基于2DPCA和EBFNN的指纹识别方法

结合小波变换(WT)、二维主元分析(2DPCA)和椭球基函数(EBF)特点,提出了一种基于WT、2DPCA和EBF神经网络指纹识别方法.利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,获得原始图像的基本特征.再通过2DPCA算法对该图像进行降维,获取降维特征;最后结合椭球基函数神经网络(EBFNN)完成指纹识别.本算法将2DPCA优化的特征提取与EBFNN的自适应性相结合,在FVC2000(国际指纹竞赛数据库)上做了测试,总的正确识别率可达91.4%,具有一定的实用价值.与WT-PNN算法和WT-2DPCA-RBF算法进行比较,结果表明,本文提出的算法在平移、旋转及光照变化的指纹数据库上的识别效果优于WT-PNN算法和WT-2DPCA-RBF算法.     

基于小波变换和ICA的人脸识别方法

独立成分分析(ICA)最早应用于盲信号分离,近年来也广泛地应用于模式识别领域.提出一种基于小波变换(WT)及独立成分分析(ICA)的人脸识别方法.在建议的识别方法中,首先利用小波变换将人脸图像分解成不同的频率子带,对其中包含主要信息的低频子带运用ICA求取基向量,然后基于这些基向量张成的子空间实现识别.详细讲述了该方法的实验过程,实验结果表明,该方法可以取得较好的识别结果.     

基于价值函数的二维小波变换小波脊提取算法

条纹图存在噪声干扰时,将二维小波变换系数模的最大值作为小波脊,会产生较大误差。针对这一问题,提出了基于价值函数的二维小波变换小波脊提取算法。首先,提取二维小波变换系数模的最大值点,并将最大值90%的局部极值点提取出来,共同作为小波脊候选点;其次,在模上引入尺度因子的梯度,建立价值函数进而评估所有候选点的价值,利用对数Logistic模型进行权值调整改进,从而得到更加合理的价值估计;最后,使用动态规划思想准确找出最优的小波脊线,提取脊线处的相位即可得到包裹相位。其优势在于能准确解调信噪比较低的条纹图案,抗噪性能优于直接最大模的小波脊提取;并且只需投影一幅条纹图案即可重建物体形貌,可用于恶劣环境下的动态三维测量。计算机仿真和实验结果表明,对于含有噪声污染的条纹图,所提算法相较于最大模的小波脊提取算法,三维形貌恢复精度明显提高;而相较于全部局部极值点提取,其运算时间缩短了46.9%。同时,应用不同母小波于所提方法,仿真结果表明二维Cauchy小波具有更好的方向性和更高的精度。     

基于二维小波变换及图像模式识别的焊缝坡口识别

采用二维小波变换及二值化方法处理初始条件下管道焊缝坡口图像,获取焊缝坡口纹理信息,作为模板。 对后续坡口图像进行同样的小波变换及二值化处理,利用模式识别方法获取后续图像焊缝坡口及其中心线的基本 位置信息,研究的焊缝坡口识别算法为实现自然光下焊缝坡口实时跟踪提供了理论依据。     

基于主元分析的柱塞泵故障诊断方法

在分析了主元分析法的基础上,提出了PCA的故障诊断方法,利用小波变换对原始信号进行了预处理,提取了包含时域和频域特征参数构成的特征向量,应用PCA进行了故障诊断。对液压泵进行故障诊断,试验结果表明,时域和频域特征参数构成的特征向量很好反映了故障特征,该方法对液压泵故障诊断有良好的效果。     

基于小波变换和核主成分分析的人脸识别算法

人脸识别是当前模式识别和图像处理领域的研究热点。属于生物鉴别技术的一部分。一个完整的人脸识别系统主要由以下几个基本环节构成：图像预处理、人脸检测与定位、特征提取分类识别。本文主要针对图像的特征提取分类识别环节进行分析和试验：首先应用哈尔小波变换初步提取人脸图像的特征;再对小波系数运用核主成分分析进行最终的人脸特征提取。     

基于离散广义S变换与双向二维主成分分析的内燃机故障诊断

针对内燃机气阀机构的故障诊断问题,提出一种将离散广义S变换和双向二维主成分分析（TD-2DPCA）相结合的诊断方法。该方法首先利用离散广义S变换将内燃机缸盖振动信号生成振动谱图像,然后利用TD-2DPCA对图像进行特征提取,有效减小特征系数矩阵的维数,最后,通过最近邻分类器进行分类识别。将该方法应用于内燃机气阀机构8种工况的诊断实例中,对比不同时频表征及特征提取方法的计算效率和识别精度,结果表明该方法可为内燃机故障诊断提供一条新途径。     

基于小波变换的三维粗糙表面分形维数计算方法

基于小波变换提出一种三维粗糙表面分形维数的计算方法。该方法采用小波变换对三维表面形貌数据进行多尺度分解,通过对不同分解尺度下小波系数平方的均值进行函数拟合,继而得到粗糙表面的三维分形维数。为验证提出的方法的正确性与准确性,采用已知参数构建三维分形表面,对不同方法下分形维数的计算结果进行对比分析。对比结果显示,相比原始盒维数法与差分盒维数法,采用提出的小波变换法计算得到的分形维数误差更小。特别是在小波变换过程中选用sym4小波基函数时,分形维数的计算误差最小,误差能够控制在2%以内。将提出的方法应用于磨削表面分形维数的计算,得到了不同粗糙度下磨削表面的分形维数,进而验证了该方法的实用性。提出的方法能够更加精确地计算三维粗糙表面的分形维数,为粗糙表面分形接触模型的构建提供了参数基础。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和误差逆传播(Error Back Propagation,BP)神经网络对视觉诱发脑电信号(visual evoked potential,VEP)进行分类而产生脑机接口控制信号.利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号,获取特征向量输入BP神经网络进行事件相关电位模式识别.实验表明,小渡变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取,BP神经网络能比较准确地从VEP中识别出事件相关电位,进行10次测试的平均识别正确率为99.375%,有利于产生脑机接口控制信号.     

基于二维主成分分析的掌纹识别研究

掌纹作为一种新的生物特征可用来进行人的身份识别.论文提出了将二维主成分分析方法(2DPCA)应用于掌纹识别的特征提取,并在PolyU掌纹数据库上利用最近邻分类器与余弦距离度量进行了相应的实验,得到了99.4%的正确识别率.二维主成分分析方法相比主成分分析方法(PCA)方法具有更高的识别率和更快的计算速度,尤其是在小样本训练数据的情况下优势更明显.同时论文也研究了不同应用系统下阈值的选取方法.     

The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform

The vibration signal of a gear system is selected as the original information of fault diagnosis and the gear system vibration equipment is established. The vibration acceleration signals of the normal gear, gear with tooth root crack fault, gear with pitch crack fault, gear with tooth wear fault and gear with multi-fault (tooth root crack & tooth wear fault) is collected in four kinds of speed conditions such as 300 rpm, 900 rpm, 1200 rpm and 1500 rpm. Using the method of wavelet threshold de-noising to denoise the original signal and decomposing the denoising signal utilizing the wavelet packet transform, then 16 frequency bands of decomposed signal are got. After restructuring the decomposing signal and obtaining the signal energy in each frequency band, the signal energy of the 16 bands is as the shortlisted fault characteristic data. Based on this, using the methods of principal component analysis (short for PCA) and kernel principal component analysis (short for KPCA) to extract the feature from the fault features of shortlisted 16-dimensional data feature, then the effect of reducing dimension analysis are compared. The fault classifications are displayed through the information that got from the first and the second principal component and kernel principal component, and these demonstrate they have a different and good effect of classification. Meanwhile, the article discusses the effect of feature extraction and classification that caused by the kernel function and the different options of its parameters. These provide a new method for a gear system fault feature extraction and classification.     

A quick deviation zone fitting in coordinate metrology of NURBS surfaces using principle component analysis

Evaluation of the tolerance zone using discrete measured points plays a critical role in today’s manufacturing, metrology, and many industrial applications. The deviation zone is typically evaluated using a fitting method that locates an ideal desired geometry corresponding to a set of measured points while a function of the Euclidean distances of the measured points to the ideal surface becomes minimum. This paper presents a quick and reliable algorithm called Dynamic Principle Component Alignment (DPCA) for fitting complex surfaces to the coordinate metrology measured points using the information that is dynamically generated by Principal Component Analysis (PCA) of the measurement data and the corresponding fitted geometry. The developed algorithm efficiently eliminates the necessity for applying commonly used optimization methods for the fitting (localization) process, which decreases the computational cost and uncertainty of the evaluation process. Moreover, DPCA is very reliable and practical in coordinate metrology with large data sets in processes such as laser scanning and other optical methods. The results show that the proposed methodology more accurately finds fitting parameters in comparison with the other commonly used methods while the computational cost is considerably reduced.     

焊接缺陷的磁光成像小波多尺度识别及分类

针对焊缝微小凹陷、未熔合和焊偏等焊接缺陷,提出了基于磁光成像无损探伤的小波多尺度边缘提取算法及主成分分析-误差反向传播神经网络(PCA-BP)缺陷分类模型;研究了焊件表面及近表面缺陷的可视化无损检测及分类方法。首先,通过对焊件施加感应磁场,利用法拉第磁致旋光原理构成磁光传感器,获取焊接缺陷磁光图像。然后,针对焊接缺陷磁光图像存在噪声干扰、对比度低且成像背景复杂等特征,基于小波模极大值的多尺度边缘信息融合方法,设计了具有高抗噪性的缺陷边缘检测算法。最后,通过PCA法对磁光图像列方向灰度变量进行预处理,得到能表征95%磁光图像列方向灰度变量信息的256个特征点作为输入特征量,构建了三层BP神经网络模型,对焊接缺陷样本进行分类。试验结果表明,所提方法能准确识别微小凹陷、未熔合和焊偏等焊接缺陷,模型分类准确率可达90.80%。     

基于PCA的时间分辨油荧光光谱分析及优化

激光诱导荧光技术可广泛应用于油污染的监测中,然而普通的油荧光光谱技术只能实现油污染监测的粗分类,无法区分原油与燃料油的荧光特征。本文基于主成分分析方法(PCA)的时间分辨油荧光分类方法,实验测量了20种油样本的时间分辨荧光光谱特征,给出了对应的荧光寿命和时间分辨油荧光光谱的时序特征。在此基础上,利用前三个主成分构成的三维特征矢量空间,通过分析不同采集时刻下油样本矢量间相关距离的变化,对油样本的时间分辨荧光光谱进行聚类分析。为了体现油荧光变化的时序性,引入矢量距离的离散度参量,提出基于PCA进行时间分辨油荧光光谱分析的优化方法。实验结果表明,基于时间分辨油荧光光谱识别可实现原油与燃料油的光谱时序特征区分,具备良好的油荧光分类效果。     

基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别

针对货车运行故障动态图像中车辆挡键、集尘器和安全链锁紧螺栓的故障检测,提出一种基于稀疏编码空间金字塔匹配和遗传算法优化的支持向量机相结合的通用故障自动识别算法。首先在不同尺度空间对样本图像进行划分,对每个部分提取尺度不变特征变换特征,利用随机抽取样本的SIFT特征通过迭代学习生成字典并进行稀疏编码;其次利用主成分分析定义编码后的特征对故障识别准确率的贡献值,并据此对编码特征进行降维;然后利用编码降维后的特征结合遗传算法对线性SVM分类器进行训练;最后用训练好的分类器模型对挡键、集尘器和安全链锁紧螺栓的故障进行识别。实验结果表明,本文提出的算法能较好的应用于3种不同类型的故障识别,识别率分别为97.25%、99.00%和97.50%,同时对噪声和光照变化具有一定的鲁棒性,能满足车辆故障的实际检测需求。