基于小波变换和部分最小二乘的掌纹识别

子空间法作为一种传统的识别方法,识别时基于整幅图像,复杂性比较高,而且没有考虑类别信息.为了降低计算复杂性和在提取数据特征的同时融入类别信息,研究了一种基于小波变换和部分最小二乘(PLS)的掌纹识别算法.在建议的识别方法中,首先通过小波三级分解提取低频子图像,对低频子图像应用PLS提取掌纹特征,然后将样本投影到提取的特征上作为特征向量进行分类识别.应用PolyU掌纹图像库进行实验分析,实验结果表明:与主元分析(PCA)、二维主元分析(2DPCA)和独立主元分析(ICA)相比,该方法的识别率得到了很大的提高,大大减小了误识率和拒识率,验证了该方法的有效性.     

基于PCA算法和小波包变换的人脸识别技术

在人脸识别领域,如何提取人脸特征和降低特征维数是关键.提出了一种基于小波包变换和主元分析相结合的人脸识别方法.小波包具有能够保留图像的主体信息又保留不同方向细节信息的优点.算法首先利用小波包变换,把人脸图像分解成不同尺度的低频和高频部分,提取最优基,再采用PCA方法进行人脸的识别.在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率.     

基于小波和主元分析的容差电路的故障诊断方法

提出了结合小波分析与主元分析的容差模拟电路故障诊断的系统方法.利用小波变换作为工具,对信号进行消噪和用小波系数提取能量信息.主元分析具有数据压缩及特征提取的特性,对提取的能量信息进行主元分析,能有效的减少特征向量的维数,简化分类器的结构.电路仿真结果表明:该方法能够实现快速容差电路故障检测与定位,具有准确率高的特点.     

核主元分析特征提取法的研究

核主元分析是统计主元分析的非线性形式,是统计主元分析的自然推广.本文在统计主元分析的基础上探讨了核主元分析的概念,研究了核主元分析映射数据的标准化实现,揭示了核主元分析与统计主元分析的内在联系,得出了核主元分析用于特征提取的方法.核主元分析用于特征提取,是借助于核函数,将输入空间的训练样本数据经过非线性映射转换到特征空间,然后向所选择的多个主特征矢量方向进行投影,最后可以获得多个不相关的主元,为特征提取以及模式识别的应用提供了一条有效途径.     

基于四元数主成分分析的人脸识别算法

本文把四元数矩阵运算引入主成分分析,提出了一种应用于彩色图像的四元数主成分分析人脸识别算法。该算法首先用四元数矩阵模型表示彩色人脸图像,然后求该四元数矩阵的协方差矩阵,及其特征向量,通过将彩色人脸图像投影到四元数协方差矩阵特征向量组成的特征空间,比较其与已知人脸在特征空间的位置,从而达到识别彩色人脸的目的。实验表明,采用该算法能得到比经典的特征脸法更高的识别率。     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

基于独立分量分析的高光谱图像目标检测算法

提出一种基于独立分量分析(ICA)的高光谱图像目标检测算法.首先利用无监督正交子空间投影进行端元提取,并将端元矢量构成矩阵作为快速定点独立分量分析的初始化混合矩阵,解决了独立分量在排序上的随机性;同时采用基于噪声调整的主分量分析(NAPCA)对原始图像数据降维,继而采用初始化后的快速独立分量分析从保留的主分量中依次提取出目标.利用AVIRIS高光谱数据进行实验研究,结果表明提出的算法能够有效地提取图像中的目标信息,其性能优于改进的CEM检测算法.     

一种核主元分析的人脸识别方法及其DSP实现

针对核主元分析在人脸识别中的时间开销过大的不足,提出了一种核主元分析的DSP实现方法.介绍了核主元分析算法原理,给出了DSP平台的硬件框架和程序优化方案.在DSP硬件平台上的测试结果表明:系统运行稳定,与通用计算机平台相比,明显提高了识别速度,同时保证了人脸识别率,具有一定的实用价值.     

基于二维加权主元分析的人脸识别研究

提出了一种基于二维加权主元分析的方法进行人脸识别。该方法考虑了人脸的不同部位所包含的识别信息量不同，对人脸的不同部位赋予不同的权重，并结合二维主元分析方法求解加权子空间，然后将人脸样本向该子空间进行投影来提取人脸特征，最后采用最近邻距离分类器进行分类。该方法在NUST603人脸图像库中进行了实验，实验结果表明了该方法的有效性。     

主元分析中的稀疏性

 主元分析是一种广泛应用的多元统计技术.在处理高维数据时,其结果的统计一致性与物理可解释性难以保证.引入以变量选择为目标的稀疏性约束,可有效缓解上述困难.基于最近10年的研究进展,本文阐述了稀疏性的基本概念和罚函数的设计标准,介绍了经典的稀疏性约束lasso及其多个变种:融合lasso、成组lasso、自适应lasso、弹性网等等.Lasso及其变种均可用作主元分析的约束,构建稀疏主元分析框架,但关键在于如何将稀疏主元转化为凸优化问题并快速求解.本文比较了稀疏主元的多种转化形式:奇异值分解、稀疏回归、低阶秩逼近、罚矩阵分解和半正定松弛.分析了基于最小角回归算法的一般lasso及广义lasso问题的求解方法.此外还初步探讨了函数型数据的稀疏主元分析问题.     

应用-种组合优化算法提取场效应管模型参数

提出一种将模拟退火法与基于主成份灵敏度分析的空间坐标变换相结合的优化算法，用以精确提取微波场效应管小信号等效电路参数。该法具有快速收敛，能够消去模型坏条件等优点，从而提高了低灵敏度元件Ｒｉ、Ｒｇ、Ｒｄ等的提取精度，使各个模型参数均能得到精确、快速提取。     

增量式块主成分分析的焊缝图像特征提取算法北大核心CSCD

针对焊缝图像特征提取的实时性问题,该文提出一种增量式块主成分分析(incremental block principal component analysis,IBlockPCA)算法,用于焊缝特征主成分的提取。该算法先将焊缝表面图像分割成子图像块并对其进行重构,然后利用提出的IBlockPCA算法对局部块图像进行增量式特征提取,并采用KNN算法对提取的特征主成分进行分类识别;最后在焊缝数据集上进行了算法的性能对比。实验结果表明,该算法在收敛率、分类率及复杂度等方面均优于其他主成分分析(principal component analysis,PCA)算法,其分类识别率为97.5%,其平均处理速度可达50 frame/s,能够满足焊缝表面图像的实时性处理需求。     

一种广义主成分提取算法及其收敛性分析

广义主成分分析在现代信号处理的诸多领域发挥着重要的作用。目前,自适应广义主成分分析算法还并不多见。针对这一现状,该文提出一种快速收敛的广义主成分分析算法,并通过理论分析所提算法的确定性离散时间系统,导出了保证算法收敛的学习因子和初始权向量模值等边界条件。仿真实验和实际应用验证了所提算法的正确性和有用性。仿真结果还表明,所提算法比现有同类算法具有更快的收敛速度和更高的估计精度。     

Direction convergence analysis of weighted rule for minor component extraction information criteria

The extraction of parallel minor components algorithm in directional convergence in signal feature extraction was studied.By comparing the unweighted projection approximation subspace tracking (PAST) algorithm with the weighted PAST parallel minor component extraction algorithm,the evolution method of the minor component extraction algorithm was analyzed.Theorical analysis illustrated that the weighted rule was able to guide the angle evolution between the vectors of the state matrix and minor components.Finally,Matlab simulation verifies the validity of the proposed theory.     

结合区域生长及主成分分析的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中与树木紧邻的建筑物难以提取,已有先滤波后提取算法效率低等问题,提出一种结合区域生长与主成分分析的机载LiDAR建筑物点云提取算法。该算法首先对粗差剔除后的机载LiDAR离散点云构建TIN三角网,依据建筑物边缘点所在三角形的特征提取建筑物边缘点;然后将邻域特征优化后的建筑物边缘点作为种子点进行区域生长得到建筑物点云;最后采用主成分分析对提取结果进行检核,剔除非建筑物点云,在此基础上基于连通性对建筑物点云进行单体化分割,剔除小面积区域,得到最终的建筑物激光脚点数据。实验选取国际摄影测量与遥感协会提供的三组典型区域的LiDAR点云数据进行建筑物提取,并与传统形态学和区域生长两种建筑物点云提取算法进行比较,结果表明本文算法可以实现建筑物点云的高精度提取,且对地形及不同类型屋顶的建筑物具有良好的自适应性,验证了算法的可靠性。      

Stiefel 流形上的梯度算法及其在特征提取中的应用

为了提高系统特征提取算法的计算效率、减少占用的存储空间和简化程序设计,该文基于Riemann 流形上优化算法的几何框架,提出了改进的Stiefel 流形上的梯度下降算法。根据不同要求采用不同的测地线计算公式,并使用多项式逼近测地线方程,同时采用了秦九韶-Horner 多项式算法及线搜索、变步长的方法。以主分量分析问题为例,详细讨论了Stiefel 流形上的梯度算法在其中的应用。理论分析和实验结果均表明,此方法可以在确保迭代矩阵列向量单位正交性的同时获得更好的计算效率和收敛速度,并且更容易实现。      

Principal curves with bounded turn

Principal curves, like principal components, are a tool used in multivariate analysis for ends like feature extraction. Defined in their original form, principal curves need not exist for general distributions. The existence of principal curves with bounded length for any distribution that satisfies some minimal regularity conditions has been shown. We define principal curves with bounded turn, show that they exist, and present a learning algorithm for them. Principal components are a special case of such curves when the turn is zero.     

一种基于PCA和RS的文本特征抽取方法

提出一种基于PCA(主成分分析)和RS(粗糙集)的文本特征抽取方法。首先利用PCA将n维词语特征-文档矩阵变换为一个m维的正交矩阵,再采用RS的方法对m维新特征进行进一步的约简。实验结果表明,新的特征抽取方法用于垃圾邮件过滤能有效的提高垃圾邮件过滤的正确率和召回率。     

一种脱机手写签名认证方法

研究脱机签名认证的特征抽取和比较决策。针对脱机手写签名验证特点,提出一种主成分特征提取和径向基神经网络相结合的脱机手写签名认证方法。首先使用主成分特征提取算法对签名图像进行特征提取和降维处理,然后基于主成分特征设计径向基神经网络识别签名的真伪。实验结果表明该方法可取得较好的识别效果。     

Novel ECG Signal Classification Based on KICA Nonlinear Feature Extraction

Electrocardiogram (ECG) signal feature extraction is important in diagnosing cardiovascular diseases. This paper presents a new method for nonlinear feature extraction of ECG signals by combining principal component analysis (PCA) and kernel independent component analysis (KICA). The proposed method first uses PCA to decrease the dimensions of the ECG signal training set and then employs KICA to calculate the feature space for extracting the nonlinear features. Support vector machine (SVM) is utilized to determine the nonlinear features of the ECG signal classification. Genetic algorithm is also used to optimize the SVM parameters. The proposed method is advantageous because it does not require a huge amount of sampling data, and this technique is better than traditional strategies to select optimal features in the multi-domain feature space. Computer simulations reveal that the proposed method yields more satisfactory classification results on the MIT–BIH arrhythmia database, reaching an overall accuracy of 97.78 %.