基于改进的ICA和RBF神经网络的人脸识别

为了提高人脸识算法的训练识别速度以及准确率,提出一种改进的人脸识别算法。将独立成分分析(independent component analysis,ICA)与径向基函数(radial basis function,RBF)神经网络相结合,利用ICA算法对人脸图像进行特征提取,采用牛顿迭代法提升其迭代性能;引入松弛因子,在保证收敛速度的前提下,放宽对初始权值选取的局限性。将特征信息作为RBF神经网络学习输入,采用监督聚类方法对神经网络进行构建和初始化,利用线性最小二乘法调整输出层连接权值,梯度下降法调整隐含层中心以及高斯宽带,通过训练学习获得最终的人脸识别分类结果。对比实验结果表明,改进的人脸识别算法训练速度和识别速度更快,准确率更高。     

基于独立分量分析的一种改进的掌纹识别方法

独立分量分析方法(ICA)用于掌纹识别不仅可以得到图像的高阶统计信息,而且使得各分量尽可能独立．但计算量大,分类特征不明显．本文在ICA基础上提出一种改进的新方法,首先用小波变换进行降维处理,使得在保证了图像信息特征的最小损失下大大减少计算量;再用ICA方法得到独立基向量;最后在独立基向量张成的子空间用Fisher线性鉴别(FLD)方法进行特征提取,使得图像有更好的分类信息．实验结果表明,改进后的方法不仅识别率得到提高,而且缩短了识别时间．     

基于主分量特征与独立分量特征的人脸识别

PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述．PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的．ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征．文章对这两种方法做了理论上的比较,并通过实验证明ICA算法提取的特征子空间在人脸识别应用中更有效,识别率更高．     

基于ICA的语音信号表征和特征提取方法

推导了基于独立分量分析(independent component analysis,ICA)的信号表征方法的有效性,并将基于ICA的信号特征分析应用到说话者识别任务中,通过计算机仿真实验证明该方法对非高斯语音信号受高斯噪声干扰时特征提取的有效性。最后的比较结果证明,基于ICA的信号特征,性能较传统的基于离散余弦变换(discrete cosinetransform,DCT)的Mel频率倒谱系数(mel-frequency cepstral coefficients,MFCC)特征有明显的提高。     

基于加权小波变换和2D-PCA的人脸识别改进算法

基于小波变换的人脸识别方法通常将图像变换成低频和高频信息,传统的人脸识别算法大多数都是基于小波变换后的低频信息,没有充分利用高频信息,造成了高频信息中对识别有利信息的丢失. 本文提出了一种基于加权小波变换和2D-PCA的人脸识别改进算法. 首先基于二维离散小波(2D-DWT)对图像进行二层小波变换,将所得的低频信息和水平、垂直和对角高频信息进行加权融合. 在此基础上,采用二维主成分分析(2D-PCA)方法进行特征提取; 最后采用最近邻分类器进行分类识别. 基于ORL标准人脸数据库的实验结果表明,本文提出的方法比传统的2D-PCD识别算法和2D-DWT+2D-PCA识别算法有更好的识别效果,且人脸受光照等因素的影响表现出良好的鲁棒性.     

基于PCA与ICA的结构损伤识别

在分析主成分分析PCA和独立分量分析ICA的基础上，建立了基于PCA和ICA的结构损伤识别构架。利用它们对结构损伤信号进行特征提取，并将提取的特征作为3层BP神经网络的输入，以实现对结构损伤的识别。这2个模型通过British Columbia大学IASC-ASHM任务组提供的用于验证分类正确性的结构基准数据集合进行测试。结果显示：PCA和ICA都能降低信号中噪音的影响，并对特征进行有效提取；基于ICA的模型比基于PCA的模型预测更准确。     

基于特征脸和支持向量机的人脸识别技术研究

在人脸检测的基础上,针对人脸识别问题,将特征脸理论和支持向量机相结合,把待识别样本投影到由特征脸张成的特征空间,从而提取出有效的可供识别特征,再将提取的特征送入支持向量机训练、分类,最终实现识别算法.该算法充分利用了主分量分析法在特征提取方面的有效性以及支持向量机在处理小样本问题和泛化能力强等方面的优势,使得算法具有较高的识别率.最后在设计的软件平台上进行了仿真,仿真结果表明,该系统可以运用在小型人脸识别的场合.     

基于二维ICA基于二维ICA变换的语音特征提取

独立成分分析 (ICA)方法已经被广泛地应用于语音信号处理中.  讨论了ICA方法在语音信号特征提取中的应用.ICA被应用在对数Mel滤波器组变换域中来代替常用的离散余弦变换，后者被应用来得到Mel倒谱系数(MFCC)特征.我们将应用一种新的方法即二维ICA方法来发掘语音信号的时域跟频域的信息，从而提高语音特征的效率跟噪声鲁棒性.这些特征被用于基于高斯混合模型的说话人识别应用中.仿真结果表明我们得到的时频二维特征优于传统的一维特征.     

基于二维ICA变换的语音特征提取

独立成分分析（ICA）方法已经被广泛地应用于语音信号处理中.讨论了ICA方法在语音信号特征提取中的应用.ICA被应用在对数Mel滤波器组变换域中来代替常用的离散余弦变换,后者被应用来得到Mel倒谱系数（MFCC）特征.我们将应用一种新的方法即二维ICA方法来发掘语音信号的时域跟频域的信息,从而提高语音特征的效率跟噪声鲁棒性.这些特征被用于基于高斯混合模型的说话人识别应用中.仿真结果表明我们得到的时频二维特征优于传统的一维特征.     

基于LMD-ICA降噪的滚动轴承故障特征提取方法研究

在滚动轴承进行故障识别中,针对局部均值分解(LMD)方法分析非平稳、非线性含噪信号时,存在端点效应,易产生虚假分量和单通道独立成分分析(ICA)盲源分离时的欠定问题,提出了基于LMD-ICA降噪的振动信号特征提取算法.首先对原始信号进行LMD,并抑制端点效应,得到n个瞬时频率具有物理意义的乘积函数(PF)之和;然后对得到的PF分量以连续的3阶PF分量为一序列组合进行ICA,可以得到n-2个重构分量;最后利用n-2个分量进行重构,得到降噪后的故障信号,并再次进行LMD或功率谱计算,提取故障特征.经验证,该方法可有效识别滚动轴承的多类故障.     

遗传算法与ICA相结合的多姿态人脸识别算法

为了解决多姿态人脸识别问题,提出了基于独立成分分析（ICA）进行正面人脸合成的新方法。首先利用ICA提取不同姿态人脸的特征子空间,然后利用遗传算法（GA）优化不同姿态的特征子空间,最后利用通过训练得到的姿态转换矩阵得到代表待合成的正面人脸特征系数,并直接进行分类比较。通过实验,验证了新方法对人脸识别率有较大的提高,并进一步简化了识别过程。     

基于ICA的异常数据挖掘算法研究

在传统的独立成分分析方法中,没有考虑异常数据值对分离性能的影响。该文提出了一种基于影响函数的检测方法,通过该方法可以发现隐藏在观测数据中的异常成分。利用影响函数对数据进行投影分析,对混入脉冲噪声的观测信号进行盲源分离,从而实现对脉冲噪声的消除。实验仿真结果表明,该方法可以有效且可靠地检测出所观察信号中的异常数据。     

Face recognition using illuminant locality preserving projections

A novel supervised manifold learning method was proposed to realize high-accuracy face recognition under varying illuminant conditions.The proposed method,named illuminant locality preserving projections(ILPP),exploited illuminant directions to alleviate the effect of illumination variations on face recognition.The face images were first projected into low-dimensional subspace.Then the ILPP translated the face images along specific direction to reduce lighting variations in the face.The ILPP reduced the distance between face images of the same class,while increase the distance between face images of different classes.This proposed method was derived from the locality preserving projections(LPP)methods,and was designed to handle face images with various illuminations.It preserved the face image’s local structure in low-dimensional subspace.The ILPP method was compared with LPP and discriminant locality preserving projections(DLPP),based on the YaleB face database.Experimental results showed the effectiveness of the proposed algorithm on the face recognition with various illuminations.     

基于改进的有监督无参局部保持投影算法的人脸识别

针对局部保持投影算法的无监督性质和参数选择复杂性问题,提出一种改进的有监督无参数局部保持投影算法(supervised dice parameter-free locality preserving projection, SdPLPP)。SdPLPP算法使用广义Dice系数构建近邻矩阵,有效避免局部保持投影(locality preserving projection algorithm, LPP)算法参数选择调整的问题,采用监督模式对数据进行特征提取。SdPLPP在Iris数据集进行了图像可视化试验,直观分析试验分类后的样本距离值与算法性能的关系,并在ORL, Yale, FERET 3种人脸库上进行试验,通过对人脸数据的特征提取,采用最近邻分类法统计识别率,验证SdPLPP算法的有效性。试验结果表明:在人脸识别率方面, SdPLPP算法优于PCA, ULDA, LPP, SPLPP和EP-SLPP的算法,并优于已提出的其他有监督无参数局部保持投影算法。     

基于 MICA-PCA 的间歇过程故障监测

针对具有数据非高斯分布或混合分布的间歇过程,研究一种新的改进MICA-PCA监控方法.首先利用MICA方法提取非高斯分布过程信息,通过设定负熵阈值实现独立成分个数的自动选择,以此克服传统ICA方法中需提前确定独立成分个数的缺点,再使用核密度估计方法确定相应统计量的置信限,然后对服从多元高斯分布的残差过程信息,进一步进行PCA分析和处理.将该方法应用于北京某生化制药厂重组大肠杆菌制备白介素-2发酵过程监控.结果表明:该法在过程变量不服从高斯分布的情况下能有效降低传统方法的漏报和误报率,准确地对过程进行监控.     

超分辨率人脸图像重构识别

为了解决单幅低分辨率人脸图像重构问题,提出了基于线性物体类理论重构超分辨率人脸图像的新方法。首先利用ICA和PCA提取不同分辨率人脸的特征子空间,然后利用通过训练得到的分辨率转换矩阵重构其相对应的超分辨率人脸图像,实验表明该算法与传统的算法相比重构出的人脸图像质量和识别率都有了很大的提高。     

基于独立分量分析的光电耦合器件可靠性时域筛选方法

针对目前光电耦合器件可靠性筛选方法的不足,提出了用独立分量分析(ICA)的方法对噪声信号进行时域分析,并利用ICA中峭度和熵两个参量讨论了各种基本噪声的特性。根据这些特性,应用ICA方法把各基本噪声从噪声信号中分离出来,并给出了时域下器件的可靠性分类规则。     

独立分量分析在心房纤颤检测中的应用研究

为了从心房纤颤患者的动态心电图记录中抽取心房活动信号并对其进行特征分析，提出了一种无损型心房纤颤自动诊断方法.证明了应用独立分量分析（ICA）必须满足的3个基本条件：源间独立性、瞬时线性混合和至多一个高斯源，并建立了盲源分离的数学模型.采用快速固定点优化算法分析仿真试验和临床数据，计算各被分离分量的峰度值，有效提取了心房纤颤信号，定性和定量地表明了该方法的准确性和鲁棒性.