一种PCA算法及其应用

主成分分析是用于简化数据的一种技术,对于某些复杂数据就可应用主成分分析法对其进行简化.文中所用到的是一种连续统一的主分量分析法,它利用特征结构的正交性,提取出用于下一主分量的初始权向量,并且任何一种适用于线性前向反馈神经网络的主分量分析法都可作为此算法中的权修正等式.最后,将这种PCA法与普通PCA法运用于股票数据之中进行比较,结果对比证明用此方法提取出的数据比以前有所改进.     

KPCA算法及其在股市中的应用

主成份分析法是用于简化数据的一种技术,现实世界中的数据复杂且庞大,对于某些复杂数据就可应用主成分分析法对其进行简化。文中着重介绍了健壮性KPCA算法并引入了粒度的思想,健壮性KPCA算法能推导出特征空间中信号重组的最小错误标准,并自动识别训练样本集中的无关数据,且经过计算消除它们对KPCA算法准确度的影响。可以将其应用于股票数据中,并将所得的主分量图与原图比较,发现效果明显,由此可看出KPCA算法是一种相当有用的算法。     

KPCA算法及其在股市中的应用

主成份分析法是用于简化数据的一种技术,现实世界中的数据复杂且庞大,对于某些复杂数据就可应用主成分分析法对其进行简化.文中着重介绍了健壮性KPCA算法并引入了粒度的思想,健壮性KPCA算法能推导出特征空间中信号重组的最小错误标准,并自动识别训练样本集中的无关数据,且经过计算消除它们对KPCA算法准确度的影响.可以将其应用于股票数据中,并将所得的主分量图与原图比较,发现效果明显,由此可看出KPCA算法是一种相当有用的算法.     

基于二维码图书版权保护的数字水印算法

版权保护一直是图书出版领域的难题之一.根据二维码和主成分分析（PCA）算法的特点,提出一种基于二维码图书版权保护的新的数字水印算法,算法首先对二维码载体图像进行主成分分析（PCA）,提取出既含有高频分量又含有低频分量的主成分系数,采用Arnold算法将版权信息水印加密干扰后嵌入到提取出的主成分系数中.实验结果显示,新算法在几何攻击、噪声、图像亮度和对比度的增减等攻击都有很好的鲁棒性.     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法，是基于原始特征的一种线性变换。但是，当原始数据中存在非线性属性时，用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量，是一种非线性变换，在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征，利用线性支持向量机设计分类器，实验结果表明，基于核主元分析方法的识别正确率明显优于基于主元分析法。     

一种有效的加权PCA物质分类方法

利用经典PCA算法对数据进行分类,所得到的前两个主成分不能代表原始数据的大部分信息,使得分类效果不明显。为了克服这一缺点,提出了一种采用数据预处理技术的加权PCA分类方法,达到较明显的分类效果。该方法首先对样本数据进行归一化处理,将不同尺度的数据规约到同一范围,在此基础上,计算出每个样本在整个数据集合中的权值,接着对归一化后的数据进行均值化或去均值的处理,然后对处理后的样本数据乘以权值来体现其重要程度,最后再利用奇异值分解过程实现主成分分析。计算机仿真结果表明,所提出的方法能很好的将数据分类,与传统PCA法相比,优势明显。     

一种改进PCA与IHS融合的高光谱图像异常检测算法

高光谱图像空间分辨率不足容易导致异常检测虚警率过高,针对此提出了一种新的异常检测算法。算法首先利用主成分分析PCA对低分辨率高光谱图像进行主成分提取,然后对所提取的主成分和高分辨率图像分别进行IHS变换,分别得到各自的强度分量。运用IHS变换的可逆性,将高光谱数据新的强度分量与原色度分量H和饱和度分量S进行IHS逆变换,得到空间信息增强的高光谱图像数据,最后使用改进的KwRX算法对空间信息增强的高光谱图像数据进行异常检测。仿真实验表明,与KRX算法、PCA-KRX算法相比,本算法在检测目标像素数和虚警个数上都有较大的改善,说明了本算法的的有效性和可行性。     

基于主成分分析的时间序列Shapelet提取方法

Shapelet序列分析为时间序列分类提供了一种快速分类的方法,但Shapelet序列抽取速度很慢,限制了它的应用范围。为了加快 Shapelet 序列的提取,提出了一种基于主成分分析的改进方法。首先运用主成分分析法（PCA）对时间序列数据集进行降维,采用降维后的数据表示原数据,然后对降维后的数据提取出最能代表类特征的Shapelet序列。实验结果表明：本方法在保证分类准确率的前提下,提高了运算速度。     

基于PCA和PSO-ELM的煤与瓦斯突出软测量研究

针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO-ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输入权值和隐层阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。     

主成分分析在TM多时相资料中的运用

在回顾主成分分析方法应用的基础上,为有效地从陆地卫星数字磁带中提取各种农作物的信息,首次将该法应用在三时相的TM资料中。研究小区选在瑞典南方,根据当地作物的生长特点,分别选用三天不同时像的TM CCT磁带,对该法进行了验证,经与常规方法比较,证实了主成分分析方法用于多时相资料,可省去对各种影响因素的订正,能有效地提取各种动态变化信息,保持较高精度。一引言主成分分析(简称PCA)方法是一种数据转换技术。     

一种改进的径向基神经网络预测算法

神经网络是数据挖掘的常用的方法之一,主成分分析方法是统计学多元分析中的一种分析多个变量间内在关系的方法。将主成分分析预处理方法与神经网络结合起来使用,可以分析原始变量间关系,将原始数据降维,减少数据规模。对神经网络算法和主成分分析相关理论进行了研究,在此基础上,结合大量的气象数据和北京的传染病数据,提出了一种改进的基于主成分分析预处理结合神经网络算法的数据挖掘方法。通过对比实验测试,本文提出的组合算法在收敛速度及预测准确性方面的性能有了很大程度提高。结合国家重大专项疾病预测项目,将该方法应用于其中的流行性传染病的预测上。     

基于核的PP主成分分析及其在离群聚类中的应用

为了提高高维数据集合离群数据挖掘效率，在分析了传统的离群数据挖掘算法优点和缺点的基础上，提出了一种离群聚类算法，该算法将核方法与PP主成分变换结合于离群聚类算法中，采用基于核的PP主成分变换进行数据维数消减。通过该数据变换矩阵得到相应的非线性向量，并为每个向量分配一个动态权值，在优化经典的FCM模糊聚类的目标优化迭代函数基础上，最终得到各个数据的权值，根据权值的大小标识出数据集中的离群点，理论上证明了该算法的收敛性，仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。     

A unified learning algorithm to extract principal and minor components

Recently, many unified learning algorithms have been developed to solve the task of principal component analysis (PCA) and minor component analysis (MCA). These unified algorithms can be used to extract principal component and if altered simply by the sign, it can also serve as a minor component extractor. This is of practical significance in the implementations of algorithms. Convergence of the existing unified algorithms is guaranteed only under the condition that the learning rates of algorithms approach zero, which is impractical in many practical applications. In this paper, we propose a unified PCA & MCA algorithm with a constant learning rate, and derive the sufficient conditions to guarantee convergence via analyzing the discrete-time dynamics of the proposed algorithm. The achieved theoretical results lay a solid foundation for the applications of our proposed algorithm.     

基于PCA的哈希图像检索算法

图像哈希算法的步骤大致分为投影和量化两个阶段,为提高哈希编码的性能,分别对这两个阶段进行研究。在投影阶段,通过主成分分析算法将数据投影到新的特征子空间中,以降低原始特征之间的冗余性;在量化阶段,为减少量化所带来的损失,提出一种单双比特结合的量化方法;利用得到的哈希编码进行图像检索。在两个常用的图像数据集上的实验结果表明,提出的算法较现有的主流图像哈希算法在多个评价指标下均有所提高。     

Robust recursive least squares learning algorithm for principalcomponent analysis

A learning algorithm for the principal component analysis (PCA) is developed based on the least-square minimization. The dual learning rate parameters are adjusted adaptively to make the proposed algorithm capable of fast convergence and high accuracy for extracting all principal components. The proposed algorithm is robust to the error accumulation existing in the sequential PCA algorithm. We show that all information needed for PCA can he completely represented by the unnormalized weight vector which is updated based only on the corresponding neuron input-output product. The updating of the normalized weight vector can be referred to as a leaky Hebb's rule. The convergence of the proposed algorithm is briefly analyzed. We also establish the relation between Oja's rule and the least squares learning rule. Finally, the simulation results are given to illustrate the effectiveness of this algorithm for PCA and tracking time-varying directions-of-arrival.     

基于规范化谱主成份分析的微操作深度信息提取

针对微操作工具在测试窗口内（X-Y平面）大范围移动时，采集到的模糊图像差异较大的问题，提出了一种新的不变量特征提取方法――规范化谱图像，将其应用于深度估计可提高系统的鲁棒性。同时，利用主成份分析方法可降低数据的维数并抑制噪声的影响，使得系统的实时性和精度得到较大改善。实验结果验证了上述方法的有效性。     

基于加权多尺度张量子空间的人脸图像特征提取方法

为了不破坏原始数据固有的高阶结构和数据之间的相关性,减少光照对图像特征的影响,并优化多尺度特征的权重,提出了基于加权多尺度张量子空间的图像特征提取方法。采用多尺度小波变换表征图像各个 部位特征,使用不确定度权衡每个尺度对图像分类的作用,并组建成多尺度张量子空间,结合多线性主成分分析与线性判别分析算法,降低了图像在处理过程中的成本,保存了高维数据固有结构和相关性,完成对图像特征提取。使用CAS-PEAL-R1东方人脸库进行评测,实 验结果表明,该图像特征提取算法用于图像识别过程中具有较好的效果,具有一定的可行性。     

一个高效的多变量时间序列聚类算法

时间序列聚类分析是数据挖掘研究的一个重要内容。已有的聚类算法大多采用k均值对低维数据进行聚类,不能对高维多变量时间序列（MTS）数据进行有效聚类。提出一种高效的多变量时间序列聚类算法PCA-CLUSTER,首先利用主成分分析对MTS数据降维;选取MTS数据的主成分序列进行K近邻聚类分析。理论分析和实验结果表明算法可以有效解决MTS数据聚类问题。     

基于改进核主元和支持向量数据描述故障检测

提出基于改进核主元和支持向量数据描述(SVDD)故障检测方法,适合于复杂工业过程具有非线性和非高斯性的情况.首先,通过对核主元(KPCA)特征空间样本进行重构误差,在样本集上自动识别异常值,减少对KPCA算法的影响并增强非线性核映射.然后,利用支持向量数据描述算法处理数据非高斯信号,据此构建统计量对工业过程进行检测.最后,将所提出的改进核主元和支持向量数据描述方法应用于田纳西-伊斯曼(TE,Tennessee Eastman)过程的仿真实验,结果说明提出方法的有效性.     

基于核费希尔判别的生产状态诊断方法

工艺参数间的非线性耦合关系,给生产过程的状态识别带来了很大的困难。为此,引入新的核映射准则,利用梯度优化方法选取核参数,并采用核Fisher方法进行降维处理,实现对生产状态在可视平面上的逐层多故障分类,完成对当前生产过程的状态诊断。利用TE数据进行实验验证,结果表明,与核主成分分析方法相比,该方法可以得到更加准确的诊断结果。