基于BP神经网络和主元分析法的数码相机光谱重构算法

从数码相机的RGB信号重构物体表面的光谱反射率是光谱颜色管理研究中的重要课题之一。提出了一种基于误差反向传播前馈神经网络(BP)和主元分析法(PCA)实现色卡的表面光谱反射率重构的新算法。通过对三种色卡进行光谱重构实验研究了BP神经网络的最优结构和主元数的最佳选择,验证了算法的精度。实验结果表明,采用适当的BP神经网络和主元分析相结合的新算法能够精确重构同类色卡的表面光谱反射率。     

基于PCA融合神经网络的移动设备威胁研究

为了提高移动设备存在威胁风险分析的准确率和抗干扰能力,进而降低投诉率,提出一种基于PCA融合BP神经网络风险分析模型.通过核主成分分析将设备威胁类型从10个特征量降低到3个主特征量,提取了原始数据的主信息,并以降维后的特征量作为BP神经网络的输入特征量,建立设备威胁风险分析模型.最后通过实验对比了多种模型算法, 结果表明采用PCA结合BP神经网络的风险分析模型具有更好的风险识别准确率.     

基于主成分分析与BP神经网络的识别方法研究

利用BP神经网络对红外目标进行识别之前,若不对原始样本数据进行预处理与特征提取,一方面使识别结果准确性降低,另一方面使BP神经网络的结构复杂化,采用主成分分析法可解决这些问题。主成分分析法能较好地提取表征样本的少数几个主分量,由该方法的特点可知,这几个主分量彼此不相关,非常符合特征优化的要求。研究结果表明,用该方法处理后的结果数据输入BP神经网络．提高了识别正确率,减少了训练时间,同时也简化了网络结构。将两种常见的模式识别方法结合用于红外目标识别：先由主成分分析法对原始样本数据进行精简处理,然后再由BP神经网络法进行分类识别,与传统的单一识别方法相比,准确度得到提高,计算量大为减少。     

基于PCA和BP神经网络算法的车牌字符识别

文章采用了双重PCA算法链接BP神经网络的方法对车牌字符进行识别.先由主成分分析法对原始样本数据进行分类,然后由BP神经网络法对拒识样本进行识别.研究结果表明,与传统的单一识别方法相比,提高了识别正确率,减少了训练时间.     

基于格栅优化与拓扑解析的配网数据分析算法

针对传统的配电网造价数据分析模型存在运算时间长、准确性高度依赖人工等问题,文中基于格栅理论思想,将BP神经网络与启发式算法相结合,提出了一种配电网造价数据分析算法。该算法以BP神经网络为数据处理工具,利用狼群算法对参数加以优化,进而提升了模型的全局搜索能力。为提高模型的计算精度,还引入主成分分析法实现对输入数据的降维。使分类结果更加精确后,再通过解析配电网网络拓扑获得关键参数并进行训练。实验测试中,该算法的相对误差值与运算时间分别为6.11%及30.19 s,综合性能在对比算法中也为最优,由此证明了该算法的精确度和运算效率良好,故具有一定的工程应用价值。     

基于BP神经网络的成本预测

分析了人工神经网络解决成本预测的可能性。介绍了BP神经网络用于非线性预测的基本原理和算法步骤。采用matlab试验方法,对某企业总产量与总成本进行仿真,对比了回归分析法和BP神经网络的预测结果。实验结果表明,BP神经网络预测算法具有较高的预测精度。     

一种改进的全卷积神经网络多聚焦图像融合研究

针对目前多聚焦图像领域算法研究的不足,提出改进的全卷积神经网络多聚焦图像融合算法.和以往的全卷积神经网络模型相比,改进的网络模型更加轻便、网络层级更少.将传统算法鲁棒主成分分析法运用于图像特征提取,在网络特征提取部分采用更小的网络结构,在达到提取更多特征信息的目的的同时减少了网络层级;全连接层与全卷积层的转换通过softmax层对图像进行分类,最后通过设置分类器防止像素点样本偏移,大大提升了运算速率.经过多组实验的彩色灰色数据集验证,改进的融合算法与目前多聚焦图像融合的卷积神经网络算法相比,融合速度大大提升,更具有实际应用率,融合质量也有相应提升,说明此算法相比其他算法更具运用价值.     

基于HOA优化卷积神经网络的英语教学质量评估方法

针对当前高校英语教学质量评价准确性不高问题，提出了一种基于蜂鸟算法(HOA)优化卷积神经网络英语教学质量评价方法。利用主成分分析方法对英语教学质量评价指标进行降维，然后针对卷积神经网络陷入局部最优的问题，采用蜂鸟优化算法对卷积神经网络参数进行优化，设计基于蜂鸟算法优化卷积神经网络的英语教学质量评价模型。结果表明，通过HOA对CNN网络参数进行优化，克服了CNN优化陷入局部最优的缺陷，可有效评价英语教学质量，且精度更高、耗时更少。     

基于遗传BP神经网络算法的主被动遥感协同反演土壤水分

提出了一种基于遗传神经网络算法的主被动遥感协同反演地表土壤水分的方法.首先,建立一个BP神经网络,并采用遗传算法对BP网络的节点权值进行了优化.然后分别将TM数据(TM3,TM4,TM6)、不同极化和极化比的(VV,VH,VH/VV)ASAR数据作为神经网络的输入,土壤水分含量作为网络的输出,用部分实测数据对网络进行训练并反演得到研究区土壤水分布图.最后,利用地面实测数据分别对遗传神经网络优化算法的有效性和主被动遥感协同反演的效果进行了验证,结果表明,新优化算法是有效可行的,且TM和ASAR协同反演的结果比两者单独反演的结果明显要好,体现了主被动遥感协同反演土壤水分的优势与潜力.     

基于OES的等离子体刻蚀过程

光学发射光谱(OES)诊断技术是高密度等离子体刻蚀工艺过程的关键技术,OES信号作为一种实时信号可以用来预测刻蚀过程的进展程度和判断刻蚀性能的好坏.在自行研发的等离子体刻蚀机平台上,采用美国海洋公司的OES传感器系统,采集多晶硅刻蚀工艺中所产生的OES信号,利用主元素分析法(PCA)对OES数据进行压缩处理,提高了实时信号的快速处理能力.对实验数据的分析表明:波长为405 mn的OES谱线可以明确显示出等离子体刻蚀进程,是一条表征等离子体刻蚀过程的状态检测及终点检测控制的特征谱线.在此基础之上,提出了基于PCA法的终点检测算法,用以判断刻蚀终点.     

一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型

为实现LCD显示器的光谱特征化,本文提出一种基于遗传算法优化(Genetic Algorithm,GA)的BP神经网络(GABP)结合PCA(Principal component analysis)的光谱特征化模型。首先对显示器色空间进行子空间划分,同时采用PCA对光谱数据进行降维,接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化,建立显示器驱动值与光谱数据之间的神经网络模型,实现了显示器的光谱特征化。实验结果表明子空间划分后,在子空间中进行模型参数的优化有利于模型整体精度的提高,GA的优化有效改善了BP神经网络的极值问题,提高了模型的精度,PCA在不影响模型精度的同时提高了算法的运行效率。由此说明该模型是一种高精度显示器特征化模型。     

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。     

加权联合降维的深度特征提取与分类识别算法

为了降低卷积神经网络计算的复杂度,改善特征提取过程中的过拟合现象,解决经典网络模型不能有效处理大尺寸图片的问题,采用了加权联合降维的特征融合与分类识别算法,根据两特征的识别贡献率对主成分分析法（PCA）降维处理和随机投影（RP）处理结果进行加权融合,然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征,使用欧氏距离分类器对识别对象进行分类,并进行了理论分析和实验验证。结果表明,经过加权联合降维对数据进行预处理,PCA矩阵与RP降维矩阵之比重达到6:4,识别率高达96%以上。该算法有效提高了准确率,使大尺寸图片在深度学习网络中有良好的识别效果,改善了网络的适应性。     

基于改进广义回归神经网络和主成分分析的宽带DOA估计

为了获取较高的宽带信号的DOA(direction-of-arrival)估计精度,提出了基于改进的广义回归神经网络(IGRNN,improved generalized regression neural network)和主成分分析(PCA,principalcomponent analysis)的宽带DOA估计算法。选用PCA方法对训练样本进行降维,以降低神经网络的复杂度;利用粒子群算法优化GRNN的参数;根据选取不同的聚焦角度确定粗估计、精估计的训练模型,通过粗估计得出目标的大致方位后,利用精估计模型得出最终的估计结果,避免了聚焦角度对估计精度的影响。仿真结果表明,本文提出的算法具有较好的估计精度和较高的工作效率。     

Adaptive Principal component EXtraction (APEX) and applications

The authors describe a neural network model (APEX) for multiple principal component extraction. All the synaptic weights of the model are trained with the normalized Hebbian learning rule. The network structure features a hierarchical set of lateral connections among the output units which serve the purpose of weight orthogonalization. This structure also allows the size of the model to grow or shrink without need for retraining the old units. The exponential convergence of the network is formally proved while there is significant performance improvement over previous methods. By establishing an important connection with the recursive least squares algorithm they have been able to provide the optimal size for the learning step-size parameter which leads to a significant improvement in the convergence speed. This is in contrast with previous neural PCA models which lack such numerical advantages. The APEX algorithm is also parallelizable allowing the concurrent extraction of multiple principal components. Furthermore, APEX is shown to be applicable to the constrained PCA problem where the signal variance is maximized under external orthogonality constraints. They then study various principal component analysis (PCA) applications that might benefit from the adaptive solution offered by APEX. In particular they discuss applications in spectral estimation, signal detection and image compression and filtering, while other application domains are also briefly outlined     

基于主元分析的人耳识别方法的研究

由于人耳图像自身的特点,基于外观形状特征如利用边缘或耳廓压痕的识别方法存在很大的缺陷,尝试采用了基于主成元(PCA)的分析方法提取人耳特征,然后运用BP神经网络进行识别。他完全克服了在以往应用外观形状特征进行识别时存在的错误率过高和特征提取预处理要求过于苛刻的问题。实验结果表明该方法实用、有效,可使识别率达到99%以上,有着广泛的研究价值和应用前景。     

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

两种神经网络在入侵检测中的应用

由于入侵检测的数据都是海量高维数据,提出一种基于主成分分析(PCA)的特征提取方法,以提高入侵检测的处理效率。选用Kddcup’99网络连接数据集进行预处理和PCA特征提取后,分别通过BP神经网络和Kohonen神经网络进行训练和测试,分析检测率,误报率,训练时间和检测时间。实验结果表明,基于PCA的BP神经网络能减小入侵检测的运算量,提高入侵检测的识别效果。     

共面互连线频变电阻电感的稳健知识神经网络模型

本文提出了一种共面互连线频变电阻电感的稳健的知识神经网络模型。该模型具有一个由主要元素项分析（PCA）得到的输入转换矩阵，具有PCA作为前处理器的神经网络，其训练过程变得高效而稳定，构建好的模型在推广性方面也更加稳健。     

Graph-Laplacian features for neural waveform classification

Analysis of extracellular recordings of neural action potentials (known as spikes) is highly dependent upon the accuracy of neural waveform classification, commonly referred to as spike sorting. Feature extraction is an important stage of this process because it can limit the quality of clustering that is performed in the feature space. Principal components analysis (PCA) is the most commonly used feature extraction method employed for neural spike recordings. To improve upon PCA's feature extraction performance for neural spike sorting, we revisit the PCA procedure to analyze its weaknesses and describe an improved feature extraction method. This paper proposes a linear feature extraction technique that we call graph-Laplacian features, which simultaneously minimizes the graph Laplacian and maximizes variance. The algorithm's performance is compared with PCA and a wavelet-coefficient-based feature extraction algorithm on simulated single-electrode neural data. A cluster-quality metric is proposed to quantitatively measure the algorithm performance. The results show that the proposed algorithm produces more compact and well-separated clusters compared to the other approaches.