基于最大间隔超平面的增强特征提取算法

核主成分分析（KPCA）与多层感知器（MLP）是流行的特征提取算法,但这些算法存在效率低下与易陷于局部最优解等问题。针对KPCA与MLP算法存在的问题,提出了一个新颖的特征提取算法--基于最大间隔超平面的增强的特征提取算法（EFE）。该算法独立于输入样本的概率分布,通过采用隔间最大化且两两正交的最大分割超平面,将输入样本映射到超平面的法线所张成的子空间中,实现输入样本的特征提取。在对现实世界数据集wine与AR的特征提取的实验表明,基于最大间隔超平面的增强特征提取算法在执行效率、识别准确率方面均超出了KPCA与MLP的执行效率与识别准确率。     

一种基于仿生嗅觉的室内有害气体成分识别方法

室内有害气体对居民的健康容易产生巨大的威胁。为了提高室内有害气体成分识别的准确率,提出一种基于仿生嗅觉与卷积神经网络相结合的室内有害气体成分识别方法。该方法利用卷积神经网络提取非线性特征的能力对仿生嗅觉的响应信号进行特征提取和成分识别。通过使用气体样本集对该方法进行验证,实验结果表明对不同种类和浓度的有害气体成分识别率均达到88. 89%。     

高分辨雷达信号的平移不变KPCA特征提取算法

研究高分辨雷达信号特征提取,针对传统提取平移不变特征存在信息损失量大、识别的准确率低的问题,提出了一种平移不变KPCA特征提取算法。首先计算高分辨雷达信号的原点矩,并在低信息损失的前提下利用高分辨雷达信号相对原点矩的位置来描述原信号,从而消除高分辨雷达信号的平移敏感性。然后结合KPCA特征提取算法得到平移不变的特征信号。最后应用SVM分类器对特征信号进行分类识别。实验证明,改进算法识别率高于雷达目标识别系统中的传统特征提取算法,略低于KPCA特征提取算法,且在常用雷达探测距离内都能够保持较高的识别率。     

基于核主成分分析特征提取的客户流失预测

将核主成分分析(KPCA)引入到客户流失预测中,提出了相应的特征提取算法。将KPCA与Logistic回归结合,设计了预测模型。通过对某电信公司客户流失预测的试验结果表明：该方法获得的命中率、覆盖率、准确率和提升系数高于原始属性集和主成分分析(PCA)特征提取法。这表明KPCA能提取客户数据的非线性特征,是研究客户流失预测问题的有效方法。     

核协同表示在人脸识别的遮挡问题中的应用

人脸识别算法是一个特征提取和分类器设计的过程。针对人脸识别中的遮挡问题,提出一种基于核主成分分析(KPCA)和协同表示(CRC)相结合的人脸识别算法。提取特征时,利用KPCA提取人脸图像中利于判决的非线性结构特征,使得样本在保留了最有效判别信息的同时降低了特征维数。设计分类器时,考虑到样本之间的协同性,采用综合考虑样本之间信息的协同表示分类器进行分类识别。实验结果证明,该算法获得了很好的识别效果,效率也得到了提高。     

核协同表示在人脸识别的遮挡问题中的应用

人脸识别算法是一个特征提取和分类器设计的过程.针对人脸识别中的遮挡问题,提出一种基于核主成分分析(KPCA)和协同表示(CRC)相结合的人脸识别算法.提取特征时,利用KPCA提取人脸图像中利于判决的非线性结构特征,使得样本在保留了最有效判别信息的同时降低了特征维数.设计分类器时,考虑到样本之间的协同性,采用综合考虑样本之间信息的协同表示分类器进行分类识别.实验结果证明,该算法获得了很好的识别效果,效率也得到了提高.     

基于核PCA与在线支持向量机的电子鼻气体分类研究

通过电子鼻系统获取的数据具有维数高、非线性变化等特点,不利于后续算法的识别或分类。因此,提出了基于核主元分析(KPCA)与在线支持向量机(Online-SVM)的电子鼻系统识别新算法。首先采用KPCA算法对采集到的原始数据进行特征提取,达到降维与去噪的目的,然后使用在线支持向量机对数据进行预测,最后与基于径向基函数的神经网络算法(RBF)预测结果进行对比分析。实验结果表明,新算法在电子鼻信号处理领域相对较优,具有较好的价值。     

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。     

对称核主成分分析及其在人脸识别中的应用

核主成分分析(KPCA)没有充分利用人脸的对称性特征,在人脸识别中缺少训练样本,致使其识别率较低。为此,提出一种对称KPCA算法。利用人脸的镜像对称性,通过对训练样本进行镜像变换,得到奇对称样本和偶对称样本,分别提取各奇/偶对称样本的特征分量,使用最近邻距离分类器完成分类。实验结果表明,该算法能扩大样本容量,当多项式阶数为2时,该算法的识别率高于KPCA算法,识别时间短于KPCA算法。     

基于粒子群优化核主元分析的轴承状态识别

轴承状态识别的准确率与特征提取紧密相关,而特征提取对轴承状态识别显得尤为重要.因时频域的各个特征对不同程度的故障信号敏感度各不相同,特征提取不当将会造成状态识别准确率下降.针对上述问题提出粒子群优化(PSO)核主元分析(KPCA),并利用该方法对轴承的复合特征集进行特征提取,提取后的特征向量构成识别特征集,由优化的支持向量机识别分类.选用美国凯斯西储大学滚动轴承试验台的振动数据进行处理分析,通过3种实验方案进行验证.结果表明,提出的方法明显改善了轴承状态识别的准确率.     

基于KL距离的KPCA人脸识别算法

针对核主成分分析（KPCA）人脸识别算法中对全局特征变化敏感和忽略局部特征的问题,研究了一种基于KL距离的KPCA人脸识别算法。利用KL距离定义了类间距离和类内差异,设定了一个非线性优化函数来最大化类间距离,同时最小化类内差异,使提取的特征更为紧凑可分,并将其应用于KPCA算法中,利用ORL人脸图像库对算法的性能进行了测试。实验结果表明,该算法相对于传统KPCA算法具有更好的识别效果和稳定性。     

基于PCA的3种改进BP算法性能研究

现有入侵检测系统的效率和准确率较低。为此,提出一种基于主成分分析的特征提取方法。对数据源进行特征降维,将获得的主成分作为BP神经网络的输入数据进行识别。分析原始BP算法存在的问题,研究RPBP、CGBP、LMBP 3种改进BP算法,并进行仿真实验,结果表明,与原始BP算法相比,改进算法收敛速度快,漏报率和误报率低,能有效改善入侵检测的识别效果。     

基于随机森林和粒子群优化的SVR的混合气体分析方法研究

为了解决混合气体检测准确性较低的问题,提出了一种新型的混合气体分析方法。该方法通过PCA提取到的特征对随机森林建模,实现了混合气体的定性识别,并在此基础上利用粒子群优化的SVR对各类别气体浓度进行定量分析,解决了SVR超参数选择困难的问题。最后通过样本数据对算法的有效性进行了验证,实验结果表明随机森林的平均识别准确率最高达到了95％,粒子群优化的SVR模型对各类别气体浓度的估计准确率均比SVR高10％以上。     

基于W2KPCA-KNN 算法的人体异常行为识别

基于视觉的人体异常行为识别在特征提取时通常采用简单的形状运动信息或传统PCA 方法,前者信息量不足而后者忽略了数据中的非线性信息,因此将核主成分分析（KPCA）运用于人体异常行为识别解决了以上问题。针对KPCA 提取异常行为特征时存在的不足,提出了W2KPCA-KNN 算法,即在特征提取和分类两个阶段均进行相应加权运算,在保留行为图像信息的基础上,提高了识别的精度,有效满足了异常行为识别系统的技术要求。通过实验比对可知该算法效果在特征提取和分类方面均优于传统核主成分分析法以及最近邻分类器。     

基于KPCA及改进蚁群遗传算法的齿轮箱故障诊断

鉴于齿轮箱系统的复杂性和齿轮箱故障信号的多样性,提出一种基于KPCA和改进蚁群遗传算法(IACG)相结合的齿轮箱故障诊断新方法.通过KPCA去掉原始故障参数集中的冗余信息,再利用IACG算法找出降维后参数的最优解.IACG算法改进了传统蚁群算法中的概率转移公式,通过增加区域目标函数值,提高了转移运算的效率和准确率;IACG算法增加了局部搜索功能,计算得到的蚂蚁解与遗传算法的均匀两点交叉算子相结合,减少了算法的搜索时间,扩大了搜索空间,使得收敛效果更趋近最优解.实验结果表明,KPCA与IACG相结合的算法可以有效识别齿轮箱故障,相对于传统的蚁群算法,其运算效率和准确率有很大提高.     

通用学习框架改进核PCA的单样本人脸识别

针对传统的人脸识别算法在每个人只有单个训练样本时识别性能严重下降的问题,提出了通用学习框架改进核主成分分析的单样本人脸识别算法。首先,选取一个合适的通用训练样本集,将各个单训练样本与通用训练样本集中某人的多训练样本按比例叠加;然后,利用经典的KPCA算法进行特征提取,将所有叠加后的训练样本和测试样本投影到特征子空间;最后,使用最近邻分类器完成最终的人脸识别。在Yale及FERET两大通用人脸数据库上的实验结果表明,相比其他几种较为先进的人脸识别算法,该算法取得了更好的单样本识别效果。     

融合小波变换与KPCA的分块人脸特征抽取与识别算法

鉴于小波多尺度变换对高维图像特征具有良好的压缩和表达能力,提出了一种融合小波变换与KPCA(核主成分分析)方法的分块人脸特征抽取与识别算法。该算法首先对人脸图像进行分块小波变换,再根据图像块的位置分布选取不同的频率分量;然后对此分量进行KPCA特征抽取,并通过对抽取到的特征进行融合来得到最终人脸鉴别特征;最后利用支持向量机分类器进行特征分类与识别。通过对ORL和Yale标准人脸图像库的实验仿真结果表明,该算法不仅在识别性能和分类速度上明显高于传统的PCA方法及融合小波特征的KPCA方法,而且对于人脸光照、姿态和表情变化均具有良好的鲁棒性。     

基于分块KPCA集成的人脸民族特征提取研究

为了实现人脸图像民族特征提取,提出了一种分块集成KPCA的特征提取方法。考虑到利用全局特征与局部特征的互补性能够更好地反映信息的本质,先以KPCA提取整体图像特征,然后使用KPCA对各个分块进行局部特征提取,再组合为民族特征,最后使用设计的Boosting-RBF分类器进行民族分类识别。实验以构建的少数民族人脸样本库为研究对象,对维吾尔族、柯尔克孜族、蒙古族、塔吉克族的人脸图像进行民族特征提取。实验结果表明:提取的人脸民族特征,可以对人脸图像进行较准确的民族分类识别。     

基于中红外光谱技术的非接触式气体识别电子鼻系统

为了对混合气体进行非接触式识别,基于可调谐二极管激光吸收光谱与波长调制光谱(TDLAS—WMS)技术,采用激射波长为中红外的可调谐分布反馈式量子级联激光器(DFB—QCL),设计并研制了可对被测混合气体进行实时、非接触识别的电子鼻系统。该系统采用主成分分析(PCA)和反向传播(BP)混合神经网络模式,通过LabVIEW对气体"指纹信息"数据库进行分析。实验结果表明:该系统可以区分成分为一氧化碳(CO)、甲烷(CH4)、二氧化氮(NO2)和乙烯(C2H4)的混合气体,为混合气体非接触式识别提供了一种便利方法。     

基于神经网络的入侵检测集成分类系统

基于当前入侵检测系统检测性能不理想、自学习能力差的问题,提出入侵检测集成分类系统.通过特征提取方法核主成分分析(KPCA)和独立成分分析(ICA)分别与神经网络集成技术构造两个子分类器,对其结果进行加权集成,系统利用遗传算法自适应调整集成分类系统的权重.实验结果表明,集成分类系统具有较理想的入侵检测性能,并有较好的学习能力.