基于主元分析的人耳识别方法的研究

由于人耳图像自身的特点,基于外观形状特征如利用边缘或耳廓压痕的识别方法存在很大的缺陷,尝试采用了基于主成元(PCA)的分析方法提取人耳特征,然后运用BP神经网络进行识别。他完全克服了在以往应用外观形状特征进行识别时存在的错误率过高和特征提取预处理要求过于苛刻的问题。实验结果表明该方法实用、有效,可使识别率达到99%以上,有着广泛的研究价值和应用前景。     

基于主分量分析的噪声压缩技术研究

本文首先提出了客观评价噪声压缩效果的两个指标：残余噪声能量和信号畸变指标。并在此基础上提出了一种基于主分量分析的时间序列噪声压缩方法─噪声压缩链。这种方法充分利用了信号和白噪声之间的统计特征差别，能够有效地压缩时间序列中的白噪声，同时使序列中的信号畸变较小。实例分析结果说明了该方法的有效性。     

多线性鲁棒主成分分析

鲁棒主成分分析（RPCA）是恢复低秩与稀疏成分的一种非常有效的方法.本文将RPCA推广到张量情形,提出了多线性鲁棒主成分分析（MRPCA）框架.首先建立了MRPCA模型,即最小化张量核范数与l₁范数的加权组合.然后使用增广拉格朗日乘子法求解上述张量核范数优化问题.实验结果证实：对于具有多线性结构的数据,MRPCA比RPCA更加鲁棒.     

基于自适应滑窗递归稀疏主成分分析的工业过程故障监测

本文提出一种自适应滑窗递归稀疏主成分分析方法,用于时变工业过程的在线故障监测.首先,通过滑窗提取正常过程数据空间的特征信息,并对当前窗口数据块矩阵进行稀疏主成分分析,构建稀疏主成分分析故障监测模型;然后,根据相邻窗口的相似度实时调整遗忘因子以自适应更新滑窗大小,使得所建立的稀疏主成分故障监测模型可以有效追踪复杂的时变过程;最后,通过递归更新滑窗稀疏载荷矩阵来动态更新故障监测模型.非线性数值仿真系统与田纳西-伊斯曼过程的故障监测结果表明,所提方法可以有效提高故障检测的准确率,适应于长流程时变工业过程在线故障监测.     

基于主成分分析的图像自适应阈值去噪算法

主成分分析（PCA）是一种将多个变量通过线性变换选出较少个数重要变量的一种多元统计方法。在图像去噪中,由于图像的局部相似性,提出一种新的有效的去除噪声的算法。通过块匹配法寻找出相似块作为训练样本,利用主成分分析提取信号的主要特征,然后根据统计理论中最小均方误差方法构造线性自适应阈值方程,对含噪图像的每一块进行自适应阈值去噪。实验结果表明,该方法能有效去除图像的高斯白噪声,并同时能很好的保持边缘等的细节信息。     

基于主成分分析的经验模态分解消噪方法

 针对非线性非平稳信号的去噪问题,提出一种基于主成分分析(PCA)的经验模态分解(EMD)消噪方法.该方法根据EMD的分解特性,利用PCA对噪声信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理:首先利用"3σ法则"对第一层IMF进行细节信息提取,并估计每层IMF中所含噪声的能量;然后对IMF进行PCA变换,根据IMF中所含噪声的能量选择合适数目的主成分分量进行重构,以去除IMF中的噪声.为验证本文方法的有效性,进行了数字仿真与实例应用实验.实验结果均表明,所提方法的消噪效果整体上优于Bayesian小波阈值消噪方法和基于模态单元的EMD阈值消噪方法,是一种有效的信号消噪新方法.     

Joint Channel Coding Based on Principal Component Analysis

This paper proposes a new joint channel coding algorithm based on principal component analysis. A conventional joint channel coder using passive downmixing undergoes a reduction of both the primary‐to‐ambient energy ratio (PAR) of the downmix signal and the panning gain ratio of the primary source. The proposed system preserves the PAR of the downmix signal by using active downmixing which reflects spatial characteristic. The proposed system also improves the accuracy of the panning gain ratio estimation. Computer simulations and subjective listening tests verify the performance of the proposed system.     

一种基于神经网络的模拟电路故障诊断方法

提出了一种基于模拟电路故障诊断的神经网络方法。这种方法利用小波分解、数据标准化、主成分分析对输入数据进行预处理,采用k个神经元输出的前馈神经网络结构进行有效训练。该方法检测和识别故障准确率高,系统的鲁棒性和稳定性强。     

二维主分量分析的脉内调制识别算法研究

随着雷达信号脉内调制方法日趋复杂,单纯地利用时域或频域的算法来进行信号调制类型的识别已很难奏效.借助于雷达信号的时频分布图像,提出了一种在时频联合域上进行信号识别的新算法.首先揭示了时频分布图像中确实蕴含着信号调制类型的本质特征,然后详细阐述了利用二维主分量分析来提取时频分布图像特征参数的算法,最后对算法进行了仿真,并从识别率、算法复杂度以及硬件需求和训练时间3个角度进行了比较.结果表明,该算法提取的特征参数具有很好的鲁棒性,可以取得较高的识别率,同时可以降低硬件需求,缩短训练时间.     

基于反射光谱和主成分分析的生物炭快速溯源鉴别研究

快速鉴别生物炭源质对生物炭的合理开发与应用具有重要意义。本实验以14种生物炭为研究对象,采用全校验主成分分析（PCA）方法对样本光谱进行数据压缩和主成分提取。由第一、第二主成分得分构成的二维分布图显示了不同源质生物质的样本分布特点。由前3个主成分构成的线性鉴别模型（PC—LDA）应用于验证集样本预测效果最佳,判错个数最少。实验结果表明,光谱技术结合主成分分析方法能够实现生物炭源质的快速鉴别与诊断。     

基于PCA和PNN的模拟电路故障诊断

为了解决模拟电路故障识别困难的问题,提出一种基于主成分分析和概率神经网络的模拟电路故障诊断方法。该方法对采集到的模拟电路故障信息进行特征提取,将提取的故障特征归一化处理后输入概率神经网络,进行训练和故障模式的分类识别。实验结果表明,该方法是有效的,具有较高的故障诊断率。     

基于多分辨分析的红外/被动毫米波图像主成分融合

红外/毫米波(IR/MMW)复合制导是当前发展多模复合制导技术的热点方向。针对红外探测系统在低能见度条件下穿透能力有限,而被动毫米波探测虽然穿透能力较强、但图像分辨率不高的问题,为了更好地进行红外与被动毫米波图像融合,使得复合探测器能够全天候工作,提出一种新的基于多分辨分析的主成分融合方法(M-P)。利用多分辨分析可以按图像的分辨率空间很好地处理信息的优势,M-P融合方法首先对红外与被动毫米波探测的坦克群图像进行分解去噪;对重构后图像分别进行主成分变换;用高分辨率图像的第1主分量代替低分辨率图像的第1主分量;最后做逆主分量变换来得到最终的融合图像。实验仿真结果表明,与PCA方法比较,新方法融合得到的图像能更好地区分坦克群目标和地物背景。     

基于主成分分析法评估上海世博对就业的影响

考虑影响上海就业的6个主要指标即资本形成总额、消费者物价指数（CPI）、人口数量增长率、人口密度、经济增长率和人口总数量。为了把问题简单化,运用主成分分析法把上海地区1996-2009年的6个指标值列成14行6列的原始数据矩阵A,并结合原始矩阵A的数据,利用Matlab求出原始矩阵的特征值、特征向量、贡献率及积累贡献率,并根据所求出的值进行主成分分析,从影响上海就业的6个指标中综合出对上海就业影响较大的影响因子指标。结果表明,上海世博极大促进了上海的就业和创业。     

模拟电路的多频灵敏度故障诊断方法

文章在灵敏度故障诊断方法的基础上提出多频灵敏度参数识别故障诊断方法，并给出选择测试频率的一般原则。该方法能够适用于可及测试节点较少的电路。针对模拟电路中一般只存在部分元件故障的情况，进一步提出只识别部分故障元件参数的多频灵敏度故障诊断方法，使该方法能适用于更大规模的电路。电路仿真结果验证了所提方法的有效性。     

基于深度学习的故障诊断方法综述

海量高维度的过程测量信息给传统的故障诊断算法带来极大的计算复杂度和建模复杂度,且传统诊断算法存在难以利用高阶量进行在线估计的不足。鉴于深度学习技术强大的数据表示学习和分析能力,基于深度学习的故障诊断引起了工业界和学术界的广泛关注,并促使智能过程控制更加自动化和有效。该文从方法上将基于深度学习的故障诊断技术分为：基于栈式自编码的故障诊断方法、基于深度置信网络的故障诊断方法、基于卷积神经网络的故障诊断方法及基于循环神经网络的故障诊断方法4类,分别进行了回顾和总结,最后从数据预处理、深度网络设计和决策3个层面对这一领域进行展望,提出了“集成创新”、“数据+知识”和“多技术融合”等故障诊断思想,阐明基于深度学习技术进行复杂系统的故障诊断仍具有巨大潜力。

     

采用主分量分析方法研究随机共振

噪声能量向信号能量的转换是随机共振具有的独特优点,也是实际应用随机共振进行弱信号检测的基础。由于随机共振系统只在合适量的噪声输入时产生最大的信噪比输出(共振),过多、过少的噪声都会降低系统的性能,因此,如何有效地控制输入到随机共振系统中的噪声十分重要。本文首次提出采用主分量分析方法研究随机共振,其基本思路是分解信号和噪声能量到相互正交的主轴方向上,之后进行重构,通过控制重构主轴的数目(重构维数),获得最优量的输入噪声。实验结果证实了方法的有效性。     

小生境概率主成分分析分布估计算法

文章在概率主成分分析分布估计算法的基础上提出了一种基于小生境的分布估计算法。将选出的最优个体集合随机划分为两部分，分别用概率主成分分析模型进行分布估计，并产生新个体。然后利用分布参数自动地调节小生境的参数，将产生的新个体融合到小生境当中。试验结果表明，该算法能够有效地防止早熟收敛，可以较大的提高算法的全局搜索效率。     

基于复数主成分分析的磁共振波谱信号衰减系数的自动校正

衰减系数的校正是磁共振波谱信号处理和分析过程中的一个关键难题。本文基于复数主成分分析，提出了一种自动的磁共振波谱衰减系数的校正方法，较成功地解决了这个难点问题。文中的模拟数据及其实现结果充分验证了该方法的有效性。     

主分量分析法在红外数字图像序列处理中的应用

为了提高红外热像无损检测中所重构的数字图像的缺陷对比度,从而提高红外热像无损检测的缺陷探测能力,研究了主分量分析法及其在红外数字图像序列处理中的应用.介绍了主分量分析法的原理;用该法对实验中采集的红外数字图像序列进行处理;以信噪比为指标对图像处理效果进行了定量评定.研究表明主分量分析法不仅消除了红外热像无损检测中的加热不均效应,而且使图像序列中图像的信噪比得到不同程度的提高,使图像的质量得到了很大改善;因此是红外热像序列处理的一种有效方法.     

基于主成分分析的CO2统计反演方法

二氧化碳（CO2）卫星遥感中,大气环境因素是影响反演精度的重要原因,目前反演条件通常限制在气溶胶光学厚度小于0.3的情况。我国大气气溶胶高值情况较为普遍,对大气条件的较高要求将严重影响我国CO2卫星遥感数据的应用能力。针对这种情况,利用基于主成分分析法对中国京津地区高气溶胶光学厚度的大气CO2反演,得到的CO2柱浓度与2013年、2014年GOSAT-Level2产品进行对比分析,均方根误差分别为0.65%和0.46%,相关性分别为0.77和0.93。