基于鉴别主成份分析的基因表达数据特征提取

针对高维小样本数据特征提取问题,通过融合主成份分析（PCA）和线性判别分析（LDA）,提出一种鉴别主成份分析方法。通过对PCA主成份进行单个线性判别,选择主要反应类间差异的主成份来构造特征空间。对yeast和NCI基因表达数据的实验结果表明：该方法在降维的同时能获得较好的判别特征,且能避免线性判别分析方法的奇异性。在子空间的聚类识别率相比PCA提高了20％以上,且具有较好的可视化效果,说明了用该方法对高维小样本数据进行特征提取的有效性。     

基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

基于信息熵的高维稀疏大数据降维算法研究

数据降维是从高维数据中挖掘有效信息的必要步骤。传统的主成分分析（PCA）算法应用于超高维稀疏数据降维时,存在着无法将所有数据特征一次性读入内存以进行分析计算的问题,而之后提出的分块处理PCA算法由于耗时太长,并不能满足实际需求。本文引入信息熵的思想对PCA算法进行改进,提出E-PCA算法,先利用信息熵对数据进行特征筛选,剔除大部分无用特征,再使用PCA算法对处理后的超高维稀疏数据进行降维。通过实验结果表明,在保留相同比例原数据信息的情况下,本文提出的基于信息熵的E-PCA算法在内存占用、运行时间以及降维结果都优于分块处理PCA算法。     

甲状腺结节超声图像特征提取及识别

采用多特征融合方法鉴别甲状腺结节超声图像的良恶性。首先用多尺度LBPV模型提取结节的局部纹理特征,然后与Tamura模型提取的全局纹理特征相结合,从全局和局部两方面对甲状腺结节的纹理特征进行了细致的描述。又提取了纵横比、圆形度、紧致度等形状特征,将上述特征进行融合并利用主成分分析法PCA对融合后的特征进行降维。实验结果表明,模型提取的特征用于分类识别时,较上述任一单一模型所提取特征用于分类时能获得更高的识别率。     

一种改进的SIFT—PCA算法在图像检索中的应用

针对SIFT算法（尺度不变特征）提取出的图像特征点向量维数较多造成计算量较大、检索效率低等问题,提出一种SIFT和改进的主成分分析（Principal Component Analysis,PCA）相结合的SIFT—PCA算法。该算法首先采用SIFT算法提取图像特征点向量,然后利用改进的PCA算法把特征点向量变换到另一个空间,得到最具有代表性的特征参数,实现对特征点向量的降维。此算法在保证原SIFT算法鲁棒性的同时减少了计算量,增强了实时性。实验结果说明了该算法具有尺度、平移、旋转、光照不变性,在图像检索中应用切实可行且效果良好。     

基于PCA-IAGNES的竹材分类模型研究

探讨竹材材性间的差异,旨在为筛选优质竹材提供理论依据,提出了PCA-IAGNES分类方法。以32个竹材数据集Bamboo Material作为研究对象,采用主成分分析结合非监督IAGNES分类方法对竹材进行聚类分析。结果显示,主成分分析降维后,前6个综合主成分可以代表竹材原始数据85%以上的信息量;将降维后前6个主成分组成的样本数据集运用IAGNES方法进行聚类分析,把竹材分成3类。聚类结果显示,巨龙竹、毛竹、大木竹材等综合性能优异竹材能够明显聚成一类,表明PCA-IAGNES分类模型能够为筛选优异竹材提供研究方法。     

基于即时学习的不完整高维数据非线性过程软测量

由于现代工业过程中数据存在高维性、强非线性、时变性和不完整性等特性,限制了局部加权偏最小二乘算法(LW-PLS)的预测精度。因此,本工作在即时学习建模算法的基础上,将偏最小二乘算法(PLS)应用于相似性样本的选择中,并研究比较了基于主成分分析法(PCA)无监督降维的即时学习算法和基于PLS有监督降维的即时学习算法。概率主成分分析法(PPCA)可以有效的解决数据不完整性的问题;基于PCA和PLS算法的处理,有效的解决了数据高维性问题。基于即时学习的局部加权建模,可以有效解决数据的时变性和非线性问题。所研究算法的有效性在一个数值例子和脱丁烷塔实例中得到了验证。     

基于卷积神经网络和PCA的人脸识别

主要研究了在基于深度学习的人脸识别算法中,对于由深度卷积神经网络提取得到的人脸特征进行降维处理是否有助于提高人脸识别的准确率.利用VGG网络模型提取人脸图像的深度特征,然后利用主成分分析(PCA)对提取到的深度特征进行降维,最后利用余弦分类器进行分类识别,并在LFW人脸库上进行实验.实验结果表明通过PCA降维后的深度特征具有较高识别率.     

基于随机旋转局部保持哈希的图像检索技术

针对基于局部保持投影（locality preserving projection,LPP）的哈希用于图像检索造成图像表征力不强、检索效率低下的问题,融合LPP及主成分分析（principal component analysis,PCA）技术,提出一种随机旋转局部保持哈希的图像检索算法。首先对样本进行PCA降维,对PCA变换矩阵进行随机旋转形成PCA降维矩阵,将原始样本在降维矩阵上进行投影,得到PCA降维样本。为充分利用样本间的相似性结构,对PCA降维样本进行LPP映射,并引入随机矩阵对特征向量进行偏移构造最终编码投影矩阵。再将原始样本投影到编码投影矩阵,得到最终的降维样本;最后对其进行哈希编码,得到有效的二进制编码用于图像检索。算法充分考虑样本间的全局和局部相似性结构,体现了样本间所蕴含的局部和全局信息,把随机旋转应用于PCA降维矩阵,减少了编码之间的量化误差,提高了图像特征的识别能力。分别在3个人脸数据集上进行性能测试实验,并与相关方法进行比较,得到了较好的效果。实验结果表明该方法是有效的。     

主成分分析的红外与可见光图像特征融合

针对红外与可见光图像特征融合提出一种基于主成分分析(PCA)的融合方法。分别提取红外与可见光图像的特征,采用主成分分析的方法进行特征融合,构造出有效的、维数较低的PCA融合特征。实验仿真结果证明PCA融合特征能在保持足够数量的有效信息基础上降低特征维数,提高了目标识别的效率。     

面向工业大数据的多层增量特征提取方法

针对工业大数据中高维小样本情况导致增量线性判别分析失效问题,提出了一种面向工业大数据的多层增量特征提取方法,对高维小样本数据进行有效降维,并最大限度保留样本的变异信息和判别信息．首先,利用滑动窗口增量实时更新数据流,检测和过滤离群点,基于增量主成分分析对数据进行初步特征提取,利用Fisher准则函数量化各主元所包含的分类信息;然后,采用熵值法确定各主元贡献率和识别能力的权重,对主元进行筛选,由筛选出的主元构成新的特征空间;最后,将当前窗口的高维数据通过增量线性判别分析投影,完成二次特征提取的同时确定样本类别．实验结果表明,该方法可有效提取实时数据特征,同时很好地保留其判别能力．     

基于PCA 和KNN 的电主轴故障诊断方法研究

电主轴是数控机床中重要的部件之一, 其性能的优劣直接影响机床工况和加工零件质量。对电主轴进行故 障诊断能很大程度上提高数控机床的加工精度, 并且能够有效地增加其可靠性和安全性。在一般诊断过程中, 原 始数据的高维特征量处理较为困难。为顺应实际应用中对电主轴故障诊断的精度要求, 提出一种基于主成分分析 (PCA) 与K 最近邻(KNN) 的电主轴故障诊断方法。此方法利用PCA 对原始非线性时间序列数据的特征向量进行 降维, 并选取其中主成分特征向量。将得到的主成分特征向量作为KNN 的输入进行故障分类。最后将该方法的预 测结果与决策树和随机森林的分类结果进行对比, 结果表明, PCA-KNN 算法在故障分类精度上相较于其他两种算 法有显著提高, 是一种有效的电主轴故障分类方法。     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。     

公司商业文案的分类判别研究

传统的判别分析方法只适用于维数较低的情况,当样本数据为高维和超高维时,需要先对数据进行变量的特征筛选,再利用传统方法进行判别分类.使用R软件,利用M-V方法对巴西某公司所有的9类文案进行降维,找出分类标准,并对未来不同文案的分类进行预测.最终确定逐步判别法对降维后的文案分类效果好,预测效果也不错.     

基于主成分和支持向量机的降维和模式分类

首先讨论主成分分析和支持向量机的基本思想和实现过程,由于主成分分析PCA方法具备降维的功能,而支持向量机SVM方法又具有高分类准确率的优点,尝试将两者结合起来进行模式分类,最终经过实验验证获得成功.采用UCI数据库中的wine数据库分别对PCA、SVM、主成分和支持向量机结合的模式分类这三种方法进行实验仿真和比较,并取...     

基于广义主成分分析的图像重建

主成分分析(PCA)在图像识别及高维数据降维中有着普遍的应用.为提升基于主成分分析的图像重建性能,在经典PCA算法的基础上提出了广义主成分分析(TPCA),并利用该算法进行图像重建.该算法利用图像像素的空间邻域构成固定尺寸的数组并将其作为广义标量进行代数运算,可以方便有效地描述各像素的空间约束,从而提升图像的重建效果,...     

纱线横截面图像中的材质识别

应用主成分分析(PCA),在尽量减少信息损失的前提下,把毛粘混纺纱线横截面图像中羊毛和粘胶的原始特征指标转化为少数综合性指标.利用BP(Error Back Propagation)神经网络较强的学习能力,对羊毛和粘胶的混纺纱线横截面图像进行识别分析.通过对实例图像进行预处理,提取特征数据;应用主成分分析法进行数据降维并利用BP神经网络进行机器学习及识别分类,取得了与实际相符的羊毛和粘胶两种材质的分离效果.     

软件缺陷数据集的数据质量优化

数据集的质量对软件缺陷预测模型的效果至关重要.针对传统数据集特征过多导致的学习速度较慢以及缺陷样本远少于无缺陷样本的类不平衡问题,提出一种基于主成分分析法(Principal Component Analysis,PCA)和数据加权增广的数据集优化方法:通过PCA方法对数据进行降维,有效去除了冗余数据,减少模型的学习时...     

基于核主成分分析的特征提取方法

为了证实核主成分分析在特征提取中的优越性,利用支持向量机作为分类器,以主成分分析和核主成分分析作为特征提取的工具,以分类器的分类性能作为方案优劣的评判标准设计了六种实验方案进行实验分析。实验数据表明,对特征选择后的数据集利用主成分分析和核主成分分析进行特征提取,可将数据投影到一个更低维的特征空间,实现数据维数的约简和分类器性能的提高。同时还发现,在对数据进行特征提取的能力上,核主成分分析优于主成分分析。     

基于PCA和KNN的的电主轴故障诊断方法研究

电主轴是数控机床中重要的部件之一,其性能的优劣直接影响机床工况和加工零件质量。对电主轴进行故障诊断能很大程度上提高数控机床的加工精度,并且能够有效地增加其可靠性和安全性。在一般诊断过程中,原始数据的高维特征量处理较为困难。为顺应实际应用中对电主轴故障诊断的精度要求,提出一种基于主成分分析(PCA)与K最近邻(KNN)的电主轴故障诊断方法。此方法利用PCA对原始非线性时间序列数据的特征向量进行降维,并选取其中主成分特征向量。将得到的主成分特征向量作为KNN的输入进行故障分类。最后将该方法的预测结果与决策树和随机森林的分类结果进行对比,结果表明, PCA-KNN算法在故障分类精度上相较于其他两种算法有显著提高,是一种有效的电主轴故障分类方法。