广义余弦二维主成分分析

主成分分析(Principal component analysis, PCA)是一种广泛应用的特征提取与数据降维方法,其目标函数采用L2范数距离度量方式,对离群数据及噪声敏感.而L1范数虽然能抑制离群数据的影响,但其重构误差并不能得到有效控制.针对上述问题,综合考虑投影距离最大及重构误差较小的目标优化问题,提出一种广义余弦模型的目标函数.通过极大化矩阵行向量的投影距离与其可调幂的2范数之间的比值,使得其在数据降维的同时提高了鲁棒性.在此基础上提出广义余弦二维主成分分析(Generalized cosine two dimensional PCA, GC2DPCA),给出了其迭代贪婪的求解算法,并对其收敛性及正交性进行理论证明.通过选择不同的可调幂参数, GC2DPCA可应用于广泛的含离群数据的鲁棒降维.人工数据集及多个人脸数据集的实验结果表明,本文算法在重构误差、相关性及分类率等性能方面均得到了提升,具有较强的抗噪能力.     

概率核主成分分析及其应用

主成分分析（PCA）、核主成分分析（KPCA）和概率主成分分析（PPCA）是已经取得广泛应用的特征提取方法。提出一种基于概率核主成分分析（PKPCA）的检测液晶屏幕亮点的方法。作为对PPCA的一种非线性扩展,PKPCA在PPCA的基础上引入了核函数方法,因而其捕获模式非线性特征的能力更强。在KPCA和PPCA的基础上推导了PKPCA过程公式,并在检测液晶屏幕亮点的应用中将PKPCA、PPCA、PCA算法进行比较。实验结果表明,PKPCA的检测率和局部信噪比优于其他两者。     

基于主成分分析与 Simhash 的入侵检测方法

论文提出一种基于主成分分析（PCA）与 Simhash 的入侵检测技术。利用 PCA 得到属性的特征值作为权重,再利用 Simhash 的思想得到每一条数据的指纹。通过对比网络数据指纹之间的 Hamming 距离可以发现,“正常”数据与“非正常”数据之间存在较为明显的差异。利用 KDD99数据集进行模拟实验,使用该方法与目前常见的基于 SVM 的技术进行比较,可以得出结论：在保证准确率的基础上,该方法在时效性上有显著提高。     

鲁棒的稀疏Lp-模主成分分析

主成分分析（Principle component analysis,PCA）是一种被广泛应用的降维方法.然而经典PCA的构造基于L₂-模导致了其对离群点和噪声点敏感,同时经典PCA也不具备稀疏性的特点.针对此问题,本文提出基于Lp-模的稀疏主成分分析降维方法（LpSPCA）.LpSPCA通过极大化带有稀疏正则项的Lp-模样本方差,使得其在降维的同时保证了稀疏性和鲁棒性.LpSPCA可用简单的迭代算法求解,并且当p≥1时该算法的收敛性可在理论上保证.此外通过选择不同的p值,LpSPCA可应用于更广泛的数据类型.人工数据及人脸数据上的实验结果表明,本文所提出的LpSPCA不仅具有较好的降维效果,并且具有较强的抗噪能力.     

基于主成分分析方法的人脸识别研究

本文以MATLABE作为工具平台．通过计算输入图像和训练集图像的欧几里得距离对主成分分析算法的人脸识别效果作了仿真研究。结果表明了主成分分析算法识别人脸的有效性，论文还通过对不同光照条件建筑物的识别验证了PCA对光照条件的鲁棒性．最后提出了改进的识别方法。     

基于主成分分析的人脸个体差异识别算法

传统基于主成分分析(PCA)的人脸识别算法不能最优区分不同种类样本。为此,提出一种新的基于PCA的人脸识别算法。利用PCA降维方法提取人脸的个体差异特征,并采用最近邻距离分类器对该特征进行分类。在ORL人脸数据库上的实验结果表明,与传统算法相比,该算法的正确识别率较高。     

基于鲁棒的余弦欧氏距离度量降维的图像检索方法

为解决主成分分析（PCA）无法处理非线性数据集以及鲁棒性差的问题,提出一种鲁棒的余弦-欧氏距离度量的降维方法（RCEM）。该方法利用余弦度量（CM）能够处理离群点的特点来提取数据的局部几何特征,并利用欧氏距离能够很好地保持样本的方差信息的特点来刻画数据集的全局分布,在保留数据局部信息的同时实现了局部和全局的统一,提高了局部降维算法的鲁棒性,同时避免了局部小样本问题。实验结果显示,与角度优化全局嵌入（AOGE）方法相比,在Corel-1000数据集下检索查准率提高了5.61%,相比不降维时检索时间减少了42%。结果表明,RCEM算法能在不降低图像检索精度的同时提高图像检索的效率,可以有效应用于基于内容的图像检索（CBIR）。     

基于多线性独立成分分析的掌纹识别

为快速有效地在掌纹识别中学习多种因素的高阶统计独立成分,利用多线性独立成分分析方法对掌纹张量进行降维,得到低维的模式矩阵,将掌纹图像向模式矩阵上投影以提取核心张量,通过计算核心张量间的余弦距离实现掌纹匹配。基于PolyU掌纹图像库的实验结果表明,与主成分分析(PCA)、二维PCA、独立成分分析和多线性PCA相比,该方法的识别率最高,且满足系统实时性要求。     

鲁棒自适应概率加权主成分分析

主成分分析(Principal component analysis,PCA)是处理高维数据的重要方法.近年来,基于各种范数的PCA模型得到广泛研究,用以提高PCA对噪声的鲁棒性.但是这些算法一方面没有考虑重建误差和投影数据描述方差之间的关系;另一方面也缺少确定样本点可靠性(不确定性)的度量机制.针对这些问题,本文提出...     

基于主成分分析的MWC采样数据压缩方法

调制带宽转换器(Modulated Wideband Converter,MWC)是针对稀疏多频带信号提出的一种有效的亚奈奎斯特采样方法。实际的MWC设计过程中需要考虑硬件实现、重构精度等问题,不可避免地会导致采样数据中存在一定的冗余。该文首次对MWC系统产生采样冗余的原因以及采样数据特点进行深入分析,并提出了一种基于主成分分析(principal component analysis, PCA)的MWC采样数据压缩方法。该方法首先对MWC采样数据进行PCA变换,将其中的大部分能量集中在少量的主成分中,进而通过保留少量主成分,并对其进行进一步量化编码的方式来实现对MWC采样数据的压缩。实验结果表明,PCA变换对MWC采样数据的能量集中效果优于小波变换和离散余弦变换,且该压缩方法能够在保证重构精度高于90%的前提下将MWC系统的采样数据量压缩至原来的1/8以下。     

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。     

基于K-EROS的QAR数据集的相似性分析

叙述了传统的PCA方法在处理QAR数据相似性问题的不足,提出基于EROS的KPCA方法处理QAR数据之间的相似性问题。通过引入EROS方法而不需要对数据进行向量化,引入核矩阵对QAR数据进行主成分分析,可以有效降低数据的维数。选取两组QAR数据集,采用支持向量积方法,选用不同数目的主成分进行分类实验,同SPCA方法和GPCA方法进行比较,实验结果显示把该方法运用到QAR数据集,具有较好的分类结果。     

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。     

基于核熵成分分析的数据降维?

针对高维数据的维灾问题,采用核熵成分分析方法降维数据,并与主成分分析及核主成分分析方法进行对比。降维后的数据利用支持向量机算法进行分类,以验证算法有效性。实验结果表明,KECA在较低的维数时仍然能获得较好的分类精度,可以减少后续的处理复杂度和运行时间,适用于机器学习、模式识别等领域。     

基于Cost-Sensitive主成分分析的人脸识别

目前现有的人脸识别算法寻求最高的正确识别率,且假设所有的错误分类具有相同的错分代价,但此假设在现实的人脸识别系统中往往不成立。为此,提出一种基于代价敏感（Cost-Sensitive）主成分分析的人脸识别方法,该方法在主成分分析理论中引入一个代价敏感函数,将不同错误识别所造成的损失进行分类划分,以确定不同的损失代价,实现更精确的人脸识别。在AR、FERET和UMIST人脸数据集上的实验结果表明,与经典的基于子空间的人脸识别方法相比,提出的方法以最少的代价达到了较高的k最近邻分类识别精度。     

基于稀疏主元分析的过程监控研究

主元分析（principal component analysis）是一种多元统计技术,在过程监控和故障诊断中具有广泛的应用。针对过程监控中数据量大的特点,提出一种稀疏主元分析（sparse principal component analysis）方法,通过引入lasso约束函数,构建稀疏主元分析的框架,将PCA降维问题转化为回归最优化问题,从而求解得到稀疏化的主元,并提高了主元模型的抗干扰能力。由于稀疏后主元相关的数据量减少,利用数据建立过程监控模型,减少了计算量,并缩短了计算时间,进而提高了监控的实时性。利用田纳西伊斯特曼过程（TE processes）进行实验仿真,并与传统的主元分析方法进行对比研究。结果表明,新提出的稀疏主元分析方法在计算效率和监控实时性上均优于传统的主元分析方法。     

基于混合PCA和KFD的多级说话人确认

提出一种基于混合主成分分析(PCA)分类器和核Fisher判别(KFD)的多级说话人确认方法。利用PCA对注册说话人的特征向量进行降维,根据转换矩阵得到说话人特征向量的主成分空间和截断误差空间,结合这2个空间构造混合PCA分类器,用于快速判断最有可能的R个目标说话人,并采用KFD寻找最终目标说话人。仿真实验结果验证了该方法的有效性。     

融合PCA、LDA和SVM算法的人脸识别

为了提高人脸识别效率,提出了一种基于PCA、LDA和SVM算法融合的人脸识别方法。使用主成分分析（PCA）将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声,提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息;使用线性判别分析（LDA）算法进一步投影变换降低数据维度;使用支持向量机（SVM）分类识别。将PCA、LDA和SVM三种算法的优点结合起来,在ORL数据库上进行仿真实验,结果表明该方法的识别率可达99.0%。     

基于SPCA和域变换递归滤波的高光谱图像分类

提出一种基于分割的主成分分析（Segmented Principal Component Analysis,SPCA）和域变换递归滤波（Domain Transform Recursive Filtering,DTRF）的高光谱图像分类算法。利用SPCA方法降低高光谱图像的维数和提取各波段子集的第一主成分。使用不同参数的域变换递归滤波器对各波段子集第一主成分进行滤波,形成堆叠的边缘保持滤波图。采用主成分分析（Principal Component Analysis,PCA）将堆叠的边缘保持滤波图进行特征融合。利用基本阈值分类器（Basic Thresholding Classifier,BTC）对融合后的主成分进行分类。仿真实验表明,所提方法能够提高分类精度,且在总体分类精度、平均分类精度、Kappa系数等方面优于已有方法。