融合特征向量,结合概率神经网络(PNN)实现污秽等级识别.实验分析表明,基于核主元分析的图像信息特征级融合能够全面地反映绝缘子污秽状态,与单独利用RGB或HSI特征进行识别相比,其准确率有显著提高,可以实现绝缘子污秽等级的有效识别,为绝缘子污闪防治提供了新的方法.     

基于改进KPCA算法的车牌字符识别方法

针对核主元分析(KPCA)用于提取车牌字符特征不足的情况,提出了一种采用多组均值矢量来代替原始图像矢量进行核矩阵计算的方法,该方法使得核矩阵维数大幅降低,同时有效地保留了字符图像信息.实验结果表明,该方法在不降低识别精度的基础上对输入数据实现了有效的降维,大大缩短了计算时间,有效地满足了车牌实时识别系统技术要求.通过实验对比可知,该方法比目前常用的PCA及FLD算法具有更高的性能指标.     

基于双核独立元分析的化工过程故障诊断算法研究

由于化工生产过程数据具有强非线性和非高斯性特征,提出了核主元分析与核独立元分析相结合的可用于化工过程故障诊断的双核独立元分析算法,该算法利用核主元分析的非线性核函数把数据从原空间映射到高维特征空间进行白化预处理,再用核独立元分析算法进行独立元分析,在特征空间中获得故障监控统计量,计算控制置信限,达到有效的故障诊断.提出的算法应用在连续搅拌反应釜过程中,结果表明,该算法对化工过程故障诊断能有效提高准确度、降低漏报率和误报率.     

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。     

基于核主元分析和局部保持投影的手背静脉识别

为了保持手背静脉空间的局部结构,运用局部保持投影(LPP)方法进行手背静脉识别.但是对于小样本图像识别,LPP中的特征方程矩阵通常存在奇异性.为了解决这个问题,提出首先利用核主元分析(KPCA)降低手背静脉空间的维数,再对低维图像应用LPP提取局部特征.对已有手背静脉图像库进行测试,实验结果表明,与传统的PCA和PCA+LPP相比,该方法大大提高了系统的识别率,而且特征提取时间为2.6 s,满足实时系统的要求.     

基于加权稀疏非负矩阵分解的车脸识别算法

为提高多种光照条件下交通卡口视频中车脸识别的准确性,提出了一种基于改进非负矩阵分解的车脸识别算法.对采集图像进行预处理,获得车脸图像与车牌信息.基于特定光照条件,自适应提取车脸图像的初始特征.针对车脸图像中像素位置的重要性差异,建立了加权稀疏约束非负矩阵分解的特征降维方法.通过判断特征相似性与车牌信息一致性,确定车辆是否合法.实验结果表明所提算法具有较好的识别性能,真实接受率与错误拒绝率分别可达到0.9875与0.04,并满足实时性要求.     

Nonlinear Statistical Process Monitoring and Fault Detection Using Kernel ICA

A novel nonlinear process monitoring and fault detection method based on kernel independent component analysis (ICA) is proposed. The kernel ICA method is a two-phase algorithm: whitened kernel principal component (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The application to the fluid catalytic cracking unit (FCCU) simulated process indicates that the proposed process monitoring method based on kernel ICA can effectively capture the nonlinear relationship in process variables. Its performance significantly outperforms monitoring method based on ICA or KPCA.     

基于级联卷积神经网络的人脸特征点识别算法实现

针对在有冗余图像信息干扰下进行人脸有效特征点提取时精度不高的问题,提出了基于级联卷积神经网络的人脸特征点检测算法.在该算法中:输入层读入规则化的原始图像,神经元提取图像的局部特征;池化层进行局部平均和降采样操作,对卷积结果降低维度;卷积层和池化层分布连接,迭代训练,输出特征点检测结果.该算法采用Python语言编程实现,在人脸数据集进行仿真实验,结果表明该算法对人脸特征点有较高的识别率.     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.     

基于随机旋转集成的降维方法

对随机旋转集成方法提出了一种针对降维问题的改进,得到了新的降维算法框架进行随机变换降维,可以显著减少降维过程中造成的信息损失.采用随机变换降维后,训练监督学习算法时可以获得更高的准确率和更好的泛化性能.通过在模拟数据上进行的实验,证明了使用多重共线性数据进行回归分析时,与传统降维算法相比,经随机变换降维处理后可以保留更多的信息,获得更小的均方误差.对随机变换降维在手写数字识别数据集上的表现进行了研究,证明了与一般性的降维算法相比,随机变换降维在图像分类问题上可以获得更高的准确率.