一种稀疏可控的主成分分析方法

主成分分析(Principal Component Analysis,PCA)是一种用线性变换选出少数重要变量(降维)的多元统计分析方法。虽然传统PCA被广泛应用于科学研究与工程领域中,但是其结果有时很难解释。因此,一些研究人员引入稀疏约束项(lasso、fused lasso以及adaptive lasso等),以得到可解释的结果。由于传统稀疏项的稀疏度不容易控制,为此引入一种新的约束项,即稀疏可控惩罚项(Sparse Controllable penalty,SCP),来控制主成分的稀疏程度。与传统的约束项相比,SCP具有长度不敏感、维度不敏感和约束项的取值范围在0到1之间的优点。这些优点极大地降低了调节稀疏度的难度。实验表明,稀疏可控主成分分析(Sparse Controllable Principal component Analysis,SCPCA)是高效的。     

聚类与PCA融合的特征提取方法研究

针对主成分分析（Principal Component Analysis,PCA）在克服变量多重相关性中的局限作用,提出了基于K-maxmin聚类的改进PCA特征提取方法,并结合RelieF算法去除分类不相关特征,可进一步提高算法效率和准确性。实验结果表明,该方法的特征提取效果优于传统的PCA方法。     

分块多线性主成分分析及其在人脸识别中的应用研究

主成分分析(Principal Component Analysis,PCA)是人脸识别中一个经典的算法,但PCA方法在特征提取时考虑的是图像的整体信息,并没有考虑图像的局部信息,而分块PCA(Modular Principal Component Analysis,Modular PCA)则可以有效地提取图像中重要的局部信息,所以在人脸识别实验中获得了比传统PCA更好的识别效果。但PCA和Modular PCA都要进行图像的矢量化,这会破坏原始数据的空间结构,也有可能会导致"维数灾难"。多线性主成分分析(Multilinear Principal Component Analysis,Multilinear PCA)作为PCA在高维数据上的扩展,直接使用矩阵或者高阶的张量来获得有效特征,既可以避免"维数灾难",又可以体现直接将张量数据作为处理对象时保留原始数据较好基本结构信息的优点。在研究Modular PCA和Multilinear PCA的基础上,提出了分块多线性主成分分析(Modular Multilinear Principal Component Analysis,M2PCA)算法,用于识别人脸。在Yale、XM2VTS和JAFFE人脸数据库上进行了人脸识别实验,结果表明,在同等的分块条件下,所提出的方法的识别效果要优于Modular PCA的方法。     

基于小波变换和对称主成分分析的人脸识别方法

提出一种将对称主成分分析(Symmetrical Principal Component Analysis)思想应用于人脸特征提取的算法.实验结果表明,该方法减少了计算量,提高了系统的识别率.     

针对恶意JavaScript识别的降维方法

针对将JavaScript代码N-gram处理后识别算法特征维度较高的问题,提出一种高效的降维方法。该方法利用TF-IDF-like模型分别计算特征在正常样本和恶意样本中的权重,基于特征权重在两类样本中的差异度进行降维。基于多个识别算法,将提出的降维方法与基于主成分分析（Principal Component Analysis,PCA）的降维方法进行比较,实验结果表明：当识别算法维度相同时,基于本文所给降维方法的识别算法在识别效果方面优于基于PCA的识别算法;当降维后识别算法的维度超过某个阈值时,随着识别算法维度的增长,本降维方法的时间开销增长速率远低于PCA方法。     

主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

基于导波能量特征PCA的结冰定量检测方法研究

为解决结冰探测中导波信号难以识别的问题,提出了基于导波能量特征主成分分析(Principal Component Analysis,PCA)的结冰定量检测方法,先后进行铝板结冰仿真实验和实测实验验证.仿真获得的结冰探测导波信号表明导波信号能量随结冰长度的增大而降低,利用PCA方法对导波信号的时域和时频域能量特征进行降维,验证了利用信号主成分综合得分测量结冰长度的可行性.并采用上述方法进行实测实验,实验结果表明主成分综合得分与结冰长度具有良好的线性关系,对预制结冰区域的检测结果表明该方法的检测精度较高,检测误差小于传统的能量法,并且对小尺寸结冰有较强的探测能力.     

基于LSVM算法的人脸识别方法研究

对于人脸识别的关键技术进行了深入研究.提出了一种PCA(Principal Component Analysis)和LSVM(Lagrangian Support Vector Machine)相结合的人脸识别方法.首先使用PCA算法对人脸图像进行特征提取和降维处理,然后设计了一种比传统SVM更易于实现而且效率更高的LSVM算法分类器,最后针对ORL人脸图像库的识别结果表明,该方法的识别率比自联想神经网络高.     

基于PCA和HMM-支持向量机的故障诊断方法设计

为了提高复杂系统运行的有效性和可行性,避免系统发生故障时造成巨大的财产损失甚至灾难性的后果,提出了一种基于PCA(Principal Component Analysis,PCA)和HMM(Hidden Markov model,HMM)-支持向量机的故障诊断方法;首先获取故障征兆特征向量,然后采用PCA主成分分析法对特征向量进行降维以减少样本数据的复杂性,将降维后的训练样本数据输入HMM模型和支持向量机模型进行训练得到最终的HMM-支持向量机混合模型,最后将降维后的测试样本数据输入最终的HMM-支持向量机混合模型进行故障诊断;在Matlab仿真环境下进行故障诊断实验,结果证明文中故障诊断精度高达98.9%,与其它方法相比,不仅具有较少的诊断时间而且具有较高的诊断精度,具有很强的可行性。     

基于PCA的决策树算法在心脏病诊断中的应用

主成分分析（Principal Component Analysis,PCA）可以处理大量过程参数间的关系与变化,排除次要因素,提取主要因素。文章将主成分分析和决策树C4.5算法相结合,提出一种心脏病诊断预测的新方法,该方法采用PCA方法对影响心脏病诊断的众多变量进行降维处理,减少了预测模型的输入量,消除输入数据间的相关性,用C4.5算法建立心脏病诊断的预测模型。经实验证明有效的提高了C4.5算法的分类正确率,提高了心脏病诊断的正确率。     

模糊支持向量机在人脸识别中的应用

针对人脸图像特征提取领域应用主成分分析和二维主成分分析方法,使用二维特征值求解相关样本隶属度,并利用相关特征值方法进行分类。该方法结合二维特征值,在特征提取时进行人脸图像重构,具有快速稳定和局部特征清晰的优点。通过引入矩阵内积与二维主成分分析特征分类结果进行比较,实验结果表明,在ORL和Yale数据库中利用该方法进行识别分类取得了很好的效果。     

基于图片特征空间的信息压缩研究

提出了一种基于2DPCA和PCA的信息压缩方法,从而实现两种特征提取方法的优势互补.仿真实验结果表明,该方法不仅提取和保留了有效信息,减少了信息的存储空间,又极大地减小了计算量,有很好的特征提取性能.     

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。     

一种双向压缩的二维特征抽取算法及其应用

针对二维主分量分析（2DPCA）在最优投影轴上的投影是一个向量,其抽取出的图像特征是一个矩阵,特征数据量大,不便于直接分类的弱点,提出了一种特征抽取新方法。首先用2DPCA作一次横向压缩,对抽取出的特征矩阵再作一次2DPCA进行纵向压缩。这样抽取出的特征数量大大减少,可加快分类速度。ORL人脸库的试验结果表明了该方法的有效性。     

基于Lp范数的2DPCA的人脸识别方法

主成分分析（PCA）是降维的一种经典方法。二维主成分分析（2DPCA）在特征抽取之前不需要将图像矩阵转化为向量形式,所以能快速地提取特征。但是基于L2范数的PCA和2DPCA在遇到异常值时的表现不稳定而且得到的向量通常不是稀疏的。提出了一种基于L1范数的且受Lp范数约束的2DPCA方法（2DPCA-Lp）。当参数p接近1时,它可以得到稀疏的解。该方法既具有2DPCA的快速方便性,又是泛化的并且对异常值较不敏感。同时也证明该方法可以取得一个局部最大化的解。通过在ORL和UMIST人脸库上的实验表明了该方法的有效性。     

GLRAM Plus DialPCA图像识别方法

针对高维数据的特征提取问题,将广义低秩矩阵近似(GLRAM)与对角主成分分析(DialPCA)相结合,提出一种新的特征提取方法GLRAM Plus DialPCA用于进行图像识别。通过广义低秩矩阵对原始图像进行近似,再做对角化变化,采用二维主成分分析(2DPCA)提取数据行列之间的相关性特征,并利用最近邻分类器计算图像识别率。基于FERET和ORL人脸数据库的实验结果表明,与单一的GLRAM或2DPCA相比,GLRAM Plus DialPCA在姿态、光照和表情变化的情况下识别率更高,特征提取速度更快。     

基于2DPCA和支持向量机的人脸检测研究

提出一种基于二维主分量(2DPCA)分析和支持向量机的层叠人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先采用2DPCA分析方法滤去大量非人脸窗口,之后用支持向量机对通过的窗口进行检测。由于在通过2DPCA分析方法的子空间内训练SVM,降低了分类器的训练难度。并且和传统的PCA方法相比,2DPCA直接采用二维图像矩阵表示人脸,进行特征提取,提高了计算效率。实验对比数据表明该算法大大提高了检测速度,降低了虚警率。     

双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大.二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征教量仍然较大,影响分类速度.针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度.     

融合2DPCA和模糊2DLDA的人脸识别

结合模糊集理论、双向二维主成分-线性鉴别分析((2D)2PCALDA)的特点,提出一种新的人脸图像特征提取方法。算法首先对人脸图像进行二维主成分分析(2DPCA)处理,再用模糊K近邻算法计算图像的隶属度矩阵,并将其融入到2DLDA过程中,从而得到模糊类间散射矩阵和模糊类内散射矩阵。与(2D2PCALDA相比,该算法充分利用了(2D)2PCALDA的优点,有效地提取了行和列的识别信息,并充分考虑了样本的分布信息。在Yale和FERET人脸数据库上的实验结果表明,该方法识别效果优于(2D)2PCALDA、双向二维主成分分析((2D)2PCA)等方法。     

基于改进二维主成分分析及神经网络的人耳识别方法

针对人耳识别特征提取阶段二维主成分分析算法(2DPCA)所提取的人耳特征维数较大,从而造成实时性差、数据存储空间不足等问题提出了一种改进方法。该方法首先对人耳图片进行预处理,然后采用改进的两级2DPCA算法,进一步压缩提取的人耳特征维数,最后采用BP神经网络进行分类识别。实验表明,将改进的两级2DPCA算法同BP神经网络相结合,具有较好的实时性,同时节约了特征数据的存储空间,并保持了较好的识别率。