一种基于KPCA-LSSVM的可用带宽在线预测算法

针对目前端到端可用带宽预测方面研究工作较少的现状,提出一种基于核主成分分析KPCA(Kernel Principle Component Analysis)和最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)的可用带宽在线预测算法ABOP。在采集网络状态样本数据并对其进行相空间重构的基础上,采用KPCA对数据进行降维降噪处理,最后基于LSSVM对可用带宽进行在线预测。为减小计算开销,提出一种递推计算的方法加快模型更新速度,并采用粒子群优化算法对模型参数进行多步更新,确保了在线预测的时效性。仿真表明,提出的ABOP算法具有较高的预测精度和较快的预测速度,能够满足可用带宽在线预测的要求。     

基于KPCA和SVM的火箭发动机试验台故障诊断方法

为了解决液体火箭发动机试验台的故障诊断问题,提出了一种基于核主元分析(KPCA)特征提取和支持向量多分类机(SVM)的故障诊断方法,该方法首先利用核主元分析对试验台标准故障样本进行特征提取,通过特征分析,建立适合于试验台故障状态识别的层次多分类支持向量机,并对其进行训练,然后将试验数据在主元上投影,输入到训练好的支持向量多分类器,对试验台故障状态进行识别.该方法充分利用了核主元分析强大的非线性特征提取能力和支持向量分类机良好的小样本泛化特性,解决了试验台故障诊断中的小样本、非线性模式识别问题.对试验台的试验结果表明,该方法是有效的、可行的.     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO—IKPCA和SVM的雷达目标HRRP特征提取与识别方法。讨论了HRRP预处理、迭代KPCA算法和SKO／FKO技术的实现方法,将SKO／FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验。结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能。     

一种融合 KPCA 和 BP 神经网络的用水总量预测方法

针对影响用水总量的相关用水因子的不确定性和非线性多维特点,论文研究并提出了一种融合KPCA和思维优化BP神经网络的用水总量预测方法。首先运用相关系数法确定预测因子,然后利用核主成分分析（KPCA）对所述预测因子进行降维处理,解决数据之间的非线性特征,最后采用BP神经网络建立用水总量预测模型,同时采用思维进化学习算法优化BP神经网络的权值和阈值。该方法在国家统计局的2007-2016年度开放统计用水数据中实验,通过实验比较,该模型的相对预测误差小于5%,结果表明,融合 KPCA和思维优化BP神经网络的用水总量预测模型能很好的预测未来用水总量。     

基于神经网络的快速核子空间人脸识别算法研究

针对现有核子空间人脸识别算法计算量大且速度缓慢的现状,提出了一种基于神经网络的快速核子空间人脸识别算法模型,利用神经网络的隐含层神经元将核特征子空间的基表示进行约减,从而大幅提高了识别速度。进而基于KPCA和KFDA两种核子空间人脸识别算法,建立了神经网络逼近模型,并基于ORL、UMIST和YALE 3种人脸数据库进行了实证分析。实验结果表明,当隐含层神经元个数设置为训练样本总数一半或更少时,基于神经网络的快速核子空间算法能够取得相近甚至相当于核子空间算法的识别率。从而在满足一定识别正确率的条件下,能将识别时间缩短到50%甚至更低。     

基于非线性降维算法的膜蛋白类型识别

众所周知,研究未知膜蛋白的类型可对基础研究和药物发现提供有用的线索。在后基因组时代,伴随着蛋白质序列数量的剧增,用实验方法确定膜蛋白类型太过昂贵和费时。因此,研究出一种能够自动发现可能的膜蛋白的计算方法变得很重要。鉴于这种情况,曾有人采用DC(Dipeptide Composition)方法表示蛋白质序列并取得了很好的预测结果。然而,采用这种表示方法得到的特征维数很高,冗余很大,使得预测系统十分复杂。为了解决这个问题,本文采用非线性降维算法KPCA(Kernel Principle component analysis),通过从高维的DC(Dipeptide Composition)特征空间中提取出低维的重要特征来简化该系统,采用K-NN(K-nearest neighbor)分类器从约简后的低维特征中预测膜蛋白类型。实验结果表明,使用KPCA方法预测膜蛋白类型非常有效。     

一种解决大规模数据集问题的核主成分分析算法

提出一种大规模数据集求解核主成分的计算方法.首先使用Gram矩阵生成一个Gram-power矩阵,根据线性代数的理论可知,新形成的矩阵和原先的Gram矩阵具有相同的特征向量.因此,可以把Gram矩阵的每一列看成核空间迭代算法的输入样本,这样,无须使用特征分解即可迭代地计算出核主成分.该算法的空间复杂度只有O(m);在大规模数据集的情况下,时间复杂度也降低为O(pkm).实验结果表明了所提出算法的有效性.更为重要的是,在大规模数据集的情况下,当传统的特征分解技术无法使用时,该方法仍然可以提取非线性特征.     

低对比度下水印图像缺陷检测

在主成分分析(PCA)及核主成分分析(KPCA)进行特征提取基本原理的基础上,提出了一种改进的提取非线性的图像特征来重建图像方法,应用于嵌入式防伪水印图案缺陷的检测。该方法使得图像协方差矩阵维数大幅下降,且有效地保留了嵌入式防伪水印图案的信息,通过比较检测出图像的缺陷。实验结果表明,该方法对输入数据实现了有效的降维,缩短了计算时间,提高了检测效果和精确度。KPCA算法相比原有的PCA算法具有更高的性能指标,适用范围更广。     

基于KPCA和FMSD的人脸识别

针对核最大散度差(KMSD)方法在人脸识别中存在边缘类和次优性问题,提出一种基于核主成分分析(KPCA)与模糊最大散度差(FMSD)的人脸识别方法(KFMSD)。利用KPCA方法提取人脸的非线性结构特征,选取投影后类间散度大于类内散度的特征向量作为最优投影轴,采用FMSD方法,根据隶属度函数将样本的原始分布信息完全融入人脸的特征提取中,采用最近邻分类器进行分类识别。在ORL和YALE人脸库上的实验证明了KFMSD方法的有效性。     

基于分布式集成学习的入侵检测模型

针对入侵检测系统的高漏报率及高误报率问题,提出一种混杂入侵检测模型。该模型分别构造基于核主成分分析(KPCA)和核独立成分分析(KICA)的特征提取器,并采用集成学习对特征提取结果进行整合学习。采用分布式神经网络对集成结果进行再学习,从而实现对大规模数据的分布式处理。通过反馈机制调节KPCA和KICA的集成学习权重,达到最优检测效果。采用KDD CUP’99数据集进行测试实验,结果表明：该模型能够获得较高的检测正确率,同时具有较低的漏报率及误报率。