基于ASTER数据的矿化蚀变信息提取方法

针对山东省苍山地区存在大量第四系地表覆盖,传统找矿方法难以开展的问题,选择ASTER遥感影像为数据源,通过分析实地采样获得的蚀变矿物波谱,采用消除二阶相关关系的主成分分析(principal component analysis,PCA)法和消除二阶及高阶相关关系的独立成分分析(independent component analysis,ICA)法进行蚀变信息提取实验。运用阈值分割法选择合适的阈值划分异常程度,获得铁染、羟基的异常分布,并结合已有地质、矿产资料对提取结果进行分析判断。采用激发极化法在成矿靶区进行实地勘探,证明了PCA和ICA方法相结合找矿的有效性。     

基于非线性特征和线性映射的多视角低分辨人脸识别算法

针对分辨率变化、视角变化和认证集单样本等实际条件下的人脸识别问题,提出了一种基于回归的人脸识别算法。该算法采用核主成分分析法(kernel principal component analysis)分别提取侧面低分辨率和正面高分辨率人脸特征,利用Procrustes分析建立每一种侧面视角低分辨率KPCA特征和正面高分辨率KPCA特征间的映射关系,从而获得对应的回归模型。根据这些回归模型,即可得到测试侧面低分辨率人脸对应的正面高分辨率KPCA特征,并通过最近邻分类器进行识别。在标准图库上的实验表明,与基于线性模型的人脸识别对比算法相比,本文所提算法识别率提高了4%至36%,而在线测试时间仅比最快的对比算法多1.087ms。     

KPCA-IPSO-OCSVM方法在工业控制系统入侵检测中的应用

为提高工业控制系统入侵检测的准确性,面向Modbus TCP协议的工业控制系统提出一种基于KPCA-IPSO-OCSVM算法的入侵检测方法。首先采用核主成分分析(kernel principal component analysis,KPCA)方法对强非线性、高复杂度和高维度的工业数据进行特征提取,消除冗余特征,降低数据维度;然后采用免疫粒子群(immune particle swarm optimization,IPSO)优化算法单类支持向量机(one class support vector machine,OCSVM)构建更准确的入侵检测模型。在实验室建立仿真环境,模拟工业控制系统的运行场景,实验结果表明,所提出方法可以精确甄别异常行为,提升入侵检测的准确性和工业控制系统的安全性。     

基于序列子空间的高分辨距离像噪声稳健识别方法

高分辨距离像(high resolution range profile,HRRP)是目标沿雷达视线方向上的一维压缩投影,传统的HRRP目标识别方法大都利用单次HRRP测试样本判决。但是,由于单次测试样本包含的信息有限,且容易受到噪声污染,识别鲁棒性难以保证。提出1种基于子空间的HRRP序列噪声稳健识别算法。该算法在训练、测试阶段均利用HRRP序列,基于主成分分析(principal component analysis,PCA)方法生成能够抑制噪声、冗余分量的目标信号子空间,并根据Grassmann流形定义子空间距离,将测试子空间与训练子空间按照最小子空间距离的准则作匹配比较,从而判定测试样本序列所属类别。文章推导证明了传统的最小重构误差方法是提出方法只使用单次HRRP测试样本的特殊情况。基于实测数据的识别实验显示,由于更充分地利用了HRRP序列信息且子空间能够抑制噪声,提出方法较最小重构误差方法具有更好的识别性能和噪声稳健性。     

导水裂隙带高度预测的PCA-BP模型

导水裂隙带是工作面顶板突水的重要通道,准确预测工作面顶板导水裂隙带发育高度是预防顶板突水的首要任务。本文在总结导水裂隙带高度影响因素的基础之上,选取采高、硬岩岩性比例系数、工作面斜长、推进速度和采深作为影响导水裂隙带高度的主要因素。收集山东省和安徽省综采导水裂隙带高度实例,运用灰色关联分析(grey relational analysis,GRA)法得出采深是导水裂隙带高度的主要影响因素,其他因素是次要影响因素的结论。通过主成分分析(principal component analysis,PCA)法对样本数据进行降维,消除了影响因素之间的相关性,将确定的主成分作为输入层的神经元,基于MATLAB建立了PCA-BP神经网络预测模型,该模型在结果的稳定程度和准确程度上均优于常规的BP神经网络,且最大预测相对误差仅为3.8%。     

基于主成分分析的荧光分子断层成像

随着全角度非接触式成像系统的开发与应用,较大规模的多投影荧光数据能够降低荧光分子断层成像(FMT)重建问题病态性,提高重建图像质量,已广泛应用于逆问题。但采用如此大规模的数据进行重建需要消耗大量的计算内存和花费较长的计算时间。为了解决该问题,采用主成分分析对原始FMT投影数据降维,在此基础上结合稀疏正则化算法进行重建。设计了圆柱仿真实验和数字鼠仿真实验。实验结果表明,在不影响重建结果的前提下,经过主成分分析降维后投影数据规模减小,FMT的重建时间缩短大约10倍。     

基于深度学习的SPD人脸识别算法

本文提出一种自商图像法(SQI)、主成分分析法(PCA)和深度信念网络(DBN)相结合的SPD人脸识别算法。首先将人脸图像经过自商图像处理,勾勒其边缘特征。然后使用主成分分析法将高维自商图像降维至低维子空间。接着将训练集低维子空间的数据作为深度信念网络的输入,并对网络逐层进行训练。最后使用训练好的深度信念网络对测试集低维子空间的数据进行识别。对于遮挡性识别,采用遮挡分割法,减弱局部遮挡对整个图像的影响因子。经过反复实验验证,本文提出的算法在小样本中对脸部识别效果较好。     

基于样式生成对抗网络的风景园林方案生成及设计特征识别

【目的】人工智能算法能否有效习得风景园林设计特征是一个值得探讨的问题。【方法】采用样式生成对抗网络2代（style generative adversarial network2, StyleGAN2）算法,通过算法训练生成风景园林设计方案;之后拆解StyleGAN2算法中的w向量,采用主成分分析（principal component analysis, PCA）降维方法和无监督学习K均值聚类方法可视化w向量特征;最后根据w向量的数据特征和生成结果的关联,分析算法对设计方案特征的提取能力。【结果】StyleGAN2可以为不同类型的场地生成高质量和多样化的设计方案,并且可以识别和提取一些高维抽象设计特征,如植被密度、水域面积、铺装面积、道路网络结构等。【结论】神经网络不仅可以识别图像形态特征,还可以在没有人类指导的情况下,无监督学习识别部分抽象的高维设计特征。但目前大部分设计特征耦合性较高,这是风景园林工作的复杂性和算法低可解释性共同导致的,需要未来进一步探索。     

基于机器视觉的稻谷品种鉴别方法比较

本文为了寻求稻谷品种鉴别方法与应用场合的最佳匹配,利用机器视觉技术提取5个稻谷品种的光谱信息和图像特征。利用基于支持向量机(SVM)以及BP神经网络(BP-ANN)两类模型,在有无主成分分析的两种情况下,对稻谷的鉴别效果进行全面分析和对比。结果表明:事先进行主成分分析将使得处理过程更加高效,但也带来信息损失;线性和径向基核函数分别在处理高维和低维特征变量时有优势;对于这5个稻谷品种,基于BP-ANN的分类效果要优于基于SVM的。     

基于PCA和DWT的强鲁棒数字水印算法

针对传统离散小波变换(DWT)数字水印算法抗几何攻击能力较弱的问题,提出一种基于主成分分析(PCA)和DWT的新的数字水印算法。新算法对载体图像进行一级小波分解,在低频子带上用主成分分析提取出既含有高频又含有低频成分的主成分系数,将水印嵌入到提取出的主成分系数中。实验结果表明,与传统DWT水印算法相比,该算法不仅明显提高了抗剪裁、旋转等抗几何攻击能力,对加噪、图像灰度值变化等攻击也表现出了很强的鲁棒性。