一种新的鲁棒主成分分析方法及其应用

背景建模在视频运动分析中具有重要作用.视频序列背景图像通常具有低秩性,为了更好地刻画该特性,精确提取视频背景,提出了一种基于截断核范数的鲁棒主成分分析模型.同时设计了一种两步迭代算法来求解该模型,最后将该算法应用于视频背景建模.不同视频数据库实验表明,该算法对于求解背景建模问题是有效的.     

基于均值特征和改进深度神经网络的说话人识别算法

为提高神经网络在说话人识别应用中的识别性能,提出基于高斯增值矩阵特征和改进深度卷积神经网络的说话人识别算法.算法首先通过最大后验概率提取基于梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)特征的高斯均值矩阵,并对特征进行噪声适应性补偿,以增强信号的帧间关联和说话人特征信...     

基于MFCC和SVM的车窗电机异常噪声辨识方法研究

为提高车窗电机异常噪声特征提取的有效性及分类识别的准确性,提出一种以优化的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)为特征值,以支持向量机(Support Vector Machine,SVM)为噪声辨识模型的电机异常噪声辨识方法。在MFCC提取方法基础上,针对频谱泄漏,用Hanning自卷积窗代替Hanning窗,获得优化的MFCC,并将其作为特征值输入到SVM进行异常噪声辨识。为提高SVM判别准确率,采用人工蜂群算法实现SVM参数选择优化。实验结果表明,该方法能够有效判别电机是否存在异响,准确率达到91%。     

基于频响函数的结构健康监测主成分分析法

摘 要：基于测试频响函数,提出一种简单而有效的结构健康监测主成分分析（PCA）新方法。以结构的频响函数作为基本数据,首先将结构健康状态下的频响函数数据作为基本训练样本,通过PCA技术提取结构健康状态特征,并获得结构健康特征变换矩阵,即协方差的特征向量矩阵;然后再对损伤结构的测试频响函数数据进行转换以提取结构相应损伤状态特征;最后在二维PCA空间比较两次提取的结构状态特征分布图即可判断结构是否发生损伤并评估其损伤程度。两个数值算例表明基于频响函数的结构健康监测主成分分析新方法正确有效。该方法基于结构振动响应,与模型无关且诊断前无需大量的训练样本、计算量小、抗噪性能好,具有良好的应用前景。     

随机海洋环境下基于互相关函数和主成分分析的平台结构损伤辨识

为了确保海洋平台安全作业,及时辨识损伤以及进行损伤定位,海洋平台结构健康监测技术已成为学者研究关注的重要问题.针对某在役导管架平台,对平台在不同随机波浪激励下的动力响应分别进行了健康状态和损伤状态的数值模拟.在损伤辨识过程中,对结构不同位置的动力响应进行互相关分析,提取损伤敏感特征;利用主成分分析(principal ...     

基于主成分分析的护听器优选方法研究

为了探究不同护听器对抽水蓄能电站内不同工作场所的降噪效果及适用情况,以便于工作人员根据不同需要选择合适的护听器,根据112种护听器的插入损失测试结果,应用主成分分析(Principal Component Analysis, PCA)对数据进行分析。结合某抽水蓄能电站10个工作场所的现场测试结果,得出文中所测试的112种护听器大部分适用于该蓄水电站中1#发电机隔声罩内、1#水车室外、1#水车室内、2#尾水锥管室外、2#尾水锥管检修门、3#尾水锥管室外和3#尾水锥管检修门7个工作场所,其他场所需要有针对性地选择适合的护听器。该文同时可以为其他不同工作场所情况下护听器的选择提供借鉴。     

基于主成分分析与聚类分析的城市化水平综合评价

介绍了主成分分析和聚类分析方法,构建了城市化水平评价指标体系,并进行了实证分析,应用R软件中的主成分分析模型,对我国10个省市的城市化水平进行了综合评价,并进行了聚类分析.     

基于主成分分析的多响应稳健性优化方法研究

将主成分分析法与双响应曲面法相结合,提出了一种同时优化响应均值和标准差的多响应优化方法.通过主成分分析,将多个响应的位置和散布特性值转化为主成分综合得分,并以二者的加权和作为优化指标,克服了传统的多响应优化方法只考虑响应均值的不足,将响应的标准差也纳入优化范畴,实现优化的稳健性.实例表明,该方法充分考虑了响应标准差对优化结果的影响,优化结果得到一定改善.     

地震动多元强度参数主成分与结构损伤的相关性分析

采用主成分分析方法,考虑多个地震动强度参数,综合分析多元地震动强度参数主成分与结构损伤之间的相关性。以单自由度体系为研究对象,使用三种恢复力模型,选择80条真实地震动记录作为输入,分析得到体系在地震作用下的最大位移和滞回能量。采用挑选的10个地震动强度参数,基于主成分分析方法,构造地震动强度的主成分线性组合,并对地震动强度参数主成分与结构损伤之间的相关性进行分析。结果表明：由于考虑了多个地震动强度参数,相比于单个地震动强度参数与结构损伤之间的相关性,地震动多元强度参数主成分与结构损伤之间的相关性更为稳定。     

基于主成分分析的圆角截面薄壁梁一维高阶动力学建模方法

基于一维高阶理论和模式识别算法,建立了考虑圆角截面特征的薄壁梁精细动力学模型,能够准确预测其三维动力学行为。构建基于离散薄壁截面基函数的一维高阶初始模型,通过求解控制微分方程相关的广义特征值问题解耦各广义坐标的轴向变化模式。构建广义特征矩阵并基于主成分分析算法获取基函数权值组合,用于重组具有明确物理意义的截面特征形变组合。为进一步降低模型自由度,根据精度需求按优先级顺序选取截面特征形变组合,构建改进的一维高阶模型用于工程计算。数值计算结果表明,与二维板壳模型相比,该改进模型能够以前者1%的单元数准确预测圆角截面薄壁梁动力学特性及瞬态动力学行为,前15阶频率误差在1.4%以内,且能够广泛适用于长细比4以上的薄壁结构。     

基于电容测量和PCA法的两相流相浓度检测方法

介绍利用电容层析成像系统阵列传感器结构和采样特点,引入主成分分析法(PCA)求取两相流相浓度的新方法.对大量测量值样本进行统计分析后,求出用测量值第一主成分求取相浓度的经验公式,仿真及静态实验表明:两者之间有着良好的对应关系,其测量结果不受两相流流型的影响,是一种有较好应用前景的测量方法.     

A plug-in approach to sparse and robust principal component analysis

We propose a method for sparse and robust principal component analysis. The methodology is structured in two steps: first, a robust estimate of the covariance matrix is obtained, then this estimate is plugged-in into an elastic-net regression which enforces sparseness. Our approach provides an intuitive, general and flexible extension of sparse principal component analysis to the robust setting. We also show how to implement the algorithm when the dimensionality exceeds the number of observations by adapting the approach to the use of robust loadings from ROBPCA. The proposed technique is seen to compare well for simulated and real datasets.     

主成分分析的入侵检测方法研究

直接将入侵检测算法应用在粗糙数据上,其入侵检测分析的效率非常低.为解决该问题,提出了一种基于主成分分析的入侵检测方法.该方法通过提取网络连接中的相关信息,对它进行解码,并将解码的网络连接记录与已知的网络连接记录数据进行比较,发现记录中的变化和连接记录分布的主成分,最后将机器学习方法和主成分分析方法结合实现入侵检测.实验结果表明该方法应用到各种不同KDD99入侵检测数据集中可以有效减少学习时间、降低各种数据集的表示空间,提高入侵检测效率.     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析(KPCA)在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

A mechanism motion error sensitivity analysis method based on principal component analysis and artificial neural network

Present sensitivity analysis of motion error usually focuses on the trajectory deviation of the mechanism, which inevitably introduces an intractable time dependent problem. For efficiently and accurately measuring the motion error of the planar mechanism with dimension and clearance uncertainties by global sensitivity analysis (GSA), a novel method is proposed in this work. By applying the principal component analysis (PCA), the motion error is transformed into new vector output and cleverly avoids the time dependent problem. To ensure the accuracy of PCA in the case of small samples, the Bootstrap method is introduced. Based on the PCA results, the artificial neural network (ANN) surrogate model is established between the input variables and the vector output. Then the classical variance-based GSA method is applied to obtain the variable importance ranking for different PCs, and the synthesized GSA indices are introduced. Four representative examples are studied to demonstrate the versatility and effectiveness of the proposed method.     

结合主分量分析与DOA估计的语音盲分离

在欠定语音盲分离中,W-分离正交性假设通常使问题简化,但这种简化是以降低分离性能为代价。在语音信号满足近似W-分离正交性的假设下,提出利用主分量分析（PCA）检测只有一个源信号存在的时频点,检测出的时频点均满足W-分离正交性,因此提高了混合矩阵的估计精度。通过从混合矩阵中估计源信号的波达方向,可以较好地解决置换模糊问题。仿真结果表明,提出的方法与经典的DUET方法相比具有更优的性能,平均信干比提高了2.77dB。     

基于滑动中值滤波的多尺度主元分析方法

提出了一种基于滑动中值滤波的多尺度主元分析(MSPCA)方法,该方法利用中值滤波对主元分析(PCA)前的原始数据进行预处理,以去除异常点,并用多尺度主元分析方法把小波变换和主元分析有机结合起来,通过对过程数据的多尺度建模,来消除系统中的次要主元和小的小波系数,这样既提高了对数据中细微、重要变化的检测灵敏度,又解决了在测量数据中含有异常点的情况下,现有多尺度主元分析难以去除因异常点的存在而产生的虚警问题.仿真验证了该方法的有效性和可行性.     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

基于独立分量分析的重盲源分离方法

基于独立分量分析(ICA)的盲源分离(BSS)是一种多源信号分离的优化方法。针对ICA通道数目必需不少于源信号数目的限制条件,提出一种基于频谱识别的重盲源分离(R e-BSS)方法,利用虚拟通道实现通道数目的增加。单通道测量信号的仿真实验和实际信号处理结果表明,该方法简单可行,为盲源分离的进一步工程应用提供了新的思路与方法。