碳纤维复合材料超声缺陷信号特征提取与降维

在对碳纤维复合材料进行超声无损检测时获取的回波信号往往构成复杂,某些缺陷特征不明显,使用传统小波方法对这类信号进行特征提取时效果并不理想。为解决上述问题,提出基于双树复小波包变换的频带局部能量特征提取方法以获取碳纤维复合材料超声缺陷信号的初始特征向量;在此基础上,使用基于粗糙集的ε-约简方法完成特征降维。实验结果验证了所提出方法的有效性,为实现碳纤维复合材料缺陷的自动和准确识别提供了新途径。     

基于加权PCA的声音指纹降维技术

声音指纹技术现在已经广泛的应用到了歌曲搜索、乐曲识别、声音修复等各个领域，但其关键技术——音频降维技术仍存在分类效果不好、可靠性不高等问题。针对音频数据高维化存在较大随意性，提出了基于模式识别的音频数据高维化的最优方法。并在此基础上，提出了采用加权PCA方法作为声音指纹的降维技术，不仅分类效果大为明显，且由于方法还保持了线性方法的简单性，保证了大批量处理数据成为可能。     

基于旋转不变HOG特征的焊缝缺陷类型识别算法

根据某钢管厂实际采集到的X射线焊缝图像,并通过对焊缝缺陷多样性和形态多变性特点的研究,给出一种基于旋转不变HOG特征提取的焊缝缺陷类型识别算法. 首先,将项目前期已经检测到的多种缺陷进行分类和统计,截取每幅焊缝图像的ROI部分,构成实验所需的缺陷样本. 通过尺度变换和圆形细胞划分方式,得到具有尺度不变性和旋转不变性的HOG特征,将所有样本特征进行PCA降维,维数由贡献度决定. 最后使用LSSVM模型对缺陷进行类型识别. 通过研究block块重叠范围对识别正确率的影响,发现在一定范围内,重叠范围越大,识别正确率越高. 该算法通过改进传统HOG特征提取方式,提高了缺陷识别的正确率.     

基于PCA图像融合的皮革缺陷检测

皮革缺陷检测技术落后是影响皮革行业快速发展的众多原因之一,因此改进检测方法是皮革行业快速转型升级的重要手段之一。论文提出一种基于分块的PCA融合算法和迭代阈值分割算法相结合的皮革缺陷检测方法。该算法可以一次性检测出皮革中孔洞缺陷（穿透和未穿透）和表面划痕缺陷,经实验证明论文提出的算法相比其他方法,检测效果更好,分割出的缺陷轮廓更加清晰、完整,检测准确度高达83.9%。     

基于改进CHI和PCA的文本特征选择

针对文本数据中含有大量噪声和冗余特征,为获取更有代表性的特征集合,提出了一种结合改进卡方统计(ICHI)和主成分分析(PCA)的特征选择算法(ICHIPCA).首先针对CHI算法忽略词频、文档长度、类别分布及负相关特性等问题,引入相应的调整因子来完善CHI计算模型;然后利用改进后的CHI计算模型对特征进行评价,选取靠前...     

基于二维PCA算法的三维人脸识别

在二维PCA人脸识别算法的基础上,将PCA算法用于三维人脸识别,采用鼻尖点作为特征点。在CASIA三维人脸数据库中进行测试,达到了约为89.5%的识别率,能够识别出受外界干扰如扭转角度的图片,该算法性能优良。     

融合PCA的支持向量机人脸检测研究

支持向量机（Support Vector Machine,SVM）作为一种经典的非线性分类器,用于模式识别,可以将训练样本从不可线性分类的低维空间映射到可线性分类的高维空间,再做分类,本文主要训练支持向量机使它学会区分人脸和非人脸。支持向量机的数学推导完备,算法逻辑严密,整体上比Adaboost算法复杂,但在样本量较少的情况下效果良好,因此有样本优势。支撑它的理论包含泛化性理论、最优化理论和核函数等,这些理论也被学术界广泛用于其他机器学习算法如神经网络,几十年来被证明具有很高的可靠性。同时本文论述主成分分析技术（PCA）用于压缩数据,实现数据降维,在数据预处理方面算法提供了很大帮助,使SVM支持向量机的输入数据维数大幅下降,大大提高了运算和检测时间。     

基于类别信息的邻域保持嵌入算法

邻域保持嵌入通常被广泛用于发现高维数据的固有内在维数.为了充分利用样本的类别信息,构建了一个具有判别信息的邻接矩阵,其可以使同类样本点更加紧凑而异类样本点更加疏远.在此基础上,提出了基于类别信息的邻域保持嵌入算法.基于类别信息的邻域保持嵌入算法在不破坏原始高维数据局部几何结构的同时,可以使处于不同子流形上的样本点尽量分开.在UCI数据集和ORL人脸数据集上的实验结果表明,基于类别信息的邻域保持嵌入算法具有较高的识别率.     

基于LSVM算法的人脸识别方法研究

对于人脸识别的关键技术进行了深入研究.提出了一种PCA(Principal Component Analysis)和LSVM(Lagrangian Support Vector Machine)相结合的人脸识别方法.首先使用PCA算法对人脸图像进行特征提取和降维处理,然后设计了一种比传统SVM更易于实现而且效率更高的LSVM算法分类器,最后针对ORL人脸图像库的识别结果表明,该方法的识别率比自联想神经网络高.     

一种基于比例因子的PCA人脸识别方法

主成分分析(PCA)是自动人脸识别的常用方法。在基于传统K-L变换的PCA人脸识别方法的基础上，提出了一种基于比例因子的PCA人脸识别的改进方法。研究表明，较之K-L变 换，基于比例因子的方法更有效，合理选取比例因子和主成分是提高识别准确率的关键。     

MI和改进PCA的降维算法在股价预测中的应用

考虑到单个特征对标签的有效性及多特征之间的信息冗余问题,提出一种联合互信息和改进PCA的双重降维方法。利用互信息对众多的特征进行初步筛选,舍弃一部分对标签信息贡献较低的特征,使用累积方差贡献率和复相关系数共同确定主元个数的主成分分析法进行二次降维,不仅保证了主元模型的信息容量,同时也避免了过多噪声的参与,从而保证了预测过程的准确性。通过神经网络对实际股票数据进行预测,表明了提出的降维算法的有效性。     

利用PCA进行深度学习图像特征提取后的降维研究

深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增,极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标,对深度学习中的各种数据降维方法进行分析.在此基础上,以Caltech 101图像数据集为实验对象,采用VGG-16深度卷积神经网络进行图像的特征提取,以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段,采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后,使用PCA法将数据维度降至64维,依然能够保持较高的特征信息.     

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

利用PCA算法提供了一个高维和低维间的线性变换矩阵,这个变换矩阵可以通过求取协方差矩阵的特征向量获得而无需其它参数。PCA可逆的线性变换矩阵对截断的误差在均方差意义下最小的特点,即以各维特征欧氏距离上的重建误差和最小为目标,平均对待每一维特征,来截取图像一部分能量,以降低获取数据的维数,提高识别的速度,同时尽可能地提高精度。     

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PCA和ICA模式融合的非高斯特征检测识别

针对无人船(Unmanned surface vehicle, USV)航行位姿观测数据的非高斯性/高斯性判别问题, 提出一种基于主成分分析(Principal component analysis, PCA)和独立成分分析(Independent component analysis, ICA) 模式融合的非高斯特征检测识别方法. 首先, 采用基于标准化加权平均和信息熵的数据预处理方法. 其次, 引入混合加权核函数并使用灰狼优化(Grey wolf optimization, GWO)算法进行参数优化, 以提高PCA方法的准确性. 同时, 该算法采用一种新的非线性控制因子策略, 提高全局和局部搜索能力. 最后, 建立了一种基于ICA和PCA联合的相关性分析方法来实现多维数据的降维, 在降维数据的基础上综合T型多维偏度峰度检验法和KS (Kolmogorov-Smirnov)检验法进行非高斯性/高斯性特征检测识别. 该方法考虑了非线性非高斯的噪声对降维结果精确度的影响, 有效降低了多维数据非高斯检测的复杂度, 同时也为后续在实际USV位姿估计等应用中提供了保障. 实验表明, 该方法具有较高的准确性和稳定性, 可为 USV 航行位姿观测数据处理提供支持.