基于核独立成分分析和BP网络的人脸识别

用基于非线性子空间的核独立成分分析方法(KICA)对人脸图像进行特征提取,用三层的BP网络作为分类器,对人脸进行识别。在简单介绍基本的独立成分分析(ICA)的基本原理的基础上,对KICA的原理和算法作了详细的描述,并详细介绍了三层BP网络的设计。最后为了验证KICA+BP网络的效果,进行对比实验和分析。实验和分析的结果表明,在人脸识别中,该方法的效果明显好于其它方法。     

核独立成分分析在图像处理中的应用*

简要介绍了盲源分离技术和独立成分分析的基本思想.阐述和讨论了核函数和核独立成分分析(KICA)的基本原理,详细介绍了基于核典型相关性分析的核独立成分分析的基本算法.用KICA对一维混合信号的分离进行了模拟实验,目的是验证KICA的优越性能.之后通过实验分别讲述了KICA在自然图像和遥感影像处理的应用.最后指出了ICA所固有的分离结果的序号和幅度不确定性的问题.实验表明,KICA能够很好地分离混合图像,而且经处理的遥感影像能够更清晰地反映地表情况.     

基于核独立成分分析的声信号去噪方法

野外环境无线传感侦查网络中的声识别技术面临着复杂的自然环境噪声的挑战,尤其是由强风噪声造成的影响.独立成分分析(ICA)方法是一种能够较好地解决这种复杂环境去噪的方法.引入一种基于核方法的非线性ICA方法一核独立成分分析(KICA).基于该算法,针对强风噪声的特性,设计一种应用于单声传感器降噪的方案.通过降噪仿真实验,...     

基于ICA和FLD相结合的人脸识别

ICA作为一种传统的人脸识别方法,虽然识别效果较好,但却没有考虑类别信息。为了将类别信息融入ICA方法中,尝试利用FLD和ICA相结合的方法对人脸进行识别处理,即在使用ICA方法获得训练模式的统计独立基向量的基础上,对基向量张成的子空间使用FLD方法。利用几个人脸数据库对该方法进行了实验。实验结果表明,使用上述方法进行人脸识别,其效果优于传统的PCA方法、FLD方法和ICA方法。     

基于多姿态人脸图像合成的识别方法研究

为了解决多姿态人脸识别问题,提出基于独立成分分析(ICA)进行正面人脸合成的新方法。首先利用ICA和PCA提取不同姿态人脸的特征子空间,然后利用通过训练得到的姿态转换矩阵合成其相对应的正面人脸图像,实验表明ICA人脸识别算法要优于PCA人脸识别算法,并在此基础上用小波对人脸图像进行预处理,据姿态转换矩阵得到的正面人脸特征系数直接进行分类比较,识别率得到了很大的提高。     

人脸识别特征提取算法研究

人脸自动识别方法已成为当前模式识别和人工智能领域的一个研究热点,人脸特征提取是人脸识别技术的关键。首先介绍了ICA算法的原理,并对ICA算法的优缺点进行了讨论,提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法。在ORL标准人脸数据库上的实验结果表明,这种识别算法优于PCA和ICA算法。     

KICA模式匹配的动态过程监控与故障诊断方法

针对复杂化工过程具有的非线性、非高斯性和动态特征,提出了基于核独立成分分析(KICA)的模式匹配方法,用于动态过程监控和诊断。首先,利用滑动窗建立基准集与测试集的KICA模型,提取各自的核独立元:其次,融合余弦函数绝对值度量和距离度量,提出新的不相似度监控指标,识别训练与测试操作期间的相似模式,进行故障检测:最后,基于两类数据的核子空间之间的差异子空间,获得每个过程变量方向与该差异子空间之间的互信息,并定义新的非线性非高斯贡献度指标,进行故障诊断。基于污水处理过程的仿真结果表明,与主成分分析不相似度因子的方法、标准的独立成分分析(ICA)统计指标方法及标准的ICA T~2/SPE指标融合的贡献度方法相比,本文提出的方法具有更好的检测能力与故障诊断效果。     

基于时段及过渡区域的KICA间歇过程监测方法

针对间歇过程时段的切换存在过渡区域,同时,间歇过程数据有着强非线性的特点,提出一种基于时段及过渡区域的KICA间歇过程监测方法。该方法基于MPCA及k-means聚类算法对间歇过程进行子时段划分,并基于第一主元贡献率差值识别时段间的过渡区域,在此基础上,对稳定时段建立统一KICA监测模型,而过渡区域针对各时刻滑动窗口进行KICA建模监测。将该方法应用于青霉素发酵过程在线监测,实验结果表明,相比sub..PCA监测方法,本文基于时段及过渡区域的KICA监测方法能更及时、准确的检测到过渡区域的异常。     

独立环形对称Gabor特征及在人脸识别中的应用

提出了一种基于2D环形对称Gabor变换(2DCSGT)和独立成分分析(ICA)的特征提取方法,并用于人脸识别中。对人脸图像做5尺度2D环形对称Gabor变换;对变换后的图像下采样并采用主成分分析(PCA)进行降维;采用ICA获得人脸图像的独立环形对称Gabor特征(ICSGF);采用最近邻分类法分类。在ORL、YALE和FERET人脸数据库上,基于ICSGF的人脸识别算法的正确识别率分别达到99.5%、93.33%和97.14%。实验结果表明,ICSGF方法有效可行。     

一种新的多人脸检测方法研究

自动人脸检测是人脸识别系统的一个重要部分,本文提出了一种新的基于独立成分分析（ICA）和多项式神经网络（PNN）相结合的人脸检测方法,该方法首先在训练样本中使用ICA分离出代表人脸和非人脸特征子空间的独立影像基,把训练图像映射到该子空间降维后作为PNN网络的输入训练网络;对测试图像采用移动多尺度窗口提取图像模式,采用ICA降维后输入PNN网络,进而分类检测出人脸和非人脸。算法通过CMU-MIT的复杂背景人脸库中的多人脸图像进行实验,得到很高的检测率和较低的误检率.     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis，ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立，对像素间高阶统计特性敏感，并且不易受光照变化的影响。实验结果表明，基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多，难收敛，并且需要人工设定步长来调整学习速度的不足，本文采用FastICA作为ICA的快速算法，并将其关键迭代步骤加以改进，减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与，收敛速度快，迭代次数少的优点。在特征选择方面，本文将遗传算法（Genetie Algorithm，GA）应用到独立分量的选择与优化中，从而在保证较高识别性能的前提下，获得最优的人脸特征子集。     

基于ICA和NFL分类的局部人脸识别方法

目前已存在很多基于统计的人脸整体识别方法，独立元分析方法就是一种基于信号高阶统计特性的方法。但由于人脸光照、姿态、信息缺损等外部不可避免因素会引起整个人脸灰度图像产生很大的变化，因而会对这类整体统计性方法的稳定性产生很大影响。为此提出了一种基于独立元分析和最近邻特征线的局部人脸识别方法。首先，通过对人眼的手工定位并依据人脸几何特征完成对人脸图像的截取和局部分块，从而移除发型等无用信息；然后对每个局部图像进行PCA／ICA特征提取；最后的识别阶段，通过最近邻特征线方法得到各自识别距离，并通过对各部分设置合理的权重来综合判定。实验结果表明，作为一种有效的识别方法，分块独立元方法在识别率、识别的稳定性、应用的灵活性等方面都优于传统的整体识别方法。     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

基于最大判别熵的有监督独立分量分析方法

独立分量分析(indepentlent component analysis，ICA)是目前非常活跃的一个研究领域，在盲源分离、信号处理等方面有着广泛的应用．特别是在特征提取方面，由于其处理非高斯分布的数据的能力，引起了广泛关注，取得了很好的效果．但是传统的独立分量分析方法的思想都是通过定义一个衡量分量独立性的目标函数来求解问题，在应用到特征提取方面时，没有考虑到提取的独立分量对于识别和分类问题的重要性．为了克服传统ICA算法的不足，从信息论角度出发，选择判别熵作为衡量类别之问差异的度量，提出了基于最大判别熵的有监督独立分量分析方法(SICA-MJE)，并在人脸识别和虹膜识别应用中进行了验证，取得了很好的实验结果。     

独立分量分析在模式识别中的应用

模式识别中关键的两个环节是模式的特征提取及利用分类器分类识别。采用独立分量分析进行特征提取 ,并比较了最近邻分类器和cos分类器的分类识别性能。利用ORL人脸图像数据库进行实验 ,结果表明独立分量分析与cos分类器相结合可得到更好的识别结果。     

A novel hybrid approach based on sub-pattern technique and whitened PCA for face recognition

Recently, in a task of face recognition, some researchers presented that independent component analysis (ICA) Architecture I involves a vertically centered principal component analysis (PCA) process (PCA I) and ICA Architecture II involves a whitened horizontally centered PCA process (PCA II). They also concluded that the performance of ICA strongly depends on its involved PCA process. This means that the computationally expensive ICA projection is unnecessary for further process and involved PCA process of ICA, whether PCA I or II, can be used directly for face recognition. But these approaches only consider the global information of face images. Some local information may be ignored. Therefore, in this paper, the sub-pattern technique was combined with PCA I and PCA II, respectively, for face recognition. In other words, two new different sub-pattern based whitened PCA approaches (which are called Sp-PCA I and Sp-PCA II, respectively) were performed and compared with PCA I, PCA II, PCA, and sub-pattern based PCA (SpPCA). Then, we find that sub-pattern technique is useful to PCA I but not to PCA II and PCA. Simultaneously, we also discussed what causes this result in this paper. At last, by simultaneously considering global and local information of face images, we developed a novel hybrid approach which combines PCA II and Sp-PCA I for face recognition. The experimental results reveal that the proposed novel hybrid approach has better recognition performance than that obtained using other traditional methods.     

基于判别式的核独立元分析*

核独立元分析（KICA）法是近年来发展起来的核化算法,但难以将其用于故障诊断问题。为了解决该问题,对两种核独立元分析算法——基于受限协方差测度的方法KICA2和基于核互信息测度的方法KICA3进行变形得到适用于分类或故障诊断的形式。进一步分析了KICA2与一种核偏最小二乘（KPLS）方法的等价性以及KICA3与核主元分析（KPCA）的等价性。最后对Tennessee Eastman过程进行仿真,说明了方法的有效性。