分块PCA鉴别特征抽取能力的分析研究

基于主成分分析(Principal Component Analysis,PCA),本文提出了分块 PCA 人脸识别方法。分块 PCA 从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用 PCA 方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在 Yale 人脸数据库上测试了该方法的鉴别能力。实验的结果表明,分块 PCA 在识别性能上优于通常的 PCA 方法,也优于基于 Fisher 鉴别准则的鉴别分析方法:Fisherfaces 方法、F-S 方法、组合鉴别方法,识别率可以达到100%。     

基于PCA的边缘检测方法

为了更有效地进行边缘检测,通过分析PCA的方向特性,提出了一种基于PCA的边缘检测方法。PCA先利用KL变换来将原始数据变换成维数较少的特征数据,该变换在能量积聚和数据取舍上都具有方向性;同时在证明PCA的这两个方向特性的基础上,提出了一个经两次PCA操作获取边缘的新方法——TPCA。该新方法首先通过对图像进行PCA来得到其重建后的残差;然后再对该图像的转置图像进行PCA,并将所得残差做转置;最后通过对两个残差进行叠加,并二值化来得到比较好的边缘。实验结果表明,该算法不仅有效稳定,而且与经典的边缘检测算子相比,在提取感兴趣区域方面有独特的优势。     

基于核主成分分析的环境质量综合评价模型

环境质量评价是一个多指标决策过程,考虑到评价指标众多关系复杂,该文运用降维效果显著、能有效解决非线性问题的核主成分分析(KPCA)方法对主成分分析(PCA)综合评价进行改进,建立环境质量综合评价模型。实证研究结果表明该模型能够较客观地反映不同地区的环境状况。     

基于对角PCA的人脸识别方法

针对主成分分析（PCA）算法中存在没有提取人脸对角方向特征的问题．提出了先对人脸图像进行对角化的表示,然后利用PCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。     

PCA与2DPCA的关系

主成分分析和二维主成分分析是两种经典的数据变换方法。尽管许多学者对PCA和2DPCA进行了大量的研究和实验,但并未给出PCA与2DPCA之间的联系。文中给出二者之间的联系,即PCA与2DPCA在优化时具有相同的最优目标值,同时通过理论推导和在CMU-PIE与CK+库上的实验证明了这一观点。     

.基于相位一致性图像的模块化PCA人脸识别方法

提出了一种新的基于相位一致性的模块化PCA的人脸识别方法.解决了人脸识别受光照影响的问题.首先得到人脸训练样本的相位一致性图像;然后将人脸相位一致性图像划分为更小的子模块,用PCA方法处理这些子模块图像.在姿势、光照以及表情变化的情况下同一个人的局部面部特征是不变的,因此用该方法来处理这些变化.给出了传统的模块化PCA方法与该方法在不同姿势、光照和表情变化条件下的对比实验结果.实验结果表明该方法的人脸识别率较传统模块化PCA方法有了较大提高.     

基于核函数的PCA在QAR数据分析中的应用

分析了传统的主成分分析方法的不足,论述了KPCA方法及其时间复杂度高的缺陷。在此基础上,提出基于核函数构造的协方差矩阵的主成分分析,相比 KPCA,该方法具有快的降维速度。实验结果显示：把该方法用于QAR数据具有良好的降维效果和高分类正确率。     

基于PCA的SAR图像咖啡地貌特征提取

随着SAR图像处理技术日渐完善,精准提取出图像目标特征至关重要。本文在巴西咖啡场景数据集下开展研究,精确提取各地区咖啡地的主要特征。首先用二分类算法将数据集分为咖啡地和非咖啡地,因场景中包含阿尔塞堡、瓜拉尼西亚、瓜苏佩和圣山四个地区,受不同作物种植方式和气候的影响,地貌特征有较大差异,利用PCA算法在二分类结果上提取主要特征,得到四个地区的咖啡地貌特征。将该方法对比特征选取和线性评判分析,得出本文方法对不同地区地貌特征具有较好的提取准确度,提供了一种地貌特征提取的新方法。     

基于PCA和ICA的糖基化位点的预测和分析

为了提高糖基化位点的识别率,提出主成分分析(PCA)和独立成分分析(ICA)相结合的新方法对O-糖基化位点进行预测和分析。以窗口长度为51的蛋白质序列为研究对象,采用稀疏编码方案,首先利用PCA算法对蛋白质序列进行去相关预处理,以降低原始蛋白质序列的维数。然后利用ICA算法进行训练,提取特征向量构建子空间。测试序列投影到每一类子空间,计算测试序列和每类子空间重构序列的距离,根据距离大小确定所属的类。实验表明,提出的新方法有较高的预测性能。     

基于PCA和ICA的虹膜识别方法

为了提高虹膜识别的正确率,提出了利用主成分分析(PCA)与独立成分分析(ICA)相结合的方法,来对虹膜进行识别的方法。用该方法进行虹膜识别时,首先对预处理后的虹膜图像,利用PCA算法进行去二阶相关和降维处理;然后再进行ICA训练。ICA训练采用了以下两种方法:方法1,将参与ICA训练的图像看作是随机变量,而将图像中的像素值看作是随机实验结果,ICA训练后即可得到相互独立的ICA虹膜基图像;方法2,将图像中的像素值看作是随机变量,而将图像看作是随机实验结果,ICA训练后即得到相互独立的ICA系数。采用CASIA虹膜数据库进行的试验结果表明,基于PCA和ICA的虹膜识别算法在两种训练方式下的正确识别率分别达到98.89%和98.33%。     

基于Adaboost和PCA的嵌入式人脸识别方法

针对传统的Adaboost算法和主成分分析(PCA)算法用于人脸识别时在环境与姿态等非约束性条件下识别率大大降低以及要求训练样本符合高斯分布的缺陷,提出了一种融合Adaboost和PCA的与或关联决策方法.一方面,在需要安防模式时开启或决策,拒绝近似全部负样本的请求,最大限度保证识别的正确率;另一方面,在需要访客模式时开启与决策,以减少正样本的丢失.在Samsung 2440嵌入式Linux平台上采用该方法进行人脸检测时,基于2种决策方法,分别满足各自阈值.实验结果表明:该方法在嵌入式平台运行稳定,适合推广于智能家居控制与楼宇自动化控制.     

使用PCA建立基于规则的组合分类器

提出了一种使用基于规则的基分类器建立组合分类器的新方法PCARules。尽管新方法也采用基分类器预测的加权投票来决定待分类样本的类,但是为基分类器创建训练数据集的方法与bagging和boosting完全不同。该方法不是通过抽样为基分类器创建数据集,而是随机地将特征划分成K个子集,使用PCA得到每个子集的主成分,形成新的特征空间,并将所有训练数据映射到新的特征空间作为基分类器的训练集。在UCI机器学习库的30个随机选取的数据集上的实验表明:算法不仅能够显著提高基于规则的分类方法的分类性能,而且与bagging和boosting等传统组合方法相比,在大部分数据集上都具有更高的分类准确率。     

基于主成分分析的本科生能力评价方法研究

针对目前本科生综合素质评价体系并不能真实反映学生的能力这一问题,提出一种基于主成分分析的本科生能力评价方法。分析了能力评价体系的指标;编写皮尔逊相关系数软件,证明各个指标之间存在相关关系。利用主成分分析的方法将各指标按照不同能力类别进行划分,编写主成分分析软件,最终得出五类能力指标。利用这五类能力指标对学生的能力进行评价,得到的评价结果与学生的就业质量进行比对,得出结论,能力评价结果排名靠前的学生都是就业质量非常高的学生,并非传统的评价方法中排名靠前的学生,表明本文提出的能力评价方法更真实地反映了学生的能力。     

基于PCA/ICA的多数据流关联及模式发现

基于主成分分析技术、独立分量分析技术以及多数据流模型,将用于数据和信号分析的PCA/ICA方法应用于多数据流模型,提出多数据流关联度分析和模式发现的新模型。该模型适用于解决在线混合数据流分离,对挖掘多数据流潜在独立内因有良好效果。探讨模型的健壮性和实时性,并在实验中验证了系统性能。     

基于Kullback-Leibler与PCA的概率密度比值估计

为了更好地解决在机器学习和数据挖掘等领域中经常遇到的两个概率密度函数的比值估计问题,文中提出了一种新的概率密度比值估计算法.该算法基于Kullback-Leibler距离,综合混合高斯模型和主成分分析的概率密度比值估计方法,使用混合概率主成分分析为两个概率密度比值函数建模.在概率密度比值估计的过程中,不是分别估计比值函数的分子和分母,而是对整个比值函数进行混合组成建模.算法避免了分别对分子分母的概率密度估计,降低了估计的误差.实验表明该算法能够获得较好的估计结果.     

基于改进PCA和支持向量机的掌纹识别

掌纹识别是一种新兴的生物特征识别技术。掌纹识别是用掌纹特征(包括人眼可见的和不可见的)来进行身份鉴别的一种方法。其中掌纹特征提取和掌纹特征匹配是掌纹识别研究的关键部分和核心内容。在特征提取方面,给出了两种改进的特征提取方法。先对掌纹图像进行傅里叶变换,再对变换后的图像进行主成分分析;针对掌纹图像的特点,对PCA进行改进,设计了适用于掌纹图像的分块主成分算法。将一整幅掌纹图像分为若干子块图像,在此基础上进行主成分分析。通过实验验证了改进的特征提取方法可以提高识别准确率。在特征识别方面,模版匹配虽然在一定程度上计算量小,准确率高,但容易陷入小样本问题。因此通过训练SVM分类器,进行掌纹识别。实验证明该方法有较好的可行性。     

一种改进的模块PCA人脸识别新方法

提出了一种改进的模块PCA方法,即基于独立特征抽取的模块PCA方法。算法先对图像进行分块,然后对每一子块独立地进行PCA处理,求出测试样本子块与训练样本对应子块间的距离;最后将这些距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库和Yale人脸库上的实验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

基于 PCA 和 LDA 的方言辨识

针对PCA没有有效利用样本的类别信息而导致方言识别率低的问题,采用PCA和LDA组合方法进行特征提取。首先用PCA对普通话、上海话、广东话和闽南话四种方言进行降维,然后在降维后的空间中用LDA进一步特征提取,最后将该特征向量送入BP神经网络进行辨识。仿真实验结果表明,基于PCA和LDA的方言识别的平均识别率高达85%。     

基于PCA算法的人脸识别

介绍了隐马尔可夫特征脸模型（HMEM）,由概率性主成分分析方法（PPCA）与离散空间马尔可夫模型法（SL-HMM）整合而成,具有PPCA和SL-HMM的双重特性。利用ORL数据库进行人脸识别实验,结果说明该模型在性能上表现出较大的优势。