基于主元分析法的人脸识别系统

基于 PCA(主元分析)的特征脸人脸识别方法,是一种通过模式识别进行人脸识别的很有效的方法,提取人脸图像的代数特征,以及采用 K-L 变换方法来降低人脸特征的维数并排序.这样利用所提取图像代数特征与原样本库中图像的代数特征的比较,就可对人脸图像进行识别     

基于核主元分析法的组合核函数改进算法

提出了一种新型的组合核函数应用于构建支持向量机当中.这种组合核函数将高斯核函数与多项式核函数各自的特点融合在一起,构建了一种兼具内推和外推性能的核函数.经实验验证,将这一核函数应用在核主元分析法中,可以有效地提高识别精确度和效率.     

基于主成分分析法的消费级数码相机特征性指标分类

选取市场上较为畅销的17款消费级的数码相机为研究对象,运用主成分分析法对相机的价格、传感器尺寸、有效像素、光学变焦倍数、焦距、最大光圈、显示屏尺寸、显示屏像素、快门速度、感光度、高品质连拍性能和重量等12个指标进行统计分析,并对其进行特征分类。结果表明,可以将数码相机的价格、传感器尺寸、显示屏像素、感光度、重量归为一类,将光学变焦倍数、焦距、最大光圈归为一类,其余参数归为一类。目的在于探究消费级数码相机价格的影响因素,同时让读者对数码相机各主要配置参数有更为清晰的认识。     

主元分析法去除瞬态系统收发耦合波研究

在瞬态信号的测量系统中,收发天线的耦合信号是接收系统的主要干扰之一,对系统的性能有很大影响,尤其对近场遥感系统如表层穿透雷达(SPR)系统的影响更为明显。故耦合波的去除对系统的信号处理性能起着至关重要的作用。该文依据SPR系统对信号处理的特定要求及其工作条件,提出了采用主元分析法去除直达波的方法。通过理论分析和具体试验证明该方法可有效去除回波信号中耦合信号;此外,该处理算法简单高效,易于实现实时处理。     

基于遗传BP神经网络算法的主被动遥感协同反演土壤水分

提出了一种基于遗传神经网络算法的主被动遥感协同反演地表土壤水分的方法.首先,建立一个BP神经网络,并采用遗传算法对BP网络的节点权值进行了优化.然后分别将TM数据(TM3,TM4,TM6)、不同极化和极化比的(VV,VH,VH/VV)ASAR数据作为神经网络的输入,土壤水分含量作为网络的输出,用部分实测数据对网络进行训练并反演得到研究区土壤水分布图.最后,利用地面实测数据分别对遗传神经网络优化算法的有效性和主被动遥感协同反演的效果进行了验证,结果表明,新优化算法是有效可行的,且TM和ASAR协同反演的结果比两者单独反演的结果明显要好,体现了主被动遥感协同反演土壤水分的优势与潜力.     

基于PCA和BP神经网络算法的车牌字符识别

文章采用了双重PCA算法链接BP神经网络的方法对车牌字符进行识别.先由主成分分析法对原始样本数据进行分类,然后由BP神经网络法对拒识样本进行识别.研究结果表明,与传统的单一识别方法相比,提高了识别正确率,减少了训练时间.     

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。     

基于主成分分析与BP神经网络的识别方法研究

利用BP神经网络对红外目标进行识别之前,若不对原始样本数据进行预处理与特征提取,一方面使识别结果准确性降低,另一方面使BP神经网络的结构复杂化,采用主成分分析法可解决这些问题。主成分分析法能较好地提取表征样本的少数几个主分量,由该方法的特点可知,这几个主分量彼此不相关,非常符合特征优化的要求。研究结果表明,用该方法处理后的结果数据输入BP神经网络．提高了识别正确率,减少了训练时间,同时也简化了网络结构。将两种常见的模式识别方法结合用于红外目标识别：先由主成分分析法对原始样本数据进行精简处理,然后再由BP神经网络法进行分类识别,与传统的单一识别方法相比,准确度得到提高,计算量大为减少。     

基于主元分析和Fuzzy ART模型的人脸识别算法

本文从子空间的理论出发,先用一写数量的人脸榇一构造优化的“人脸空间”,“人脸空间”能更好的描述人脸图象矢量的分布。把人脸图象在子空间进行投影得到人脸的特征向量。然后在Ｆｕｚｚｙ ＡＲＴ模型的基础上设计发类器。用４０组共计４００张人脸图象结系统进行测试,实验结果表明识别率在９５％以上,系统具有良好的识别能力和鲁棒性。     

基于主成分分析与深度神经网络的快速噪声水平估计算法

鉴于从噪声图像分解获得的原生图块集合的协方差矩阵前若干个特征值（按照升序排序）与图像噪声水平值具有强相关性,提出了一种基于主成分分析和深度神经网络的快速噪声水平估计算法.该算法首先选用原生图块集合协方差矩阵前若干个特征值构成刻画图像噪声水平高低的特征矢量,然后在大量有代表性且已标定噪声水平值的噪声图像集合上利用深度神经网络训练预测模型以实现将特征矢量直接映射为噪声水平值,最后为获得更高的预测准确性,采用粗精预测模型相结合的两步预测方式实现.实验表明：文中算法在各个噪声级别上都具有稳定的预测准确性,且执行效率非常高,作为降噪算法的前置预处理模块具有更好的综合优势.     

主成分分析与BP神经网络的人脸识别方法研究

BP神经网络在人脸识别方面的研究中,原始样本数据不进行预处理与特征提取,不仅使识别结果准确降低,而且使BP神经的结构复杂化。主成分分析法能提取代替样本的少数几个主成分,这些主成分彼此不相关,符合特征优化的要求。BioID人脸数据库实验表明,将主成分分析与BP神经网络相结合,与传统单一的BP神经网络识别相比,提高识别的正确率,减少了训练时间,同时简化了网络结构,减少很大的计算量。     

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BP神经网络的姿态测量系统摄像机标定

针对摄像机标定过程中复杂的成像和畸变模型,利用误差逆传播(BP)神经网络对复杂非线性映射关系的强大逼近能力,对姿态测量系统中的摄像机进行隐式标定,建立了姿态测量中三维空间目标特征点与它在图像平面上像点间的映射关系,使姿态测量系统无须进行复杂的摄像机标定,直接恢复目标特征点的三维信息,从而计算得到目标姿态信息.结果表明,该方法对于空间点坐标恢复的均方根误差小于0.015 mm,可以获得较高的精度.     

基于主成分分析的实时全网络异常检测方法

网络性能异常检测对于促进网络健康发展具有重要意义。针对目前全网性能异常检测大多通过离线检测,无法提供良好的实时在线检测性能的问题。文中采用主成分分析方法建立异常检测模型,结合历史性能数据和近期网络性能波动状况去适应性调整网络异常判断阈值,实现了异常检测的实时在线化,并在NFV网络上进行数据采集。实验结果表明,与被广泛采用的离线检测方法比较,该方法在检测的误报率上减少了5%8%,对于网络运行商而言具有较大的使用价值。     

基于CNN的SAR图像目标分类优化算法

随着合成孔径雷达技术的成熟,传统方法已经难以满足海量SAR数据的分类精度和速度需求。为解决上述问题,采用卷积神经网络对海量SAR数据进行分类。针对SAR图像数据的特点,对卷积神经网络结构参数进行调整,提高网络训练速度,克服权重更新中的梯度消失,改善网络训练过程中收敛慢的问题,提升目标分类准确率。同时提出了一种ZCA白化与主成分分析相结合的方法对SAR图像进行预处理,进一步提升了网络的训练速度以及目标分类的准确率。实验采用的是美国MSTAR数据库,通过上述优化方法得到了较好的分类效果。     

一种基于主成分分析的综合网管系统设计及实现

在大数据时代,能否有效利用数据已经成为决定运营商竞争力的重要因素。当前运营商对网络数据分析的主要方法是基于数据仓库进行联机分析处理（OLAP）。OLAP的性能严重依赖数据模型的预先定义,其无法对业务和状态实时变化的现有网络情况进行及时有效的跟踪,针对这一问题提出了一种基于主成分分析的网络数据挖掘方法,并通过对实际网络数据的分析、比较,验证了该方法的有效性。     

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。     

基于主成分分析融合神经网络的移动设备威胁研究

为了提高移动设备存在威胁风险分析的准确率和抗干扰能力,进而降低投诉率,提出一种基于主成分分析融合反向传播神经网络风险分析模型。通过核主成分分析将设备威胁类型从10个特征量降低到3个主特征量,提取了原始数据的主信息,并以降维后的特征量作为BP神经网络的输入特征量, 建立设备威胁风险分析模型。最后通过实验对比了多种模型算法, 结果表明采用主成分分析结合反向传播神经网络的风险分析模型具有更好的风险识别准确率。