监督式正交迹比判别投影在图像集人脸识别中的应用

研究、分析了人脸识别中提取原始数据特征的已有方法,在此基础上给出了一种应用监督式正交迹比判别投影(SOTRDP)的新型特征提取方法,即SOTRDP方法。不同于现有的非监督判别投影(UDP)方法,SOTRDP方法能够同时利用局部信息和类别信息建立相似性矩阵。在利用改进局部切空间对齐(ILTSA)非线性降维的基础上,利用聚类中心或最靠近它的样本作为输入,拓展SOTRDP用于图像集人脸识别。在PIE 和Honda/UCSD人脸数据库上的实验结果验证了所提方法的有效性。     

基于极小准则的完备正交判别局部保持算法

以无监督判别投影算法为理论基础,提出了一种基于极小准则的完备正交判别局部保持投影算法.算法首先根据同类样本的空间信息重新定义了类内局部保持散度矩阵与类问局部保持散度矩阵,然后借鉴无监督判别投影算法的目标函数,推导出一个基于极小准则的目标函数,该目标函数通过投影到总体散度矩阵的非零空间中有效地解决小样本问题,最后给出了该...     

基于伪标签半监督核局部Fisher判别分析轴承故障诊断

针对轴承故障诊断应用中多特征融合导致的维度高、相关性强、信息冗余等问题,提出一种基于伪标签半监督核局部Fisher判别分析(Semi-supervised Kernel Local Fisher Discriminant Analysis, SS-KLFDA)轴承故障诊断方法。为了能利用大量无标签样本提高算法判别性能,该方法首先采用密度峰值聚类算法对样本进行聚类分析得到伪标签,然后通过增加规范化项到局部FDA算法的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性,最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量;为了能适应非线性数据降维,进一步给出了基于核的伪标签半监督局部Fisher判别算法。试验部分通过同其他流行降维算法在不同维度、不同特征集合以及不同分类算法条件下进行轴承故障诊断性能对比,结果表明基于伪标签半监督核局部Fisher判别分析方法的分类精度明显优于其他降维算法,投影后的系数向量具有更好的区分能力,使故障诊断性能得到了很大提升。     

基于直觉模糊散度的自适应非局部均值去噪算法

针对传统的非局部均值(NLM)算法在图像去噪时会出现边缘会模糊的问题,提出了一种基于直觉模糊散度的自适应非局部均值(IFD-NLM)去噪算法.该算法利用图像块之间的直觉模糊散度度量非局部图像块的相似性,修正NLM算法的相似性权重,降低不相似图像块之间的干扰,提高了NLM算法相似性权重的准确性.此外,根据图像块内容和直觉模糊散度特征图像,设定相关阈值,自适应地选择滤波参数.实验结果表明,所提算法相对于传统NLM算法能更有效地去除噪声,同时可以保留更多的纹理细节特征和几何结构特征,图像细节信息更为丰富.     

人脸识别的一种新的特征提取方法

针对人脸识别中判别特征的提取问题,本文提出了一种新的人脸识别算法—扩展保局投影（ELPP）。普通保局投影（LPP）在构建权图时侧重保持样本的局部结构,属于无监督学习算法。扩展保局投影在保局投影的基础上进行扩展,通过引入可调因子,在保持人脸图像局部流形结构的同时考虑样本的类别信息,从而充分提取样本的判别特征。本文采用最小近邻分类器估算识别率。在Yale人脸库以及AT＆T人脸库的测试结果表明,在姿态、光照、表情、训练样本数目变化的情况下,ELPP都具有较好的识别率。     

一种基于GDLPP的人脸识别算法

针对人脸识别中的特征提取问题,本文提出了一种结合Gabor小波特征和判别保局投影的人脸识别算法-GDLPP.该算法首先对人脸图像进行多分辨率的Gabor小波变换,提取样本的高阶统计信息;然后更改保局投影(LPP)的目标函数,增加样本类间散布约束,从而提取更具判别性的特征.本文采用最小近邻分类器估算识别率.在USPS数据库、Yale人脸库以及AR人脸库的测试结果表明,在姿态、光照、表情、训练样本数目变化的情况下,GDLPP都具有较好的识别率.     

基于回归函数的多角度人脸识别算法研究

研究了基于回归函数的人脸识别算法,该算法有望引进到声学信号处理当中。人脸识别问题是人脸相关的计算机视觉研究的关键问题。传统的人脸识别研究主要针对正面人脸,研究的应用范围比较有限。在实际应用中,由于光照、姿势、表情、遮挡、分辨率等问题,使得传统方法在处理非正面人脸的时候具有很大的困难,这种情况对人脸识别算法有了更高的要求。针对图像中人脸角度在±45°的人脸识别问题,利用基于Haar特征的非线性Boosting回归算法,根据标定点邻域内的局部纹理预测标定点的位移,提出了一种新的基于经典活动形状模型(Active Shape Model,ASM)的实时多角度人脸识别算法。在对实测数据的测试实验表明,该算法的识别率高于经典的ASM算法并有显著提高。     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法。首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障特征;最后,运用人工蜂群优化支持向量机(ABC-SVM)多故障分类器进行诊断识别。将SSO-VMD与经验模态分解进行对比,仿真信号分析结果验证SSO-VMD的优越性。将所提故障诊断方法应用于行星齿轮箱故障诊断实验分析中,结果表明:多域特征提取效果优于时域、频域和尺度域等单域特征提取效果;ISSL-Isomap降维效果优于等度规映射,t-分布邻域嵌入,线性判别分析,加权等度规映射和监督等度规映射等算法;所提方法故障识别率达到100%,能够有效识别出行星齿轮箱各工况类型。     

转子故障数据集降维的CKLPMDP算法研究

针对传统的数据降维方法难以兼顾局部流形结构和多流形判别结构学习的问题,提出一种相关熵测度核局部保持多流形判别投影算法(correntropy kernel locality preserving multi-manifold discriminant projection, CKLPMDP)的转子故障数据集降维方法。该方法的显著特点是采用相关熵测度监督近邻图的构建,首先将数据集映射到高维核空间,然后在核空间中综合考虑数据集的局部流形结构和多流形判别结构信息,提取出最优表征故障数据集的低维敏感特征矢量,采用三维图直观地显示出低维分类效果,并以低维敏感特征矢量输入K近邻分类器(K-nearest neighbor, KNN)中的辨识率和聚类分析中类间距S_b、类内距S_w作为衡量降维效果的指标。通过双跨转子实验台的振动信号数据集进行验证,与其他几种典型特征提取方法对比,该方法能更有效地提取出局部流形和多流形判别信息,在转子故障辨识中表现出更好的分类性能。     

LabVIEW中UDP协议的六维力传感器数据读取方法

以LabVIEW(Laboratory Virtual Instrumentation Engineering Workbench)为平台,对美国ATI(Automation Industrial)公司的Nano17六维力传感器基于UDP(User Datagram Protocol)协议的数据读取方法进行了研究.利用LabVIEW提供的UDP的打开、发送、读取等函数,在编程时给相应函数设置好所需通讯六维力传感器信号调理盒的IP地址和端口地址,即可通过发送相应指令控制传感器的数据输出速率、数量及格式,从而实现基于UDP协议的六维力传感器的数据读取.实验证明,相对于以往的串口通信方法,采用UDP方法采集数据更加高效便捷.