多元时间序列特征降维方法研究

针对常见的降维方法难以有效地保留多元时间序列主要特征的问题,分析了传统PCA方法在多元时间序列降维中的局限性;提出一种基于共同主成分分析的线性降维方法;把共同主成分与核技巧相结合,通过数学推导,将其拓展为基于共同核主成分分析的非线性降维方法;最后分析两种方法的降维有效性.与传统PCA方法相比,基于共同核主成分分析的降维方法可以表达变量间的非线性关系、能够选取合适的核函数和形状参数,因此降维手段更为灵活、对数据的适应性更强.实验结果表明,本文提出的降维方法能够更有效地对多元时间序列进行降维.     

基于主成分分析的时间序列Shapelet提取方法

Shapelet序列分析为时间序列分类提供了一种快速分类的方法,但Shapelet序列抽取速度很慢,限制了它的应用范围。为了加快 Shapelet 序列的提取,提出了一种基于主成分分析的改进方法。首先运用主成分分析法（PCA）对时间序列数据集进行降维,采用降维后的数据表示原数据,然后对降维后的数据提取出最能代表类特征的Shapelet序列。实验结果表明：本方法在保证分类准确率的前提下,提高了运算速度。     

基于变量相关性的多元时间序列特征表示

针对高维特性对多元时间序列数据挖掘过程和结果的影响,以及传统主成分分析方法在多元时间序列数据特征表示上的局限性,提出一种基于变量相关性的多元时间序列数据特征表示方法。通过协方差矩阵描述每个多元时间序列的分布特征和变量相关关系,利用主成分分析方法对综合协方差矩阵进行主元分析,进而实现多元时间序列的数据降维和特征表示。实验结果表明,所提出的方法不仅能提高多元时间序列数据挖掘的质量,还可以对不等长多元时间序列进行快速有效的挖掘。     

基于小波变换和2DPCA的人脸识别方法

主成分分析(Principal Component Analysis,PCA)方法是模式识别技术中经典的特征提取和降维技术之一。在传统的PCA基础上,提出了二维主成分分析(Two-Dimensional Principal Component Analysis,2DPCA)方法。针对二维主成分分析在特征提取和数据降维上存在的缺点,提出一种综合的方法—在小波变换的基础上,对人脸数据库进行二维主成分分析。实验结果表明,该方法不仅实现了降维,而且能取得比传统主成分分析和二维主成分分析更好的识别性能。     

基于核函数的PCA在QAR数据分析中的应用

分析了传统的主成分分析方法的不足,论述了KPCA方法及其时间复杂度高的缺陷。在此基础上,提出基于核函数构造的协方差矩阵的主成分分析,相比 KPCA,该方法具有快的降维速度。实验结果显示：把该方法用于QAR数据具有良好的降维效果和高分类正确率。     

一个高效的多变量时间序列聚类算法

时间序列聚类分析是数据挖掘研究的一个重要内容。已有的聚类算法大多采用k均值对低维数据进行聚类,不能对高维多变量时间序列（MTS）数据进行有效聚类。提出一种高效的多变量时间序列聚类算法PCA-CLUSTER,首先利用主成分分析对MTS数据降维;选取MTS数据的主成分序列进行K近邻聚类分析。理论分析和实验结果表明算法可以有效解决MTS数据聚类问题。     

基于步态能量图像和2维主成分分析的步态识别方法

为了快速有效地进行步态识别,针对步态能量图像能够表征步态信息和2维主成分分析能快速降维的特点,提出了一种基于步态能量图像和2维主成分分析的步态识别方法.该方法首先应用背景减除法分割出人体轮廓;然后通过人体宽高比的相关信号确定运动周期,再对二值周期序列进行步态能量图像(GEI)合成;最后运用行列相结合的2维主成分分析((2D)~2PCA)方法与加权的2维主成分分析(W(2D)~2PCA)方法提取特征主向量,并采用最近邻分类器进行分类.实验结果表明,该步态识别方法可以有效降低前期处理对分类识别的影响,而且对于3种不同行走状态的CASIA数据库巾多个视角下拍摄的步态图像可取得很好的识别效果.     

基于关键形态特征的多元时间序列降维方法

针对传统主成分分析及相关方法对多元时间序列特征表示的局限性,以及降维效果对数据相似性度量质量的影响,从数据形态特征的角度出发,提出一种关键形态特征的多元时间序列降维方法.利用动态时间弯曲方法找出训练集每个类别的中心多元时间序列,根据形态特征找出每个中心多元时间序列的关键特征变量分量的重要度,使用重要度提取若干个关键特征变量分量,达到数据降维的目的.实验结果表明,与传统方法相比,所提方法能够有效地根据形态特征对多元时间序列进行降维,并且能够取得更好的分类效果.     

含噪声的海量多元时间序列降维方法研究

多元时间序列具有高噪声、非线性和海量的特点,但传统基于距离的降维方法难以有效的应对噪声带来的子空间偏移和数据的爆炸式增长。在基于角度优化的全局嵌入算法和共同核主成分分析方法的基础上,提出了一种基于角度优化的共同核主成分分析方法,并将该方法依托Hadoop平台进行了并行化改进,有效解决了噪音带来的子空间偏移和海量数据带来的巨大运算量问题。通过实验,对算法的有效性、运行效率及伸缩性进行了验证,结果表明提出的方法可以有效地对含有噪声的多元时间序列进行降维;基于Hadoop平台并行后的方法具有良好的运行效率和伸缩性。     

基于分块双向二维主成分分析的步态识别

提出了一种基于步态能量图和分块双向二维主成分分析进行步态特征的算法。首先对图像序列预处理提取运动轮廓,通过分析区域分布直方图检测出运动周期,生成步态能量图描述步态的空间和时间特性,继而使用分块双向二维主成分提取步态特征用以分类,最后在USF步态数据库上测试,并与其它几个算法进行比较。实验结果显示,该方法有更高的识别率和更低的计算复杂度。     

多元时间序列模式匹配方法研究

针对多元时间序列模式匹配的方法难以高效、准确地刻画序列相似程度的问题,在考虑变量的量纲和特征差异的基础上,对多元时间序列进行多维分段拟合;然后,选取各个变量维度上拟合线段的倾斜角和时间跨度作为模式的描述方式,提出一种基于动态时间弯曲(DTW)的多元时间序列趋势距离匹配方法.实验结果表明,所提出的模式匹配方法对由连续型变量组成、时间跨度较大且体现一个连续、完整动作过程的多元时间序列,具有较好的匹配效果.     

基于互信息的主成分分析特征选择算法

主成分分析是一种常用的特征选择算法,经典方法是计算各个特征之间的相关,但是相关无法评估变量间的非线性关系.互信息可用于衡量两个变量间相互依赖的强弱程度,且不局限于线性相关,鉴于此,提出一种基于互信息的主成分分析特征选择算法.该算法计算特征间的互信息,以互信息矩阵的特征值作为评价准则确定主成分的个数,并衡量主成分分析特征选择的效果.通过实例对所提出方法和传统主成分分析方法进行比较,并以神经网络为分类器分析分类效果.     

基于流形学习的局部保持PCA算法在故障检测中的应用

提出一种新的基于流形学习的数据降维及特征提取方法:局部保持 PCA 算法(LPPCA).通过在 PCA 的优化目标中融入流形学习的思想,不仅使投影得到的低维空间和原始样本空间具有相似的全局结构,并且保持了相似的局部近邻结构,克服了传统 PCA 方法只关注全局结构特征而忽略局部流形特征的缺陷,同时给出了 LPPCA 在故障检测中的应用方法. S-Curve 和 Swiss-roll 曲面数值仿真和 TE 过程仿真验证了算法的有效性和优越性.     

基于粒子群优化的KPCA暂态稳定评估模型的特征提取

提出一种核主成分分析法(KPCA),用于电力系统暂态稳定评估(TSA)模型中的输入向量特征提取,并利用粒子群优化算法(PSO)对核函数参数进行优化设置.以EPRI36系统为例,对基于支持向量机(SVM)分类的暂态稳定评估模型进行仿真,结果表明该方法不仅得到了良好的预测精度,而且大大降低了输入空间的维数.     

基于排序融合的特征选择

针对模式分类中的特征选择问题,分别依据ReliefF算法、类间可分性及特征相关性等多个评价准则对待约简特征进行评价与排序,基于排序融合方法实现对多个特征选择评价准则的综合利用.基于多个数据集的实验结果表明,该方法在有效降低特征维度的同时,具有比单准则特征选择方法更高的分类性能.     

基于独立成分分析的含噪声时间序列预测

提出一种基于独立成分分析(ICA)的最小二乘支持向量机(LS-SVM),用于时间序列的多步超前独立预测.用ICA估计预测变量中的独立成分(IC),用不含噪声的IC重新构建时间序列.利用 -最近邻法( -NN)减小训练集的规模,提出一种新的距离函数以降低LS-SVM训练过程的计算复杂度,并用约束条件对预测值进行后处理.使用基于ICA的LS-SVM、普通LS-SVM与反向传播神经网络(BP-ANN),对多个时间序列进行对比预测实验.实验结果表明,基于ICA的LS-SVM的预测性能优于普通LS-SVM和BP-ANN.     

基于粗糙集和图论的电力系统故障诊断方法

将粗糙集与图论相结合处理电力系统故障诊断,提出了故障决策表图的新概念,得到一种基于粗糙集和图论的电力系统故障诊断方法,并进一步提出了故障信息覆盖度和故障诊断规则分级的概念.利用故障决策表图及其邻接矩阵,得到了快速识别决策表核属性和属性约简的方法,并将规则分级应用于故障规则提取.利用所提出的方法对具体实例进行处理,仿真结果表明,该方法能有效地减少时间和空间复杂度,可根据设定的阈值提取诊断规则.     

铜闪速熔炼过程操作模式快速匹配策略

在利用相似模式的归纳与综合实现铜闪速熔炼过程多操作参数同步优化的过程中,针对模式库庞大引起相似模式发现效率低的问题,提出了两级模式快速匹配方法.该方法采用主元分析实现属性权重设定,通过构造模式间相似性度量准则,并在初级匹配准则中引入柯西不等式,以减少计算复杂度,快速缩小次级匹配的搜索范围,提高模式匹配速度. UCI数据集仿真和实际生产数据应用结果验证了该方法的有效性和可行性.     

基于多模型表示的交通标志识别算法设计

通过变换 RGB 空间颜色值并分割图像,利用标记图为特征的形状分类器检测城市环境中的交通标志.为了提高分类准确度,用两种模型表示方法分类交通标志:1)结合二元树复小波变换和二维独立分量分析提取特征,送入最近邻分类器中分类交通标志;2)提取交通标志的内部图形,利用模板匹配进行分类.最后,将两种分类结果融合输出.实验结果表明,所提出算法的整体识别率超过91%,平均处理帧率达到6.6帧/s,系统能够鲁棒、有效和实时地识别交通标志.