基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法（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。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析（MKPCA）的方法进行人脸识别,取得了很好的效果。     

基于KPCA子空间虚假邻点判别的非线性建模的变量选择

特征变量选择技术是非线性系统建模过程中降低信息冗余和提高精度的有效方法。提出一种结合核主成分分析法(Kernel principal components analysis,KPCA)与虚假最近邻点法(False nearest neighbor,FNN)的变量选择法。引入核方法,将非线性原始数据映射到线性空间,再采用主成分分析法有效合理地消除因子之间的多重共线性,受混沌相空间虚假最近邻点法的启示,通过计算原始数据在KPCA子空间中投影的距离,判断其对主导变量的解释能力,由此进行变量的选择该方法用氢氰酸生产工艺工程中的非线性模型验证,并与全参数模型进行比较,结果显示该方法有良好的变量选择能力。因此,该研究为非线性系统建模的变量选择方法提供一种新方法。     

基于KPCA和CPSO的故障检测方法

提出一种基于核主元分析(KPCA)和混沌粒子优化群(CPSO)算法的非线性故障检测方法。通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间来计算主元,构造平方预测误差统计量检测故障是否发生。为避免粒子群算法的早熟现象,利用混沌优化的搜索特性,将CPSO算法应用到KPCA核参数的优化中。变压器故障检测结果表明,与基于PCA、KPCA和 PSO-KPCA的故障检测方法相比,该方法的检测正确率较高。     

基于KPCA和改进极限学习机的煤与瓦斯突出危险性判识

为实现煤与瓦斯突出危险性的准确、快速地动态预测,提出构建基于KPCA-BA-ELM的突出危险性耦合预测模型。根据煤与瓦斯突出综合作用机理,确定突出各影响因素参数;利用核主成分分析(KPCA)对样本数据进行预处理,提取出主成分序列;利用蝙蝠算法(BA)优化极限学习机(ELM)模型,并与BA-ELM、ELM、SVM和BP等模型共同进行突出危险性预测,验证模型的优越性。结果表明：基于KPCA-BA-ELM突出危险性预测模型平均绝对误差为4.560,平均相对误差为3.478%,运行时间为1.286s,较其他模型具有精准的判识度和较高的泛化能力;能充分挖掘突出时空演变的内部隐含规律,有效诠释突出危险性与其影响因素间的非线性关系。     

基于相似度的核主元分析方法及其应用研究

常规核主元分析(KPCA)方法在对大样本数据分析建模时,存在运算复杂度高、建模时间长以及所需存储空间大等缺点.为此,提出一种基于相似度函数的快速核主元分析(SF-KPCA)方法.建立大样本数据间的相似度函数矩阵,分析数据样本间的相似程度,剔除冗余数据,再利用优化数据样本建立核主元分析模型,对数据样本进行分析.将SF-K...     

代价敏感的KPCA-Stacking不均衡数据分类算法

代价敏感学习是解决不均衡数据分类问题的一个重要策略,数据特征的非线性也给分类带来一定困难,针对此问题,结合代价敏感学习思想与核主成分分析KPCA提出一种代价敏感的Stacking集成算法KPCA-Stacking。首先对原始数据集采用自适应综合采样方法(ADASYN)进行过采样并进行KPCA降维处理;其次将KNN、LDA、SVM、RF按照贝叶斯风险最小化原理转化为代价敏感算法作为Stacking集成学习框架的初级学习器,逻辑回归作为元学习器。在5个公共数据集上对比J48决策树等10种算法,结果表明代价敏感的KPCA-Stacking算法在少数类识别率上有一定提升,比单个模型的整体分类性能更优。     

基于KPCA频谱特征提取的球磨机负荷建模方法

球磨机是工业领域中广泛应用的大型旋转设备,由于球磨机运行机理和动态响应特性复杂,运行状态参数的预报存在巨大困难.为解决磨机负荷参数预报的问题,对球磨机外部振动信号进行分析,采用核主元分析KPCA的方法对球磨机振动频谱进行特征提取,然后基于特征提取结果建立磨机负荷参数ELM预报模型,实现对球磨机参数负荷磨矿浓度、料球比和填充率的预报.实验结果表明:预报模型具有较高的准确性,更优于传统ELM模型.     

基于KPCA的HVAC系统传感器故障诊断

传感器状态的好坏很大程度上影响暖通空调(HVAC)系统的运行,对其展开故障诊断十分必要。核主成分分析(KPCA)方法通过集成算子与非线性核函数计算高维特性空间的主元成分,有效捕捉过程变量中的非线性关系,将其用于传感器常见4种故障的诊断,先用Q统计量进行故障监测,再用T2贡献量百分比变化来识别故障。实验结果表明:KPCA方法具有很好的故障监测与诊断能力。     

基于支持向量机和核主成分分析的车牌字符识别

给出了一种结合核主成分分析(KPCA)和支持向量机(SVM)进行车牌字符识别的新方法.该算法通过KPCA进行字符的特征提取,并利用SVM分类器完成字符的识别.实验证明,KPCA在高维空间具有较强的特征选择能力,SVM的识别率也明显高于BP神经网络.     

应用小指数多项式的KPCA+零空间人脸识别

利用小指数多项式核主分量分析(KPCA)提取人脸样本的非线性特征，提高对光照、姿态及面部表情变化的鲁棒性，构造训练样本的类内散布矩阵零空间，在此零空间内找到令类间离散度最大的投影方向，往此方向投影得到人脸样本的最优分类特征矢量。实验结果表明；该方法的识别率和对光照、姿态及面部表情变化的鲁棒性比Fisher脸方法有显著提高。