基于核主成分分析的人脸识别

在标准PCA原理基础上,提出了核主成分分析算法进行人脸识别。在进行非线性映射之前,首先利用经典的主分量分析降维,然后再执行核主分量分析（KPCA）。为了进一步降低经典PCA的处理时间,使本算法具有更高的效率,在ORL标准人脸库上的实验结果验证了所提算法的有效性。     

基于有监督核函数主元分析的故障状态识别

介绍一种有监督核函数主元分析算法(SupervisedKernelPrincipalComponentAnalysis,SKPCA),通过将样本类内差和类间差融入总体方差中,从而达到更好的分类目的.在齿轮故障诊断实验中,采用SKPCA提取故障信号的非线性特征,实验结果表明SKPCA相比KPCA前两个主元贡献更为集中,故障识别结果更为理想.     

基于核主成分分析与正交最小二乘法的软仪表建模方法及其在柴油凝点预报中的应用

针对非线性、高维工业过程,提出一种基于核主成分分析(KPCA)与正交最小二乘(OLS)的软仪表建模方法。该方法首先采用KPCA技术对,在特征空间中对高维输入数据进行降维处理,消除噪声等不利因素的影响;然后采用OLS处理输入输出之间的非线性关系,在最大化泛化能力的同时,实现模型的稀疏性。将此软仪表模型应用于柴油凝点的预报,结果表明,较其他方法,提出的方法有较好的泛化能力及稀疏性。     

核主成分分析的高炉故障检测研究

由于高炉冶炼系统的复杂性,传统的故障检测方法在高炉故障检测中的应用效果不佳.同时,高炉冶炼过程中的数据具有明显的非线性特征,利用主成分分析(PCA)等线性多元统计方法也难以取得良好的故障检测效果.针对这种情况,提出了利用核主成分分析(KPCA)方法对高炉冶炼过程中的故障进行检测,以适应高炉的非线性特征,实现对高炉故障的快速检测.     

基于小波变换和SVM的人脸识别

提出了基于小波变换和支持向量机(Support Vector Machine,SVM)的人脸识别算法。该算法通过小波变换的多分辨率分析形成人脸图像的低频小波子图,然后利用主分量分析构造特征脸子空间,最后由SVM进行分类。在ORL人脸数据库上的实验结果表明该方法具有良好的性能。     

基于混沌理论和支持向量机的人脸识别方法

针对如何选定主成分分析(PCA)特征维数和如何选定支持向量机(SVM)的参数来进一步提高人脸识别系统性能的问题,提出了一种基于混沌理论和支持向量机的人脸识别方法.首先,在统一的目标函数下,在采用PCA方法对人脸图像进行降维和将得到的特征送入SVM中进行训练期间,使用具有可操作性的改进混沌优化算法同时对PCA图像特征维数和分类器参数进行优化选择,然后用得到的优化人脸特征和最佳参数的分类器对未知图像进行识别.基于该方法,对ORL和Yale人脸库进行实验,其识别率都高达99%以上,仿真结果表明,该方法极大地提高了人脸识别能力.     

基于小波包变换与核主成分分析的铣削颤振识别

提出一种基于小波包变换（wavelet packets transform, WPT）与核主成分分析（kernel principal component analysis,KPCA）的颤振识别方法。铣削颤振会抑制或增强某些频段内的信号,利用四层小波包分解与重构,得到16个频段内的重构信号,获得各重构信号的面积,并进行归一化处理,完成铣削颤振特征向量的选择。继而通过对比基于主成分分析（principal component analysis,PCA）与核主成分分析的特征提取方法的特征提取效果,选取KPCA对特征向量进行降维处理,最后以降维后的数据作为最小二乘支持向量机分类器的输入对铣削状态进行识别。结果表明,在小样本的情况下仍能有效、准确地对铣削状态进行分类,分类准确率达95.0 %。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析(KPCA)在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于KPCA-SVM模型的电力负荷最大值短期预测方法

电力负荷最大值预测是电网企业调度工作的重要组成部分,其预测结果的准确度将对电能的配送、有效利用率、供电服务的质量以及电力系统的发展产生重要影响。以安徽某市81天的电力负荷最大值数据为基础,选取影响当天电力负荷最大值的10个因素,并采用核主成分分析（kernel principal component analysis,KPCA）算法将10维的影响因素降为5维,其累计贡献率可达93.70%。以降维后的5维数据为输入,以径向基函数为核函数,并采用交叉验证选择支持向量机（support vector machine,SVM）回归的最佳参数,随机选取54组数据训练SVM预测模型,最后进行27组数据的拟合预测,拟合预测的均方误差为0.004 1,相关系数为0.963 1。研究结果表明,应用KPCA结合的SVM预测模型对电力负荷最大值具有很好的预测能力。     

基于框架变换和PCA分析的人脸识别方法及实现

研究了利用紧框架变换和主成分分析获取人脸特征,设计分类器进行分类识别,通过边缘信息和弱分类器的不同权值对分类识别进行优化。基于人脸数据库的实验结果表明,我们的方法是一种快速、有效和稳定的人脸识别方法。     

基于局部特征融合的人脸识别

提出了基于局部特征融合的人脸识别算法.首先把人脸图像分割为多个子图像,利用传统主成分分析的方法,对不同位置的子图像集分别建立不同的子空间并且抽取相应的局部特征.针对各局部特征,分别求出待识别图像对训练样本的隶属度.最后,基于模糊综合的原理对各局部特征进行数据融合,给出最终识别结果.实验结果表明,该算法能很好地融合人脸的局部信息,有效提高识别率.     

融合小波变换和改进KFD的人脸识别方法

基于核函数的Fisher判别分析(KFD)在人脸识别中通常采用高斯径向基函数做核函数,但核函数中参数的选取对分类效果影响较大。目前参数的选取一般仅凭经验,且该方法在处理大样本时,速度较慢。针对这个问题,本文提出了一种融合小波变换和改进KFD的人脸识别的方法。该方法首先用小波变换降低样本的维数;然后在用KFD进行特征提取时,采用微粒群算法自动获取一个最优参数,增强分类效果;最后用SVM分类器完成特征的识别。实验表明,该方法与传统的KFD相比较,运算时间减少,而且识别率得到提高。     

提升KPCA方法特征抽取效率的算法设计

在PCA基础上发展出的KPCA方法能抽取样本的非线性特征分量。然而, 基于KPCA的特征抽取需计算所有训练样本与待抽取特征的样本间的核函数, 因此, 训练集的大小制约着特征抽取的效率。为了提高效率，假设特征空间中变换轴可由一部分训练样本(节点)线性表出，并设计了改进的KPCA算法(IKPCA)。该算法抽取某样本特征时，只需计算该样本与节点间的核函数即可。实验结果显示，IKPCA在对应较好性能的同时，具有明显的效率上的优势。     

基于Karhunen-Loeve变换的人脸识别研究

运用生物神经系统的神经信息处理方式开展对自动人脸识别的研究。采用主要成分分析技术-karhuen-Loeve变换,构造了一个能够将图像空间的人脸映射到人脸空间中,并实施识别的实验系统。分析了该系统的构成与特点,并给出了实验测试结果。     

不同规模数据集下的人脸识别方法

系统研究了类内变化和类数目增加所引起的人脸识别中的非线性识别问题,并比较了线性识别方法和非线性识别方法在不同用户集规模下的适用性．采用CAS-PEAL大型人脸数据库中的表情集（330人）和姿势集（1000人）进行了3组实验．实验结果表明：当训练集的人数在300人（表情集）以内时,增加类内的变化不会对线性识别方法造成影响,并可以提高识别的准确率;但是,当保持类内图片数不变而增加类的数目时,类数（人数）增加对线性方法和非线性方法产生了不同的影响．随着人数增加,线性识别方法的识别准确率逐渐降低,而基于核方法的非线性方法却能够一直保持识别准确率的稳定．因此,应该根据类的总数合理地选择识别方法,并合理地设计类内的图片数,这样有助于提高人脸识别系统的识别率．同时,实验也验证了基于核方法（kernel）的非线性人脸识别方法更适宜于人数规模较大的情况．     

基于独立成分分析的掌纹识别

本文研究了独立成分分析(ICA)两种不同的结构ICA I和ICAII在掌纹识别中的应用.为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣(ROI)区域进行特征提取和匹配.为了减少计算量,运用ICA算法之前,先采用主成分分析(PCA)算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离.对于PolyU掌纹图像库,基于ICA模型的预测误差平方和(SPE)小于PCA,而且重构的原始图像优于PCA.为了比较两种算法识别性能,本丈分别用PCA、ICA I、ICAII提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配.实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAII在性能上优于ICA I.     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

利用两类投影方法进行特征融合的人脸识别

提出了利用两类投影抽取特征、用并行策略融合特征进行人脸识别的新方法。先用一维的基于向量的投影抽取一组特征，再用基于二维的图像投影的方法抽取一组特征，用复向量将样本的两组特征向量组合在一起，在复向量空间分析主分量(CPCA)，抽取人脸图像的鉴别特征。在FERET人脸库上的实验结果表明，该方法的识别性能比用单个特征有10%左右的提高。