基于主成分分析的BP神经网络在岩性识别中的应用

提出一种将主成分分析和BP神经网络相结合的方法对测井资料进行岩性识别。首先将原始测井数据进行主成分分析,分析结果作为PCABP神经网络的学习样本进行训练,建立测井解释的PCA—BP神经网络岩性识别模型．并用该模型对测试样本进行识别。结果表明该方法同传统的BP神经网络相比．不仅简化了网络结构（网络的输入神经元个数由5个减少为2个）,网络收敛速度也加快了21％．而且识别的准确率提高了25％。     

小波包主成分分析在气液两相流流型识别中的应用

针对气液两相流特征参数与流型之间复杂的非线性关系,提出了一种基于小波包主成分分析和最小二乘支持向量机(LS-SVM)的气液两相流流型识别方法。该方法首先对采集的3个不同取压间距差压波动信号进行4层小波包分解,形成小波包特征向量矩阵,然后运用主成分分析方法降低特征向量矩阵的输入维数,并用于LS-SVM训练和识别。试验结果表明,融合3个传感器信息的主成分特征可有效地识别流型,与单一传感器的特征相比,具有更高的识别率。     

主成分分析在法医鉴定中的应用

以延边州朝鲜族成人男子脚跖骨长度作为统计数据，运用主成分分析原理研究了跖骨与人体身高之间的关系，并将多指标转化为单一综合指标进行了评分．本研究结果将有助于提高法医鉴定的效率和准确率。     

主成分分析在经济评价中的应用

在研究较复杂的经济问题时,利用多元统计分析中的主成分分析,可从多个经济指标中找出起支配作用的共同因素,从而抓住主要矛盾,以较少的变量进行定量分析,对企业的经济效益进行公正的评价。根据主成分分析的基本原理,通过具体实例介绍了这种方法的计算步骤。对企业提高经济效益有一定的启示。     

主成分分析及其在城市规划中的应用

介绍了主成分分析的计算方法，并举例说明该法在城市规划经济分析中的应用。     

基于广义主成分分析的步态识别算法研究

步态识别是根据人行走方式的不同对人的身份进行识别的.通过背景减除实现人体检测,运用形态学操作和图形几何变换实现了图像的标准中心化.在特征提取阶段使用步态能量图(GEI)来描述每个步态序列,分别使用主成分分析、二维主成分分析、完全的二维主成分分析以及加权完全的二维主成分分析对特征进行降维,最后采用最近邻分类器来测试识别结果作对比研究.实验结果表明权衡计算量和识别率,二维主成分分析对于GEI的步态识别比较有效,识别率可达95.43%.     

主成分分析在水文地质分析中的应用

在水文地质工作中,运用主成分分析方法对大量观测数据进行分析和解释,确定降水对泉域流量及地下径流的滞后影响年份,从而合理地进行地下水资源评价及水资源供需平衡预测     

基于主成分分析的特征简化

特征评述与简化是模式识别研究中至关重要的任务,本文介绍了降维映射的主成分分析特征评选与简化方法,提出了以神经网络实现主要成分分析的结构和算法,为模式识别特征简化提供了一条有效途径。     

主成分分析法在课程设置中的应用

课程设置采用主成分分析法，以实际的学生成绩为应用对象，通过计算得到了相互无关的综合指标，并对结果进行了恰当的分析，得到了与实际相符的结论。     

主成分分析法在学生成绩分析中的应用

利用主成分分析法,建立了数学模型,给出了各主成分的得分函数,并结合学生成绩进行了分析,结果为教学研究和管理提供了科学的依据.     

基于主元分析和BP神经网络的人脸识别研究

该文提出了一种主元分析和BP神经网络相结合的人脸识别方法。其中主元分析方法用于提取人脸图像的特征，而BP神经网络用于对提取的人脸特征进行识别。实验结果表明，在进行人脸识别时，该文提出的主元分析和BP神经网络相结合的方法同传统的主元分析方法相比取得了良好的效果。此方法具有较高的识别率、较强的自适应性以及对噪声的鲁棒性。     

基于对称性特征分块主成分分析的人脸识别方法

为了进一步提高人脸识别的精度,考虑在分块主成分分析算法中引入对称性思想。首先对图像进行分块并分别求其奇偶对称脸,然后利用主成分分析算法提取图像的主要鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响,利用人脸图像的对称性增加了样本数量,以有效提高识别率。在ORL人脸库上的实验显示,在每类训练样本数为7、提取特征数为20的情况下,基于对称性特征的分块主成分分析方法的人脸识别率为95%,说明该方法是有效的。     

基于小波变换和主分量分析的人脸识别

提出了基于小波变换和主分量分析的人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为KNN分类器的输入,由KNN分类器对提取的特征进行识别.在ORL人脸数据库上的实验结果表明该方法具有良好的性能.     

基于多尺度主元分析方法的统计过程监视

基于主元分析和小波变换结合的基本理论，对Bakshi提出的MSPCA算法进行改进，提出一种新的多尺度主元分析方法（MSPCA）．MSPCA应用小波变换将每个变量信号依次分解成逼近系数和多个尺度的细节系数，把各个尺度的系数聚集在单独的矩阵中，在各个尺度建立相应的PCA模型，进行多尺度过程监视．针对TE过程的两种干扰，分别应用PCA和MSPCA两种方法做仿真试验．仿真实验结果表明：与PCA相比，MSPCA能有效地检测和识别过程中不同频率故障，减少误报警，提高了过程监视的可靠性．     

基于PCA与合并聚类的RBFNN人脸识别

基于主成分分析、合并聚类算法和径向基神经网络,提出一种有效的人脸识别方法.通过使用PCA进行特征提取,降低人脸图像的维数,对所提取的特征合并聚类确定径向基神经网络中心,根据类内样本与聚类中心的距离和类间距离计算各中心的散布常数,以ORL人脸数据库对网络进行训练和测试.实验结果表明,该方法选取较低的脸特征维效取得较好的识别效果.     

基于主成分分析与神经网络的非线性评价模型

针对评价过程的非线性特征,运用神经网络高度非线性映射能力,建立了一种非线性综合评价模型。采用主成分分析法对评价指标进行处理,形成了新的指标体系,有效的消除了原指标间的相关性,降低了神经网络的输入维数。利用Matlab软件对地区经济发展水平的综合评价进行实例分析和仿真,得到了较满意的结果,说明了该模型的有效性。     

基于主元分析法的手写数字识别

特征提取是手写体数字识别研究中的重要问题。有效特征是提高识别率和识别精度的关键。作者使用的主元分析法能压缩特征的维数 ,满足特征提取的完备性原则和正交性原则 ,提高分类器性能。将经过主元分析法压缩后的特征用BP神经网络进行识别仿真 ,取得了较好的实验效果     

基于PCA的BP神经网络分类器

由于入侵检测处理的多为高维数据,为了提高入侵检测的效率和准确率,提出了一种基于主成分分析(PCA)的特征提取方法,对数据源进行特征降维,将获得的主成分作为BP神经网络的输入进行数据识别.同时介绍了M atlab中相关函数,并与传统入侵检测方法进行了比较.实验结果表明:基于主成分分析的特征提取方法在简化BP神经网络规模的同时,显著提高了入侵检测识别效果.     

基于主成分分析法和核主成分分析法的机器人全域性能综合评价

在机器人运动学和动力学性能评价中, 表示机器人运动学和动力学性能的指标众多, 全域性能指标是其中一项重要的评价指标, 而全域性能指标又包括:线速度全域性能指标、角速度全域性能指标等指标.不同指标间往往存在不同程度的相关性, 其中有些相关性非常显著, 这使它们提供的信息有可能发生重叠.引入统计学原理, 依据线性降维与非线性降维原则, 应用主成分分析法 (principal component analysis, PCA) 和核主成分分析法 (kernel principal component analysis, KPCA) 对不同尺度的PUMA560机器人的全域性能进行综合评价, 从而选择综合全域性能最优的机器人.计算结果表明:KPCA方法较PCA方法有更好的降维效果, 能够更有效地处理多个单一性指标间的非线性关系, 提供更多的综合全域性能评价信息, 可为建立机器人综合全域性能与其尺度之间的数值计算关系, 为基于综合全域性能指标最佳尺度选取的研究提供科学的参考依据.