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.     

基于改进动态主元分析在半实物仿真系统中的研究

为了实现数据驱动技术在工业中的实际应用,开发了以蒸馏塔作为被控对象的半实物仿真系统,将数据驱动方法应用到流程工业半实物仿真系统.针对动态主元分析方法存在的计算负荷大,计算效率低的问题,提出了一种改进动态主元分析方法,利用不可区分度和交叉程度去除众多变量中的不相关变量或相关度较小的变量,减少数据量.针对系统中的典型故障,数据驱动方法能够检测出半实物仿真系统中的异常,而且与传统动态主元分析比较,改进算法降低漏报率和误报率,提高诊断可靠性,并且能及时检测出生产过程的微小故障.     

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.     

主元分析中的平滑性

某些样本观测形如时间序列或离散信号,其本质为平滑曲线(即函数型数据),代表一个潜在的连续过程.在主元分析中引入平滑性,可更加全面地刻画样本观测中包含的连续动态特性.本文介绍了从离散样本过渡到连续曲线的平滑处理方法,陈述了线性平滑主元的基本框架——基函数空间下的多元统计.平滑曲线兼具幅度变异和相位变异,可通过配准分离两种变异.据此重点讨论了非线性平滑主元分析:既可采用混合数据形式,一并考察两种变异性;也可借助微分流形,在非欧氏空间描述相位变异.基于开源的步态数据集,给出了3组分析结果:未经配准的平滑主元分析;配准后的幅度变异分析和相位变异分析.最后,综述了平滑主元在生物信号处理中的典型应用.     

自适应主元提取算法及其在人脸图像特征提取中的应用

本文指出了E.Oja将统计主元分析思想用于递推网络与S.Kung自适应主元提取(APEX)算法在提取特征信息上的共同点和差异,证明了该算法的收敛性.仿真结果验证了该算法的收敛性和稳定性,分析了主元数、子图像大小及学习率参数对该算法的影响,说明了该算法在人脸识别中是一种运算量较小的有效特征提取方法.     

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.     

基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析（1DPCA）、二维主成分分析（2DPCA）、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明：①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。     

基于PCA算法的人脸识别方法研究比较

主成分分析(Principal Component Analysis,PCA)方法是人脸识别技术中一种广泛应用的数据降维技术。当通过使用PCA变换获得的主成分去重建原始人脸图像时,能使均方误差最小。在传统的PCA基础上,Yang等人提出了2DPCA方法,避免了从图像矩阵向一维向量的转换,并在人脸识别中获得了满意的效果。文章对这两种方法做了理论上比较并给予实验数据支持,实验证明,2DPCA在识别方面略优于传统PCA算法。     

基于流形学习的遮挡条件下表情识别方法

提出了一种识别遮挡图像表情的方法。先用主元分析(PCA,principal component analysis)算法对遮挡图像重建;然后根据正态分布理论检测出遮挡区域,并根据图像的部分相似性,将遮挡图像嵌入到流形空间中;最后用支持向量机(SVM,support vector machine)实现表情分类。本方法较好地消除了遮挡区检测误差对表情识别的影响,对遮挡图像的表情识别具有良好的鲁棒性。通过Cohn-Kanade和JAFFE人脸库上的表情识别实验,验证了本方法有较强的鲁棒性、较高的识别率和较高的运行效率。     

基于二维双向PCA的手写数字识别算法研究

手写数字识别系统中,传统K最近邻(KNN)算法的识别速度较慢,而基于主分量分析(PCA)以及二维主分量分析(2DPCA)的KNN识别算法其识别速度虽有提升,但识别率仍然有待提高。为此,提出了一种基于二维双向主分量分析(Two Dimension Double PCA,2DDPCA)结合KNN的识别算法,并使用MINIST手写数据集进行了仿真实验验证,结果表明,该算法与2DPCA相比,在识别速度相当的情况下,识别率可提高近3个百分点。     

多变量数据分析的故障诊断方法研究

针对依靠单变量阈值过程监控等方式已经无法满足对系统实时监测的要求,本论文引入多变量过程统计监控方法。主元分析法(Principal component analysis,PCA)和基于小波分析的滤波方法,结果显示其能够有效提高其对微小故障的检测能力。通过建立正常运行状态下的多变量统计模型,拟应用于多变量过程统计监控的预测与健康管理(prognostics and health management,PHM)系统,为复杂系统的故障诊断提供一种有效的监测方法。     

基于频移的DPCA机载雷达杂波抑制技术

该文采用杂波单元分解的方法分析了相位中心偏置天线(DPCA)对机载雷达主杂波的抑制性能,指出DPCA是一种简单的时-空二维滤波器,并分析了当主杂波中心频率不为零时DPCA杂波抑制能力下降的原因。该文还提出了一种基于主杂波中心频率频移的DPCA处理方法。理论分析和仿真结果均表明该方法具有较好的杂波抑制能力,同时该方法结构简单,便于工程实现。     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

一种基于2DPCA的人耳识别方法

针对人耳识别问题,提出一种二维主分量分析(2DPCA)的人耳识别方法,该方法不需要预先将图像转换为一维向量,而是基于图像矩阵,直接计算图像协方差矩阵的特征向量作为人耳特征提取,大大加快特征提取的速度,从根本上克服了传统PCA在进行图像特征提取时耗时过多的缺点。并通过BP神经网络进行分类识别。实验结果表明,应用2DPCA方法提取人耳图像特征,可以大大提高识别效果。     

一种缩减图像维数的方法及其在人脸图像上的应用

2DPCA是一种快速且有效的图像特征抽取方法。不同于传统的主分量分析(PCA)方法,该方法以全新的思路应用主分量分析技术,它直接计算图像矩阵到矢量的投影,并将其看作图像特征。实际上,2DPCA是此种思路下的最优压缩技术。对2DPCA而言,存在两种抽取图像矩阵特征的技术路线,这两种路线将图像变换到不同的空间,且分别突出人脸图像横向和纵向的特质。由于这两种技术路线抽取的特征具有互补性,该文分别设计两种方案对这两类特征加以融合。基于特征融合的识别实验取得了较优的识别正确率。     

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.     

基于2DDPCA人脸识别算法

主成分分析法(PCA)是人脸识别传统方法之一,是模式识别中一种普遍的线性组合算法.传统PCA算法因光照等外界因素和计算量较大等问题导致识别率较低.为了抑制这些缺点,主要研究基于PCA人脸识别算法改进的二维主成分分析法(2DPCA)和在2DPCA算法的基础上进行第二次特征提取的2DDPCA算法,并对PCA,2DPCA,2DDPCA这3种人脸识别算法在ORL和Yale人脸数据库上进行实验.实验主要从两方面进行分析,特征向量的维数、训练样本数与识别率的关系以及3种方法分别在数据库的时间对比.实验结果表明,提出的2DDPCA算法在不明显降低识别率的基础上,能有效提高识别速率,重建性能好.     

基于CA-CMAC的快速传感器故障诊断方法

 针对动态系统的在线故障诊断问题,将信度分配小脑神经网络CA-CMAC(Credit Assigned Cerebellar Model Articulation Controller)应用于主元分析模型,实现多传感器在线故障检测与隔离.首先,应用传感器正常工作时测量的历史数据,由主元分析模型得到所有传感器的预测值;接着计算传感器系统的均方预期误差值SPE(Squared Prediction Error),由SPE值的变化,判定是否发生故障,根据重构单个传感器信号的SPE值来隔离故障传感器;最后应用一个多传感器故障诊断仿真实例说明了该算法的可行性,并通过与误差反传BP(Back Propagation)神经网络和常规小脑神经网络CMAC(Cerebellar Model Articulation Controller)进行比较,说明了基于CA-CMAC的主元分析模型的优越性.     

基于主元分析法的人脸识别系统

基于 PCA(主元分析)的特征脸人脸识别方法,是一种通过模式识别进行人脸识别的很有效的方法,提取人脸图像的代数特征,以及采用 K-L 变换方法来降低人脸特征的维数并排序.这样利用所提取图像代数特征与原样本库中图像的代数特征的比较,就可对人脸图像进行识别