基于奇异熵和随机森林的人脸识别

提出了一种基于奇异熵与随机森林的人脸识别方法。该方法以奇异熵来描述人脸特征。首先在整个人脸图上进行奇异值分解,应用整体奇异熵提取人脸全局特征。然后将人脸图像分成均匀子块,在各子块中进行奇异值分解,应用局部奇异熵提取人脸局部特征。之后将整体奇异熵和局部奇异熵融合形成最终分类特征。最后通过随机森林分类器对其进行分类。在Yale人脸库上的实验表明,该方法对表情、光照具有鲁棒性,且有较高的识别率和较短的识别时间。     

基于DCT域奇异值分解的图像检索技术

提出一种在DCT域获取图像的代数特征--SV特征矢量进行图像检索的方法.在图像解压到量化的DCT域时,提取粗糙纹理矩阵Ⅰ,对Ⅰ进行奇异值分解,根据图片库的特点选取部分或全部奇异值表征图像的纹理特征,试验了该特征提取技术在图像检索中的应用.     

二进制代码切片技术在恶意代码检测中的应用研究

恶意代码检测技术作为网络空间安全的重要研究问题之一,无论是传统的基于规则的恶意代码检测方法,还是基于机器学习的启发式恶意代码检测方法,首先都需要自动化或人工方式提取恶意代码的结构、功能和行为特征。随着网络攻防的博弈,恶意代码呈现出隐形化、多态化、多歧化特点,如何正确而有效的理解恶意代码并提取其中的关键恶意特征是恶意代码检测技术的主要目标。程序切片作为一种重要的程序理解方法,通过运用“分解”的思想对程序代码进行分析,进而提取分析人员感兴趣的代码片段。由于经典程序切片技术主要面向高级语言,而恶意代码通常不提供源代码,仅能够获取反汇编后的二进制代码,因此二进制代码切片技术在恶意代码检测技术中的应用面临如下挑战：（1）传统的面向高级语言的程序切片算法如何准确而有效的应用到二进制代码切片中;（2）针对恶意代码如何尽可能完整的提取能够表征关键恶意特征的程序切片。本文通过对经典程序切片算法的改进,有效改善了二进制代码过程间切片和切片粒度问题,并通过人工分析典型恶意代码,提取了42条有效表征恶意代码关键恶意特征的切片准则。实验表明,本文提出的方法可以提升恶意代码同源性检测的精度和效率。     

奇异值分解结合频率切片小波变换的轴承故障提取方法

针对频率切片小波变换在强背景噪声条件下故障特征识别能力不足的缺点,提出了奇异值分解和频率切片小波变换相结合的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理;继而利用频率切片小波对降噪信号进行分析,得到全频带时频图后,对能量集中的时频区域进行细化分析;通过频率切片小波逆变换得到相应的重构信号;最终可以从重构信号的波形图中提取出轴承故障特征频率信息。仿真信号和实测信号分析表明,该方法能够实现滚动轴承运行状态的准确判别,对实际工程应用具有重要意义。     

采用压缩传感的鲁棒的视频指纹方案

视频指纹技术在视频检索、识别、安全等领域有着广泛的应用,提出一种基于压缩传感理论的鲁棒性视频指纹方法,该方法采用压缩传感的稀疏性和安全性对提取的视频关键帧进行采样,再对采样矩阵分块与分类,提取能量值大的一些子块构成新的特征矩阵.对特征矩阵使用奇异值分解,对较大奇异值量化编码生成指纹.同时,也提出了高效的两步匹配方案,通过粗精两步搜索对视频进行检索,提高了视频搜索速度,实验结果表明,能准确检测视频片段,对通常的视频处理具有较强鲁棒性,满足视频检索的实时要求.     

基于奇异值特征提取的彩色人脸识别*

基于彩色图像的四元数模型,将彩色人脸图像视为一个模板直接处理,并首次将奇异值向量应用到彩色人脸识别中.首先证明了彩色图像的奇异值向量具有代数和几何不变性;然后将其提取为图像的代数特征并应用到人脸识别中.实验表明该方法的识别率为90%左右,是一种有效的彩色人脸识别方法.     

基于小波多尺度奇异值分解的人脸识别

作为一种矩阵分解方法,奇异值分解可用于提取图像的代数特征。图像的奇异值特征具有很多好的性质,如稳定性、几何不变性、对噪声的不敏感性。但是只用一个尺度的图像奇异值特征难以获得高识别率。基于小波变换和奇异值分解,提出了基于小波多尺度奇异值分解的图像特征提取方法,将多个尺度的小波子图奇异值特征组合起来用于人脸识别,在ORI, YALE和JAFFE 3个人脸数据库上的识别率分别达到82.11%,100%和95.68%.     

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法.该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取.城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断.     

奇异性数据的分类检索方法研究与仿真北大核心CSCD

对奇异性数据进行分类,可以提升检索的精度并改善用户需求。在对奇异性数据的进行分类检索时,当检索对象为海量数据时,需要对海量数据进行自动标定和划分,并对数据特征进行检测,获取数据特征集,并从中提取奇异性语义向量空间,完成奇异性数据的分类检索,而传统算法只能根据人工标定方法进行分类检索,当针对海量数据时,只能粗略的进行标定分类,分类检索时会漏掉很多奇异性特征,无法实现准确的分类检索。提出采用奇异值分解的奇异性数据分类检索方法,对海量数据进行划分,并对数据特征进行挖掘,获取数据特征集,引入奇异值分解方法提取数据特征集的奇异性数据向量空间,利用奇异值分解方法,逐级进行奇异性数据特征的相似度匹配,实现奇异性数据的分类检索。仿真结果表明,所提方法的奇异性数据匹配检索效果良好,并具有稳定的检索性能。     

基于EMD与奇异值差分谱的侧信道信号特征提取

为了从强烈的背景噪声中提取侧信道信号的特征信息,提出了一种基于经验模式分解（EMD）与奇异值差分谱相结合的信号特征提取方法。该方法首先对原始侧信道信号进行EMD分解,计算各个特征模态函数（IMF）与原始信号的相关系数,找到最大相似特征分量;再对该分量进行奇异值分解求出对应的奇异值差分谱;最后根据差分谱进行重构和消噪,进一步提取分量的特征信息。实验结果表明,该方法可以有效应用于侧信道信号的特征提取,成功提高信号的信噪比和攻击成功率。     

基于随机矩阵理论的高维数据特征选择方法

传统特征选择方法多是通过相关度量来去除冗余特征,并没有考虑到高维相关矩阵中会存在大量的噪声,严重地影响特征选择结果。为解决此问题,提出基于随机矩阵理论（RMT）的特征选择方法。首先,将相关矩阵中符合随机矩阵预测的奇异值去除,从而得到去噪后的相关矩阵和选择特征的数量;然后,对去噪后的相关矩阵进行奇异值分解,通过分解矩阵获得特征与类的相关性;最后,根据特征与类的相关性和特征之间冗余性完成特征选择。此外,还提出一种特征选择优化方法,通过依次将每一个特征设为随机变量,比较其奇异值向量与原始奇异值向量的差异来进一步优化结果。分类实验结果表明所提方法能够有效提高分类准确率,减小训练数据规模。     

基于正负反馈矩阵的SVD推荐模型

矩阵奇异值分解技术已经被广泛应用在个性化推荐系统之中。通过矩阵奇异值分解可以提高个性化推荐的准确度。传统的奇异值分解模型对整个矩阵进行分解,得到 user 和 item 两个特征矩阵,然后进行评分预测,并未考虑不同范围的评分包含的不同信息。通过计算评分中的临界值,把评分矩阵拆分成两个矩阵,称为正反馈矩阵和负反馈矩阵。再基于两个反馈矩阵的特征来完成对评分的预测。在实验数据方面,使用MovieLens的数据集,对传统的奇异值分解模型(SVD)和基于超图的奇异值分解模型(HSVD)进行改进。实验结果表明,引入偏好区分概念的模型PSVD、PHSVD,其推荐效果都优于原模型。     

特征交换框架下奇异特征的处理

在实体建模中,奇异特征的存在阻碍了基于特征的数据交换的顺利进行。针对该问题,提出一种在特征交换框架下基于几何操作的奇异特征交换方法,通过将奇异特征转化为一组与之等价的几何操作实现奇异特征的交换。实验结果表明,该方法能有效解决异构CAD系统间奇异特征的交换问题。     

时间序列数据降维及特征表示新方法

数据降维和特征表示是解决时间序列维灾问题的关键技术和重要方法, 它们在时间序列数据挖掘中起基础性作用. 鉴于此, 提出一种新的时间序列数据降维和特征表示方法, 利用正交多项式回归模型对时间序列实现特征提取, 结合特征序列长度对时间序列的拟合分析结果, 运用奇异值分解方法对特征序列进一步降维处理, 进而得到保存大部分信息且维数更低的特征序列. 数值实验结果表明, 新方法可以在维度较低的特征空间下取得较好的数据挖掘聚类和分类效果.

     

基于EMMD和AR奇异值熵的故障特征提取方法研究

提出了一种基于EMMD(extremum field mean mode decomposition)和AR(auto-regressive)奇异值熵的故障特征提取方法。该方法在对故障信号的EMMD分解基础上,选取有限个固有模态函数(IMF,intrinsic mode function)的AR模型参数向量作为故障的初始特征向量矩阵,对初始特征向量矩阵求取奇异值熵,通过奇异值熵的大小表征故障类型。对转子故障数据的分析结果表明该方法能够有效地应用于非线性和非平稳故障信号的特征提取。     

基于人脸细节方向特性的识别特征提取

充分考虑到人脸图像的整体和细节特征,进而将人脸的眉毛、眼睛、鼻子和嘴部细节部分的水平方向特性引入到特征提取环节中;将小波变换后的低频近似分量、表达上述水平特性的水平细节分量以及眉毛、眼睛、鼻子和嘴部细节区域分别进行奇异值分解,并对得到的3组奇异值进行排列组合,最终作为该图像的有效识别特征。结果表明,基于人脸细节方向特性的识别特征提取方法的识别率高于在原图上的基本奇异值分解等方法。     

基于角点检测和奇异值分解的多重数字水印算法

针对多媒体数据的版权保护和完整性认证的多方性,提出一种基于角点检测和奇异值分解的多重数字水印算法．本算法将鲁棒水印嵌入到小波域低频子带角点中,将半脆弱水印嵌入到小波域分块细节子带奇异值中,实验仿真结果表明,水印算法能够抵抗剪切、涂改、滤波、压缩等常见攻击,同时也能够抵抗旋转、缩放等几何攻击,具有较好的鲁棒性和脆弱敏感性,且准确定位篡改区域,可谓一种有效的多重数字水印方案．     

基于EMD和奇异值分解技术的滚动轴承故障诊断方法

提出了基于EMD(Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(Intrinsic mode function，IMF)之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值，将其作为滚动轴承振动信号的状态特征向量，通过建立Mahalanobis距离判剐函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。     

人脸识别中PCA方法的推广

主成分分析(PrincipalComponentAnalysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域。基于PCA,该文提出了分块PCA的人脸识别方法。分块PCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵利用PCA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便。此外,PCA是分块PCA的特殊情况。在Yale和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上明显优于经典的PCA方法,识别率可以分别提高6.7和4个百分点。     

基于奇异值特征的图像预处理及人脸识别

从增强图像的分类信息角度出发,对人脸图像做频域上的带通滤波预处理,来 提高奇异值特征的分类性能．给出了一组圆形滤波函数,并使用遗传算法来选择可分性较大 的频段,设计了染色体的表示方式和适应度的求法．实验证明预处理后奇异值特征的分类效 果比处理前有较明显的提高．