基于PCA与SVM的焊缝缺陷信号分类方法

为保证焊接结构处于安全工作状态,文中针对焊缝缺陷的分类问题提出一种结合主成分分析和支持向量机的焊缝特征导波缺陷信号的分类方法。该方法首先以缺陷回波的稀疏重构信号为基础提取了缺陷信号的特征参数矩阵,然后利用主成分分析法对参数矩阵进行降维优化以消除冗余信息。将优化的低维特征矩阵应用于支持向量机进行分类训练,并对比不同主成分的分类效果。最后选择核函数和相关参数来提高分类器的准确率。实验结果表明,该方法能够有效地对焊缝缺陷进行分类。     

冲击噪声背景下基于KPCA和C-SVM的频谱检测算法

针对背景噪声是冲击噪声,且在低信噪比中,二级用户检测性能低的问题,提出了核主成分分析(Kernel PrincipalComponent Analysis,KPCA)和C-支持向量机(Support Vector Machine,SVM)的频谱检测方法.提取接收信号的循环谱特征,核主成分分析对信号特征进行降维,提取出信号的主要非线性特征,再结合C-SVM对接收信号进行分类.仿真结果表明,在冲击噪声背景下,低信噪比中,与PCA-SVM、SVM算法进行比较,所提算法能够提高次级用户的检测性能.     

不同种类岩石的激光光声频谱研究

从理论上讨论了光声信号的频谱与试样性质关系。利用YAG固体激光器产生的脉冲激光照射到花岗岩石表面,用加速度计拾取花岗岩石产生的脉冲光声信号,采用主成分分析法对不同条件下产生的光声信号的功率谱进行了分类。试样不同时,功率谱峰对应的频率不相同,且峰的个数也不相同。在主成分二维散点分布图上,二维散点的位置主要由试样的性质决定,这一结果可用于岩石的分类和鉴定。     

基于KPCA和类峰值特征的模拟电路诊断方法

针对传统的核主成分分析方法(KPCA)无法解决在故障样本交叠严重时多分类性能较差的问题,提出一种基于改进KPCA的特征提取和类峰值特征辅助识别分类相结合的模拟电路故障诊断方法.在预处理阶段,提出了一种图像混合欧氏距离用于建立核函数,进行核主成分分析特征提取,克服了传统KPCA的局限性;并且设计了一种用类峰值特征识别的方...     

基于循环平稳PCA和AdaBoost的频谱感知算法

针对无线信道环境中各低信噪比情况下主用户信号检测率较低的问题,提出一种基于循环平稳特征主成分分析和Ada Boost的主用户信号频谱感知算法。该算法首先对信号采用循环平稳PCA算法进行特征参数提取,获取信号主成分,并生成训练样本和待测样本,再采用Ada Boost算法分别对有无主用户情况下的信号进行分类检测。仿真实验表明,与人工神经网络和最大最小特征值算法相比较,所提算法在各低信噪比情况下,具有较高的分类检测性能,有效地实现了对主用户信号的感知。     

基于多层核空间的BPSK信号频率估计方法

在强噪声背景下,针对BPSK调制信号,提出了一种新的频率估计技术.该估计器的设计是基于多层分类核主成分分析及改进核主成分分析,并利用不同的特征空间距离测量法.基于多层核主成分提取估计器需要将调制信号的训练样本根据各自的频率进行分层.为了获得精确的频率估计,估计器首先根据分层结构,提取样本信号的特征从而来获得被观察信号的初始频率.基于该初始估计,来建立最佳的分层处理结构,并根据训练样本的特征空间的最优选择实现特征提取函数的改进.在仿真结果中作了上述两个算法的比较来验证理论的应用.同时该结果也显示在低信噪比下的估计器的卓越性能.     

一种改进的基于主成分分析的人脸识别技术

人脸识别的研究内容主要包括人脸特征提取和识别两部分。文章基于传统的PCA(主成分分析)人脸识别原理及优缺点,采用KPCA(核主成分分析)实现人脸识别的改进。该算法通过非线性映射,把原始图像数据变换到特征空间,再利用PCA实现人脸识别。在MATLAB环境下,进行基于ORL(Olivetti研究实验室)人脸库的实验仿真,KPCA能较好地提取非线性成分,其识别性能优于传统的PCA方法。     

基于时频分布图像和主分量分析的脉内调制识别算法研究

本文提出了一种利用模式识别中图像处理的方法来进行雷达脉内调制特征识别的新算法.通过对雷达信号时频分布图像进行二维小波分解,并对其进行主分量分析,获得每类雷达信号中的特征参数,构建相应的分类器,并利用此分类器对信号进行识别.仿真结果表明,利用信号的时频分布图像来进行信号识别是完全可行的,提取的特征参数具有很好的鲁棒性,具有较强的抗噪声能力,同时可以取得较高识别率.     

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

基于频谱分析的相参特征建模与提取方法

增加新的特征参数是提高雷达辐射源信号分选识别率的有效手段。相参是新体制雷达辐射源的重要特性,在现有特征参数的基础上,增加相参特征用于信号分选,对降低当前信号分选“漏警”、“虚警”概率极具价值。在分析新体制雷达辐射源相参特征的基础上,对侦察到的脉冲流进行了信号重构,利用频谱分析的方法,提取了重构信号的频谱主峰㈥像,理论分...     

Research on PCA and KPCA Self-Fusion Based MSTAR SAR Automatic Target Recognition Algorithm

This paper proposes a PCA and KPCA self-fusion based MSTAR SAR automatic target recognition algorithm. This algorithm combines the linear feature extracted from principal component analysis (PCA) and nonlinear feature extracted from kernel principal component analysis (KPCA) respectively, and then utilizes the adaptive feature fusion algorithm which is based on the weighted maximum margin criterion (WMMC) to fuse the features in order to achieve better performance. The linear regression classifier is used in the experiments. The experimental results indicate that the proposed self-fusion algorithm achieves higher recognition rate compared with the traditional PCA and KPCA feature fusion algorithms.     

基于PCANet的脉搏信号亚健康检测

目前亚健康状态识别中脉搏信号特征提取困难, 且多依赖于手工提取特征而影响识 别率。针对这一问题,本文提出了一种基于主成分分析网络(Principal Component A nalysis Network,PCANet)的脉搏信号亚健康检测新方法。首先对预处理的脉搏信号进行特征提取; 其次 将这些特征进行哈希编码,直方图分块,作为特征描述;然后使用分类器将健康和亚健康的 两类 脉搏信号进行分类识别,并与传统特征提取方法的分类效果进行比较。实验结果表明本文方 法对 亚健康状态识别达到了较高的准确率,相比传统的特征提取方法,PCANet方法在识别率上提 高 了10%以上,因此,本文所提出的方法能够有效地区分健康与亚健康 状态,为亚健康状态的 检测提供了一种新的参考依据。     

基于KPCA和LSSVM的表面缺陷深度识别

为了实现铝板表面缺陷智能识别分类,解决支持向量机在识别过程中准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Ma-chine,LSSVM)在缺陷深度识别分类的应用进行了研究....     

基于核局部Fisher判别分析的掌纹识别

运用核局部Fisher判别分析(KLFDA)进行掌纹识别。为了解决小样本图像识别中特征方程矩阵的奇异性问题,首先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KLF-DA提取低维的投影向量;然后将训练图像和待识别图像的核矩阵向投影向量上投影,得到非线性局部判别特征;最后计算特征向量间的余弦距离,进行掌纹匹配。运用PolyU掌纹图像库对算法进行测试,实验结果表明,与主元分析(PCA)、Fisher判别分析(FDA)、独立元分析(ICA)、核主元分析(KPCA)和局部Fisher判别分析(LFDA)相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间0.031 s,满足实时系统的要求。     

基于线性和非线性算法的高效人脸识别系统

文中提出了一种基于外观的线性和非线性人脸识别方法,所用的线性算法有主成分分析(PCA)和线性判别分析(LDA)。两种非线性方法分别是核主成分分析(KPCA)及核费希尔分析(KFA),线性降维投影方法基于二阶相依性编码模式信息,非线性方法用于处理三个或更多像素之间的关系。首先通过Gabor对图片进行预处理,然后采用线性、非线性分析进行降维。通过马哈利诺比斯-余弦(Mahcos)度量用于定义两幅图像通过相应的降维技术后的相似性度量。实验表明,当与Gabor小波一同使用时,LDA和KFA的性能最高,分别为CMC和ROC结果的93.33%。通过对AT&T数据库400幅图像的综合分析,发现线性和非线性算法的性能受图像分类数目、图像预处理及识别测试集的人脸图像数目的影响。     

基于核主元分析和Fisher线性判别的掌纹识别

提出了基于核主元分析(KPCA)和FLD相结合的掌纹识别方法.对每幅掌纹图像应用KPCA进行降维,然后将二维图像矩阵转换成一维图像矢量.PolyU掌纹图像库中所有图像矢量组成的数据矩阵作为FLD的输入,进行特征提取,计算特征矢量间的余弦距离进行掌纹匹配.实验结果说明,与传统的PCA+FLD相比,在不同的特征个数下,本文方法均取得了较小的等错率(EER),而且特征提取时间较短,运行速度较快.在三种不同的核函数中,RBF核函数的识别效果最佳,等错率最小为0.     

Detection method of LDoS attacks based on combination of ANN ＆ KPCA

Low-rate denial-of-service (LDoS) attack is a new type of attack mode for TCP protocol.Characteristics of low average rate and strong concealment make it difficult for detection by traditional DoS detecting methods.According to characteristics of LDoS attacks,a new LDoS queue future was proposed from the router queue,the kernel principal component analysis (KPCA) method was combined with neural network,and a new method was present to detect LDoS attacks.The method reduced the dimensionality of queue feature via KPCA algorithm and made the reduced dimension data as the inputs of neural network.For the good sell-learning ability,BP neural network could generate a great LDoS attack classifier and this classifier was used to detect the attack.Experiment results show that the proposed approach has the characteristics of effectiveness and low algorithm complexity,which helps the design of high performance router.     

一种基于FPGA的脑电分类算法实现

通过对脑电信号特征的分析,利用小波变换的多尺度分析技术对脑电信号进行特征提取,进而使用主成分分析算法对特征进行降维,并对降维后的信号使用Fisher线性判别方法进行分类。最后,利用VerilogHDL硬件编程语言设计实现了Mallat分解算法、PCA算法和LDA算法模块,并在FPGA应用板上实现了脑电分类功能。系统对2008年BCI大赛的数据进行了测试,分类准确率达到92.31%,表明该方法对开发便携式脑机接口系统具有良好的应用价值。     

基于随机非负独立元分析的掌纹识别

提出运用随机非负独立元分析（SN—ICA）的新方法进行掌纹识别。为了减少计算量,运用SN-ICA算法前,先采用主元分析（PCA）算法去除掌纹图像的二阶统计特征相关性,其余的高阶非负统计特征由SN-ICA分离。首先用PCA和SN-ICA提取投影向量,然后将训练图像和待识别图像向投影向量上投影得到低维特征向量,最后计算特征...     

基于鲁棒听觉特征的说话人识别

 为了提高噪声环境中说话人识别系统的性能,本文提出了一种鲁棒听觉特征提取的算法,并将其应用到说话人识别系统中.运用自适应压缩Gammachirp滤波器组模拟人耳耳蜗的听觉特性,对输入的语音信号进行频域子带滤波,将得到的对数子带能量作为听觉特征参数.分别运用离散余弦变换和核主成分分析方法,对提取的特征参数进行特征变换,降低特征参数的维数,提高特征参数的噪声鲁棒性和个性表现力.实验结果表明,将提取的新听觉特征参数应用到说话人识别系统中,新特征参数在鲁棒性和识别性能上均优于梅尔倒谱系数和基于Gammatone的听觉特征参数.