基于噪音谱分析的新型指数空间匹配滤波器设计

光学相关识别过程中,为减小输入场景中背景噪音对输出相关点的影响,通过分析背景噪音和目标图像的傅里叶谱,在匹配滤波函数中引入一由背景噪音傅里叶谱确定的指数函数,通过指数函数对匹配滤波函数振幅进行非线性调制,使设计的指数型空间匹配滤波器对背景噪音谱透过率小于目标图像谱透过率,从而增加输出相关平面上的信噪比,以实现相关点的正确探测。模拟结果表明当参量m由0增加到1.2时,相关峰值下降2.28倍,信噪比增加3倍。模拟和实验结果均表明:与纯相位匹配滤波器相比其抗噪能力得到明显改善。     

基于空间光调制器衍射特性的匹配滤波器设计

利用空间光调制器衍射特性,在匹配滤波平面上对目标图像傅里叶谱的0级,±1级衍射谱同时加载3幅匹配滤波器,以拓宽覆盖待识别目标图像的畸变范围.根据设计方案,0级谱位置加载复合匹配滤波器,±1级衍射谱位置加载非复合匹配滤波器.针对特定目标进行了模拟和系统测试实验,证明了该方法有效可行.     

基于UNPOF和ECPSDF的复合匹配滤波器设计研究

根据UNPOF算法和ECPSDF算法的特性分析,综合得出了基于上述两种算法的复合匹配滤波器算法.模拟和试验结果表明该算法能实现UNPOF和ECPSDF算法的相互补偿,进一步改善匹配滤波器畸变容限.     

基于概率主成分分析的人脸识别

人脸自动识别是模式识别和图像处理等学科的一大研究热点,在身份鉴别、信用卡识别、护照核对以及监控系统等方面有着广泛的应用。提出一种基于概率主成分分析方法(PPCA)的人脸识别,该方法与传统的主成分分析(PCA)相比,克服了简单的“丢弃”其他非主成分因子,在PPCA中将“丢弃”因子作为噪声成分进行估计．同时PPCA方法是一种基于概率模型的方法,因此很容易延伸为混合模型,对于PPCA概率模型参数,提出利用EM算法对其进行估计。用两个不同的数据集(姿势表情变化集和光照变化集),将PPCA人脸识别算法和传统的PCA算法进行比较,基于PPCA的人脸识别算法中的“丢弃”方差的收敛速度快于传统的PCA算法。实验结果表明．无论是姿势表情变化集,还是光照变化集,PPCA算法的识别率都优于传统的PCA识别算法。     

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。     

基于改进二维主成分分析的在线掌纹识别

掌纹识别是生物特征识别技术的新热点,论文提出使用二维主成分分析算法(2D PCA)提取掌纹图像的统计特征,实验表明其泛化能力优于传统主成分分析算法(PCA).在此基础上,论文提出且定义了改进的二维主成分分析,并证明它在保持训练样本图像总体散度的同时更有效的提取样本特征.改进的算法在得到99.72%高识别率的同时,大幅降低了原算法的特征维数、识别计算的复杂度,使系统的实用性进一步提高.     

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HRTF主成分分析的头模结构分析

采用主成分分析法对不同细节结构的头模HRTF幅度谱进行降维简化处理,分析头模上的不同细节结构对HRTF的方向平均值以及谱形状基矢量相应频段的影响。结果表明,鼻子的作用可以忽略,而头发主要作用在头模后方的声源高频处。头部尺寸的影响存在于整个频段中,并且对于位于耳朵异侧的声源影响最大。对简化声学头模与仿真头模HRTF进行主成分分析结果表明,两个头模在这些特性上的差异并不十分明显,在水平面上具有很好的一致性。     

HRTF的主成分分析与空间傅里叶重构

提出一种联合主成分分析与空间傅里叶重构的方法,在对头相关传输函数(HRTF)数据进行有效压缩的同时.可以从有限的离散空间方向数据重构空间方向上连续的HRTF函数.以KEMAR人工头的HRTF数据为例计算表明,实现水平方向上连续重构所需的数据量仅为原来的20%.     

基于主成分分析的图像匹配方法研究

景像匹配和相关跟踪系统中,由于所面临的都是变化的场景,实时获取的图像与预存的基准图之间存在差异。传统的基于图像空间的匹配方法不能很好地克服这些差异给图像匹配定位带来的影响,使得完全按图像灰度特征的相关匹配应用受到限制。文中将主成分分析方法引入了图像匹配和相关跟踪过程中,提出一种能抗御一定图像畸变的基于主成分分析的图像匹配算法,并应用该方法进行了初步实验,证明该算法具有较高的匹配跟踪鲁棒性。     

基于改进MACH算法的畸变目标识别

由于观察距离和角度的不同,待识别的目标图像相对模板图像会存在一定程度的角度畸变和比例畸变,大大限制了光学相关模式识别的发展。将最大平均相关高度(MACH)滤波器用于畸变目标识别,通过优化该滤波器的控制参数,并根据多次的计算机仿真实验和光学实验,使该改进型MACH 滤波器具有畸变公差高、相关点明亮等特点。用改进后的MACH 滤波器对角度畸变目标和比例畸变目标实施频域滤波,能有效增强相关峰强度,扩大畸变目标识别范围。作为实例,给出了复杂背景下识别汽车的计算机仿真实验和光学实验,有效验证了该算法的可行性。     

基于主成分分析法的窗口自适应粒子滤波算法

传统的窗口固定的粒子滤波跟踪算法在运动目标尺度发生明显变化时不能有效地跟踪目标。针对这一问题,提出了一种跟踪窗口尺寸和方向自适应变化的粒子滤波跟踪方法。该方法将主成分分析法引入到粒子滤波框架中,通过分析目标区域内像素值的协方差矩阵得到包含目标区域取向和尺寸信息的椭圆跟踪窗口。实验结果表明,该跟踪算法能自适应于目标区域形状的变化,在目标尺寸和方向发生变化时能很好地跟踪和确定目标区域。     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库...     

基于时频分布图像和主分量分析的脉内调制识别算法研究

本文提出了一种利用模式识别中图像处理的方法来进行雷达脉内调制特征识别的新算法.通过对雷达信号时频分布图像进行二维小波分解,并对其进行主分量分析,获得每类雷达信号中的特征参数,构建相应的分类器,并利用此分类器对信号进行识别.仿真结果表明,利用信号的时频分布图像来进行信号识别是完全可行的,提取的特征参数具有很好的鲁棒性,具有较强的抗噪声能力,同时可以取得较高识别率.     

基于主成分分析和模糊识别方法的生物分子太赫兹光谱识别

提出了一种基于主成分分析（PCA）和模糊模式识别方法的生物分子太赫兹（THz）光谱识别方法,并采用多种典型糖类和氨基酸生物分子的太赫兹透射光谱作为实验介质证明所提方法的可行性和有效性。首先,运用PCA方法对生物分子太赫兹光谱数据做降维处理,提取样品太赫兹光谱特征信息;然后,用获得的主成分得分矩阵代替原始太赫兹光谱数据输入到模糊模式识别分析模型中,运用基于择近原则的模糊模式识别方法对待定样品进行分类识别。实验结果表明以生物分子的太赫兹光谱作为数据特征,采用PCA与模糊识别相结合的方法实现生物分子的检测和识别是可行的,该方法为太赫兹光谱技术用于生物分子的鉴定和识别提供了一种新的有效的分析方法。     

基于SPSS的主成分分析法的水利信息化评估

信息技术的迅猛发展,大大促进了水利事业的各项发展,尤其是水利信息化的发展.为了更好更快地促进水利信息化的发展,需要对其进行科学评估,从而为其提供决策支持.文中选用《2011年度中国水利信息化发展报告》中的数据,通过主成分分析法,运用SPSS统计分析软件,从28个指标中选取9个主成分,建立主成分综合得分模型,并应用到实例中,实验结果与实际相符,从而进一步证明此方法的可行性.     

基于FPGA的匹配滤波接收机实现技术研究

高效数字匹配滤波器设计是数字接收机中提高信噪比改善系统信号处理性能的一项关键技术。数字匹配滤波器在通信和雷达接收机中应用广泛,文中分析了匹配滤波接收机的基本原理,介绍了QPSK信号匹配滤波接收机的FPGA实现过程,并给出了基于Xilinx ISE 8.2i的Test Bench Waveform仿真结果。     

基于核主成分分析的二次雷达脉冲信号初始特征提取

针对二次雷达脉冲信号的特征选择与分类问题进行研究,提出了一种基于核主成分分析(KPCA)的初始特征提取方法.根据二次雷达脉冲信号的特点,首先经过数据整编、预处理,获取样本的初始特征参数;然后利用KPCA方法对特征参数进行主成分组合,以消除信号特征间的相关性和压缩特征向量的维数,最后利用聚类工具进行分类.数学分析和可视化实验结果都表明这种分析方法是有效的.试验还表明,KPCA在特征选取方面性能优于PCA.