基于特征加权与核主成分分析的掌纹识别

针对掌纹采集受外界因素和噪声的影响较大, 传统方法掌纹识别率低、 鲁棒性差等问题, 提出一种基于特征加权与核主成分分析的掌纹识别算法. 首先采用Curvelet变换对掌纹图像进行分解, 得到不同尺度和角度的轮廓系数, 并对Curvelet系数进行加权融合操作; 然后通过核主成分分析对掌纹特征进行降维处理, 实现特征提取; 最后采用相关向量机实现掌纹匹配, 并采用PolyU掌纹图像对算法的性能进行测试. 结果表明, 与其他掌纹识别算法相比, 该算法取得的掌纹识别率更高, 且掌纹匹配的时间最短, 可以满足掌纹实时识别要求.     

基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域(ROI),然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

基于主成分分析和BP神经网络的车标识别

在对3种数据降维技术进行了比较研究的基础上,提出一种基于主成分分析(PCA)和BP神经网络的车标识别算法.首先,利用PCA方法获得特征车标;然后,将待识别车标投影到特征车标张成的子空间;最后,通过BP神经网络进行车标识别.实验结果表明,该算法能有效提高车标的识别率,对光照和噪声有很强的鲁棒性.     

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。     

分块主成分分析在文本特征抽取中的应用

为了降低原始文本特征空间的维数,获得较高的分类精度与执行效率,对多种文本特征提取方法进行了研究,如卡方、互信息、信息增益、主成分分析(PCA)等。针对传统文本特征抽取方法存在的精度不高、执行效率低等问题,提出了一种基于分块主成分分析的文本特征提取算法。该算法通过K-均值词聚类进行特征词分块,再对各分块实施PCA操作抽取出更具代表性的特征项,最后使用支持向量机分类器对文本进行分类。实验结果表明:分块主成分分析的分类指标F_(β=1)达到了88.7%,执行时间为353 s,能够有效提高文本分类精度与执行效率。     

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.     

基于自适应主成分分析维度寻优的脑力负荷识别

脑力负荷识别对提高作业操作人员工作效率,减少人因事故具有重要意义。然而,由于脑电(electroencephalogram, EEG)信号的采集是由多通道脑电帽采集的,并且分布在各个频带上,因此经过特征提取得到的特征维度过高,造成后续识别模型复杂度过高。对此,通常使用主成分分析(principal component analysis, PCA)对高维特征向量进行降维处理,但是降维维度的取值很难确定。提出了一种基于主成分分析的自适应维度寻优方法,将实验数据集中的高维特征使用主成分分析降维到寻优维数范围内的各个维度,并将各个维度的分类精度绘制成维度—分类精度曲线,通过识别该曲线的“肘部”来确定该实验数据集的最优降维维度,并将该维度应用到同实验的其他实验数据上进行脑力负荷识别。结果表明,该方法可以准确识别出在同实验数据集中通用的最优降维维度,有效提高识别效率。     

基于主成分分析的米兰科维奇旋回识别和应用研究

以织纳1井晚二叠世含煤地层为研究对象,综合运用主成分分析、频谱分析和小波分析方法,利用煤田测井准确识别含煤地层中蕴藏的米兰科维奇旋回并进一步划分高频旋回层序地层。结果表明,借助第二主成分(PCA2)数据能够识别出的米兰科维奇周期最全,误差总体最小,可作为该井段用于米兰科维奇旋回识别的最优参数;提取的400 ka和100 ka偏心率旋回曲线显示该井段分别记录了约18个400 ka长偏心率旋回和约72个100 ka短偏心率旋回,据此估算的沉积时限约为7.19 Ma;结合偏心率旋回曲线和小波波谱的变化特征,发现该井段可划分出4个三级层序和18个四级层序,而最大海泛面附近的沉积速率变化可能受到了海平面变化和物源供应的共同影响。     

分块统计特征和最优分辨力选择特征相融合的掌纹识别

为提高掌纹识别的性能,提出一种分块统计特征和最优分辨力选择特征相融合的掌纹识别方法。首先对预处理后的掌纹图像进行多方向、多尺度Gabor变换;然后将掌纹划分多个子块提取特征,将各子块特征进行拼接得到整个掌纹特征向量;最后以特征分辨力为准则选出最优掌纹特征子集建立两分类器,通过投票机制建立掌纹多类分类器,并采用Po1yU掌纹库进行性能测试。测试结果表明,该方法的掌纹识别性能优于对比掌纹识别方法。     

基于DSP的掌纹识别门禁系统设计与实现

对基于DSP的嵌入式掌纹识别门禁系统硬件架构设计中的图像传感器,DSP芯片,Flash,SDRAM,RS232串口,时钟,复位电路等硬件的具体实现技术进行了探讨.通过掌纹识别算法软件在硬件系统上的运行取得了较好的效果,为嵌入式系统的开发提供了一个范例,实现了系统体积小、成本低、速度快、可靠性高的目的.     

基于残差网络的掌纹识别研究

为了探索深度学习在掌纹识别领域的应用,提出了一种利用残差网络技术自动提取掌纹特征的方法,该方法根据掌纹的几何特征对掌纹图像进行预处理,将预处理后的掌纹图像进行归一化得到一个二维图像矩阵,作为残差网络的输入,再利用随机梯度下降算法对网络进行迭代训练,获取最优的网络参数,最后使用分类器Softmax对掌纹进行分类识别.模型在香港理工大学的掌纹数据库上进行了实验验证,实验结果证实了利用残差网络对掌纹进行分类的可行性,并取得了不错的分类效果.     

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。     

基于三维荧光光谱和主成分分析的溢油风化研究

通过开展风化模拟实验,探讨了油品三维荧光光谱特征的风化变化规律.将油样三维荧光光谱转化为矢量,计算特征峰强度比值,并对矢量数据进行主成分分析.分析了不同风化时间光谱数据、特征峰强度比值和主成分分析因子得分的变化.结果表明,风化过程不会改变油样三维荧光光谱的分布特征,但能改变荧光特征峰的相对强度,变化趋势与特征峰的位置有关.特征峰强度比值和第一主成分因子得分的变化分为水面、水下2个阶段,可能与风化机理不同有关.溢油源鉴定中,可以综合使用荧光特征峰比值、第一主成分因子得分2个参数,作为油样风化程度的判定依据.     

应用于图像特征识别的主成分分析算法

主成分分析方法（PCA）是一种信号分离方法。本文综述了独立分量分分析的基本原理和数学模型,讨论了主成分分析在图像特征识别方面的应用。     

基于log-Gabor小波的掌纹识别算法

掌纹识别是一种新兴的身份识别技术,具有易于采集、纹理丰富等优点,为此提出一种基于log-Gabor小波进行特征提取的掌纹识别算法.该算法首先用log-Gabor小波对掌纹目标区域（region of interest,ROI）进行滤波,然后根据滤波后图像的相位信息形成二进制掌纹特征码,最后用汉明距离来衡量不同掌纹特征码的相似度.在UST掌纹库上的实验结果达到了较高的识别率,验证了该算法的有效性.     

基于稀疏表示的鲁棒掌纹识别

本文提出一种基于稀疏表示的掌纹识别新方法。该方法将测试掌纹图像表示为训练掌纹图像的线性组合,其表示的系数是稀疏的,最大系数所对应的类别即掌纹的类别。对于包含大量噪声和大面积遮挡的掌纹图像,我们把这样的掌纹图像看作是原始掌纹图像和噪声（或者遮挡物）的相加,对于原始掌纹图像和噪声（或者遮挡物）分别用不同的基来稀疏表示,这样可以有效地分离看掌纹和噪声（或者遮挡物）,自然可以达到较好的识别率。     

基于支持向量机的掌纹识别研究

统计学习理论(SLT)着重研究在小样本情况下的统计规律及学习方法性质．基于该理论,Vapnik等人提出了支持向量机(SVM)这一通用学习方法．SVM在最近几年取得了很好的发展,并在模式识别领域表现出优良的性能．本文尝试利用SVM进行掌纹识别．在对一副训练图像进行预处理之后,对其进行傅立叶变换以得到相应特征向量,然后用支持向量机对特征向量进行训练,最后用训练好的支持向量机进行掌纹识别．文中对1Vr方法和1V1方法的实验结果进行了对比和分析．实验结果显示,支持向量机在掌纹识别过程中表现出较好的性能,并且得到了较高的识别率．     

基于改进的主成分分析法的矿工表情识别

针对传统的矿工面部表情识别方法中对矿工面部表情进行特征提取的时间较慢且识别准确率不高的问题,以主成分分析法为基础,运用Fisher线性判别法对传统的主成分分析法进行改进。首先在主成分分析法的基础上增加一个类间离散矩阵,使其投影后不同类别之间特征点的距离更大,同一类别之间特征点的距离更加紧凑,对矿工面部表情图像特征提取的结果更具有代表性和针对性;然后运用径向基神经网络将低维非线性可分的矿工面部表情图像对应的特征矩阵映射到高维空间并使其线性可分,从而实现对矿工面部表情的识别和分类。实验结果表明,所提出的方法对矿工面部表情识别的识别率为89.0%,优于传统矿工面部表情分类识别算法,在矿井安全监控、疲劳驾驶等领域有较好的应用前景。     

基于Curvelet稳定特征曲面的掌纹识别新方法

针对掌纹特征提取困难、稳定性较差以及特征维数较大的问题,提出一种基于Curvelet稳定特征曲面的掌纹识别方法.将掌纹图像经Curvelet变换得到稳定特征曲面,把该曲面作为特征进行匹配,不仅避免了特征提取或图像编码等传统繁琐操作,而且特征维数较低,在保证识别精度的同时,图像稳定性增强,识别速度较快.最后,采用归一化相关分类器对掌纹所属类别进行判定,通过PolyU掌纹库的验证,本文算法的等误率为1.769 0%,匹配时间为16.6 ms,表明了本文算法的有效性.     

基于支持向量机和主成分分析的辫状河储层夹层识别

以大庆长垣北部的喇嘛甸油田PI2辫状河砂体为例,应用支持向量机(SVM)算法,结合主成分分析(PCA)数据降维,通过4种测井数据开展辫状河储层夹层的自动识别.以4类测井曲线12种特征参数作为输入变量,以夹层类型作为输出变量,建立支持向量机模型,利用高斯径向基核函数及网格搜索确定最优参数(核函数半径g和惩罚因子C).结果...