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。     

计及多阶段抗灾性能的骨干网架多目标优化

构建抗灾型骨干网架并对其进行差异化加固,可以保障极端灾害下电网安全运行和重要负荷供电。在此背景下,提出一种计及多阶段抗灾性能的骨干网架多目标优化模型。该模型定量评估了电网中节点和线路的拓扑和运行重要度,并提出基于核主元分析的综合评估方法。在满足投资限制的基础上,以最大化网架生存性、抗毁性和系统可恢复性为目标对抗灾型骨干网架进行优化。然后,采用嵌入图论修复策略和档案学习策略的改进全面学习粒子群优化算法求解优化模型,以扩大可行解空间。最后,某区域电网仿真算例验证了该模型的有效性。     

基于自适应核主元分析的航空发动机异常监测

针对航空发动机工作参数时变特性导致虚警率高的问题,采用自适应策略改进核主元分析模型进行异常监测。给出核主元分析异常监测框架,先用标准化的正常数据离线建模,后对实时数据计算统计量进行在线监测;为适应监测数据的时变特性,采用移动窗口自适应模型改进框架,利用实时采集的正常数据不断更新模型和监测数据。以航空发动机异常监测仿真实验进行验证。仿真结果表明：该方法能有效适应工作参数的变化,具有较高的故障检测率和较低的虚警率。     

考虑能耗的多传感器融合加工表面粗糙度预测方法

目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗糙度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vector machine,SVM)的表面粗糙度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111μm,预测时间为9.24 s。与单传感器预测方法及多传感器联合特征预测方法相比,多传感器融合预测方法具有最高的准确率且预测速度快。结论多传感器采集的信息更全面、准确,保证了预测的准确性,对特征进行融合可进一步提高预测精度。     

基于核主元分析和Fisher线性判别的掌纹识别

提出了基于核主元分析(KPCA)和FLD相结合的掌纹识别方法.对每幅掌纹图像应用KPCA进行降维,然后将二维图像矩阵转换成一维图像矢量.PolyU掌纹图像库中所有图像矢量组成的数据矩阵作为FLD的输入,进行特征提取,计算特征矢量间的余弦距离进行掌纹匹配.实验结果说明,与传统的PCA+FLD相比,在不同的特征个数下,本文方法均取得了较小的等错率(EER),而且特征提取时间较短,运行速度较快.在三种不同的核函数中,RBF核函数的识别效果最佳,等错率最小为0.     

基于C-SVM和KPCA的垃圾邮件检测研究

现有的垃圾邮件检测算法存在小样本情况下泛化能力差的问题。提出了利用核主成分分析和支持向量机结合进行垃圾邮件检测的方法。与传统算法相比,该方法与邮件异构有很高的检测率、更强的泛化能力和更高的检测效率。实验证明了方法的实用性和高效性。     

利用核局部保持映射分析到达时间定位问题

为降低测距误差对定位精度的影响,提出了一种基于核局部保持映射(KLPP)的定位算法。该算法以节点间的传输时间向量为输入,借助能够体现网络拓扑结构局部信息的核局部保持映射进行建模。仿真结果表明:基于KLPP的定位算法与传统基于核函数主成分分析(KPCA)的定位算法相比,在解决TOA定位问题时具有较高的定位精度,在复杂环境下能更有效地降低测量误差对TOA定位精度的影响。     

井间电磁油气储层监测技术的发展和应用

井间电磁探测方法（Cross-hole Electromagnetic Method,CHEM）是近20年发展起来的一项新的储层监测和评价技术,它可以提供井间储层电阻率分布信息,进而实现流体空间分布的描述。该技术可用于识别由于储层非均质性等造成的死油区、监测储层的宏观波及系数、优化设计加密井位和提升油藏数值模拟的有效性。通过对近年国际学术会议及相关学术期刊关于井间电磁探测技术文献的追踪分析,介绍了井间电磁探测技术的基本原理、响应数值模拟、采集设计与处理解释技术和目前在油气储层监测中的应用状况及存在的问题,指出了井间电磁探测技术未来的发展与研究方向,以供国内电磁勘探业界及相关研究人员参考。     

核参数判别选择方法在核主元分析中的应用

针对核主元分析(KPCA)中高斯核参数β的经验选取问题,提出了核主元分析的核参数判别选择方法。依据训练样本的类标签计算类内、类间核窗宽,在以上核窗宽中经判别选择方法确定核参数。根据判别选择核参数所确定的核矩阵,能够准确描述训练空间的结构特征。用主成分分析(PCA)对特征空间进行分解,提取主成分以实现降维和特征提取。判别核窗宽方法在分类密集区域选择较小窗宽,在分类稀疏区域选择较大窗宽。将判别核主成分分析(Dis-KPCA)应用到数据模拟实例和田纳西过程(TEP),通过与KPCA、PCA方法比较,实验结果表明,Dis-KPCA方法有效地对样本数据降维且将三个类别数据100%分开,因此,所提方法的降维精度更高。     

基于动态参数的函数空间学习最优核映射

核函数方法可挖掘出高精度快速印刷品图像间的非线性分布规律,而挖掘能力由所选择的核函数及其参数来决定。这两者的学习与选择同样是核函数理论继续发展与实际应用需要迫切解决的问题。针对印刷品智能检测这一特定背景,提出了一种新的基于优化问题的从具有动态参数的函数空间中学习核函数及参数的方法,以此来使核函数方法达到最优性能。与传统的计算方法不同之处在于其核函数空间中的核参数是连续变化的,这使学习的范围得到一个维度上的扩展。实验结果显示,结合理论分析的迭代算法仅需要10次迭代便可得到统计最优的核函数及参数,利用学习到的核函数计算的复原误差是统计最小的。