基于主成分分析和Softmax回归模型的人脸识别方法

文章介绍一种基于主成分分析(principal component analysis,PCA)和Softmax回归模型相结合的人脸识别方法,该方法通过PCA对整幅图像提取特征,然后将提取的特征经过非线性变换输入到Softmax回归模型中。将主成分提取特征看成是单层神经网络,将它与Softmax回归模型构成的级联结构看作是2层神经网络,在神经网络的训练过程中,主成分的特征向量可以微调。在不同人脸数据库上的实验表明,相比于传统的只用PCA降维的方法,本文方法可达到较高的识别率。     

一种CDRWPCA网络故障特征提取算法

针对主元成分分析(PCA)在网络故障特征提取过程中可能丢失分类信息的问题,提出了一种中心距离比值加权主元成分分析(CDRWPCA)算法。算法计算样本每维特征的中心距离比值来衡量特征间的差异，并根据特征差异构造权重因子,对更具有鉴别性的特征赋予更大的权重,得到加权数据集;然后对加权数据集运用PCA进行特征提取后将提取后的数据集送入支持向量机(SVM)验证算法的有效性。算法相比较与PCA算法增加了时间复杂度,但相对于PCA算法本身的时间复杂度,增加不多。在网络故障诊断中的实验结果表明算法能在提取特征维数更少的情况下,提高了故障识别率。     

PCA和粗糙集的联合自寻优特征选择在人脸识别中的应用

在人脸识别中,基于PCA和粗糙集的联合自寻优特征选择算法首先利用PCA对人脸图像进行人脸特征的提取和约简,在此基础上利用粗糙集的自寻优约简方法进一步得到能充分体现人脸信息的最小人脸特征集合。实验证明此算法应用于人脸识别中不仅大大减少了特征的数量以及分类过程中的运算量,还有效的提高了人脸识别的正确率和减少了识别时间,并且对于一定范围内的不同取样的训练具有一定的稳定性。     

光谱重建中ICA和PCA的对比

一个光谱数据集可以表示成几个主要光谱成分的线性组合。主成分分析法（PCA）是提取光谱数据集的主要成分的常用方法。近年来，有研究人员用独立成分分析法（ICA）提取光谱数据集的独立成分，进而实现光谱数据压缩。文章分别使用ICA和PCA对50例Munsell色卡的光谱反射比和50例桦树叶的光谱反射比进行特征光谱的提取。利用多光谱成像技术和光谱重建算法，采用三组滤光片，每组分别为2、3和4片，选取3-15维子空间，重建了150例Munsell色卡和150例桦树叶的光谱反射比。重建结果用CIELAB1976色差和光谱重建误差来评价。在150例桦树叶光谱重建中，ICA的重建结果明显好于PCA的重建结果；而150例Munsell色卡用ICA和PCA重建结果相差不大。最后，根据重建结果，对子空间维数、滤光片数与重建色差和误差的关系作了分析。     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

基于三元泛函主成分分析和聚类分析的MRI图像分类研究

一元泛函主成分分析(FPCA)已经在fMRI上成功进行了应用,但是目前很少有研究运用多元FPCA对MRI进行探索.本研究将一元FPCA推广到三元并应用于MRI的图像特征提取,并对提取的特征进行了后续研究,提出了一整套MRI病理及正常图像的分析方法.该方法的主要流程是先对MRI图像进行预处理(图像配准和图像分割),得到脑脊液图像,然后运用三元FPCA对脑脊液进行特征提取,再对提取的特征进行选择,随后利用k-means聚类算法对特征进行聚类,来判断图像所属的类别(正常或异常),从而达到颅脑MRI图像病变筛查的目的.将该方法应用于颅脑MRI快速自旋回波T2加权像中,结果发现,相比于传统PCA,三元FPCA展现出更好的特征提取能力,可以有效提高图像分类的准确率.     

基于PCA和BP网络的液压油缸内泄漏故障诊断

针对液压油缸内泄漏故障诊断时,由于提取的时域参数过多,导致诊断速度慢、实时性差等问题,提出基于主成分分析(PCA)和BP神经网络的诊断方法.该诊断方法是:首先提取压力信号的时域参数作为初始特征,然后利用PCA方法将高维初始特征空间压缩到低维最终特征空间,并将得到的最终特征输入到BP神经网络进行故障模式识别.研究结果表明:该诊断方法在满足故障检测识别率的同时提高了诊断速度,为液压油缸内泄漏的故障诊断提供了一种实用方法.     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

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.     

一种基于主成分分析的稀疏数据模式分类隐私保护算法

 模式分类过程涉及到对原始训练样本的学习,容易导致用户隐私的泄露。为了避免模式分类过程中的隐私泄露,同时又不影响模式分类算法的性能,提出一种基于主成分分析（PCA）的模式分类隐私保护算法。该算法利用PCA 提取原始训练数据的主成分,并将原始训练样本集合转化为主成分的新样本集合,然后利用新样本集合进行分类学习。选用Adult 数据集和KDDCUP 99 数据集进行仿真实验,并采用正确率和召回率进行性能评价,结果表明,该隐私保护算法通过PCA 提取原始数据特征属性的主成分,可避免原始属性的泄露,同时PCA 在一定程度上可实现去噪,从而使分类器的分类性能优于原始数据集的分类性能。与已有算法比较,该隐私保护算法具有更好的模式分类精度和隐私保护性能。     

探求纱条不匀序列中的混沌现象

在对纱条不匀序列进行相空间重构的基础上,通过G-P算法,分析了关联维数的饱和特性,得到其吸引子的分数维,其次又采用了PCA分布法对其进行确认,结果表明在所分析的棉条不匀序列中,存在混沌现象.这为进一步应用混沌理论对纱条不匀进行分析和建模奠定了理论基础.     

基于主元分析与支持向量机的人脸识别方法

基于支持向量机（SVM）在处理小样本，高维数及泛化性能等强方面的优势，提出了一种基于主元分析（PCA）与SVM的人脸识别方法，利用PCA方法对人脸图像进行特征提取，再利用SVM与最近邻分类器相结合的策略对特征向量进行分类识别，剑桥ORL的人极数据库的仿真结构验证了本算法是有效的。     

字符特征的可分性量化分析

选择字符识别的特征时要进行特征的可分性量化分析.文中分析了5种在汽车号牌识别中用到的字符特征提取方法,进行了可分性测度量化计算.采用主成分分析法对特征降维处理,可以简化可分性测度的计算,使结果更加直观清晰.测度图谱的表示方法,能较好地对字符特征进行确定及取舍.采用其中3种特征的组合,即有较好的可识别性,又可降低计算工作量.     

一种提高Kernel PCA特征提取性能的核优化算法

基于核的主分量分析(Kernel PCA)能够提取数据的非线性特征,但其性能受核参数的影响非常大.提出了一种新的基于特征空间中非高斯分布估计的核参数优化算法.该方法基于Kernel PCA中最优的参数应能导致特征空间中数据具有高斯分布的思想,通过对特征空间中数据的非高斯性结构进行分析,从反面估计其对高斯分布的逼近程度.采用该方法对各种数据进行实验都有很好的效果,表明了该方法的有效性.     

一种基于PCA技术的入侵检测特征提取方法

为了提取入侵检测数据信息的特征和提高入侵检测系统的处理效率,提出一种基于PCA（Principal Components Analysis）技术的入侵检测特征提取方法,并利用Matlab统计工具箱对该方法进行仿真实验.实验结果表明,利用该方法所提取的特征足以代表入侵检测数据的主要信息,根据特征提取结果所进行的数据压缩处理是可行的.     

基于ReliefF-PCA和SVM的发动机故障诊断方法研究

针对柴油发动机机组振动信号非线性和非平稳性以及机组实际故障案例样本数据少的特点，提出了一种基于ReliefF、主成分分析（PCA）以及支持向量机（SVM）的柴油发动机故障诊断方法。首先提取发动机冲击信号的特征参数，运用ReliefF选择出其中的敏感特征以降低处理过程的计算难度；然后采用PCA进一步提取敏感特征，消除各特征之间的相关性，避免冗余；最后利用SVM实现机组的故障分类，诊断不同类型的故障。将本文方法应用于柴油机实际典型故障案例中，结果表明该方法能有效提取柴油机缸盖振动信号中的故障敏感特征，并实现多种典型故障的诊断。     

基于PCA—SVM模型的切削颤振预报

针对切削加工过程中颤振孕育的动态模式,提出一种基于PcA—SVM模型的颤振预报新方法。建立切削加工振动信号的识别模型,进行FFT变换,再归一化处理,把数据送人PCA—SVM模型,对变换后的切削实验数据进行学习、训练,得到PcA—sVM识别模型;提取切削加工过程的振动信号,送给PcA—sVM模型进行颤振情况分析与识别。试验结果表明,具有较好的颤振预测性,颤振预报正确率达到95．5％以上,提高了运算速度,为颤振预报提供了充足的时间。     

基于核主成分分析的人脸识别

核主成分分析方法是主成分分析的改进算法,其采用非线性方法提取主成分.把核主成分分析应用到人脸识别中,利用核主成分分析方法选择合适的核函数在高维空间提取人脸图像的主成分.核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征.基于ORL人脸库,识别核主成分分析提取出的主成分的相关性系数.实验结果表明,核主成分分析不仅实现了降维,而且能取得比传统主成分分析更好的识别性能,正确识别率为92.5%.     

一种局部保留C2DPCA人脸特征提取方法

 首先分析了主成分分析(PCA)、二维主成分分析(2DPCA)以及完全二维主成分分析(C2DPCA)存在的不足,针对PCA方法不能解决的小样本问题以及2DPCA和C2DPCA存在对所有识别信息都采用同等对待的不足,提出了局部保留的C2DPCA方法,此方法首先将人脸图像划分为5个区域,并对双眼、嘴唇和轮廓进行保留,其它部分采用降低其散列度的方式进行处理,然后再采用C2DPCA方法进行数据降维和特征提取,经过在ORL人脸数据库上实验研究表明,与C2DPCA相比在进一步降低了特征矩阵的维数的基础上又提高了识别率,并且在识别率方面优于经典的Fisherfaces和ICA方法.     

分块PCA和奇异值分解相结合的人脸识别算法

针对分块PCA算法对位移、旋转等几何变化比较敏感的缺点,提出一种基于分块PCA和奇异值分解相结合的人脸识别算法。该算法分别提取分块子图像的PCA特征和奇异值特征,在此基础上得到同时包含分块PCA和奇异值信息的距离测度,利用最小距离分类器进行分类识别。在ORL人脸库上的实验结果表明,该方法能够得到较高的识别率。