主成分分析法在掌纹图像识别中的应用

掌纹识别技术是生物特征识别领域的又一新兴技术,在网络安全、身份鉴别等方面有广阔的应用前景。将主成分分析法应用于掌纹图像的特征提取,阐释了传统主成分分析与加权主成分分析在处理掌纹图像时的差异,并在不同数据库上对两种方法进行了实验,结果表明传统主成分分析比加权主成分分析有更高的识别率以及加权主成分分析能够削弱光照对识别结果的影响。     

主成分分析法在软件静态测试中的研究与应用

随着信息化程度的不断提高以及人们对软件需求的扩大,软件的复杂性也已经远远地超出了以前的水平,大大地增加了软件设计和开发的难度.以软件复杂性为出发点,介绍了主成分分析法(PCA)的基本思想、原理和主要作用,分析了主成分分析法在软件静态测试中的应用价值与可行性,最后通过一个具体的软件进行了详细的算例分析,获得了较好的效果,帮助软件开发人员和测试人员在静态分析中识别复杂性和风险性比较高的函数和模块起到了很好的作用.     

主成分分析法与逐步聚类法在树种分类中的应用

林业生产中,表示某一树种性状的指标众多,而不同指标间可能存在相关性,。本文运用主成分分析的方法对众多指标进行了降维综合处理,结合逐步聚类法模型对主成分分析得到的结果进行分类,最后运用计算机技术,实现上述处理过程,并为树种分类提供了一种新的方法。     

主成分分析和K-means聚类在说话人识别中的应用

为了解决特征提取计算量大且特征参数不够全面的问题,提出了用主成分分析和K-means聚类进行语音特征参数提取的方法。通过对说话人识别系统中最常用的线性预测倒谱系数( LPCC)参数和梅尔倒谱系数( MFCC)参数提取原理以及差分参数的提取算法深入研究,选择LPCC、MFCC以及其一阶差分参数的组合作为最终混合特征参数。首先用主成分分析降低每一帧语音信号特征参数的阶数,然后经过K-means聚类降低帧数,最后通过矢量量化( VQ)来进行说话人识别。实验结果表明,该方法降低了计算复杂度,同时也提升了识别准确性。     

基于改进的主成分分析法的目标威胁评估

为提高防空作战指挥员对空中来袭目标的主成分分析实施火力分配的量化决策水平,提出了改进的主成分分析法的目标威胁评估模型及算法。改进法不仅消除了指标量纲和数量级的影响,还能包含原始数据的全部信息,在原始变量转变为主成分过程中,反映了主成分权数的计算综合评价值,在指标权重选择上克服了主观因素的影响,客观反映了各指标因素间的现实关系。并通过引入实例,对来袭空中目标进行多指标综合评价,根据综合评估值对各批目标威胁进行排序。     

白化主成分分析类算法在人脸识别中的应用

针对能量谱的不平衡性会影响人脸识别效果的问题,基于白化脸的概念提出了白化主成分分析类算法的框架.该算法框架使用1个白化滤波器和1个低通滤波器对原始图像进行预处理,然后结合传统的PCA类算法提取特征向量(或矩阵),最后通过k-NN分类方法进行人脸识别.利用ORL人脸图像库进行实验,实验结果表明该算法框架改善了人脸识别的效...     

主成分分析法在网络教学评价系统中的应用

近年来基于网络形式的教学在国内高校中得到迅速的发展，因此对网络教学的评价需求也越来越迫切。如何在网络教学形式下自动进行教学评价，则成为一个全新的课题。从聊城大学网络教学实践出发，给出了利用“主成分分析法”对网络教学进行综合评价的一种思路。     

多线性主成分分析和张量分析的SAR图像目标识别

为了提高合成孔径雷达图像目标识别效果,提出一种基于多线性主成分分析和张量分析的合成孔径雷达图像目标识别方法。该方法首先构建四阶张量训练样本,利用多线性主成分分析得到多线性投影矩阵;再通过投影矩阵构建核心张量,对核心张量进行线性判别分析;最后对测试样本分类识别。实验中,将本文提出的多线性主成分分析和张量分析方法在MSTAR公共数据库上进行识别实验,并与主成分分析和二维主成分分析方法进行识别率比较。实验结果表明,本文方法有效保留了图像的空间结构信息,提高了目标正确识别率。     

主成分分析法在建筑企业评价中的应用

主成分分析是一种通过降维技术把多个变量化为少数几个主成分的实用统计分析方法。建筑业作为推动国民经济发展的重要支柱产业，为根据多项指标对建筑企业发展水平做出评价，使各地区部门得到有益的反馈，进而有效指导资源配置，提高建筑企业质量水平，本文在阐述主成分分析法原理的同时，对大陆地区除西藏外的30个省市自治区的建筑业情况进行了综合评价。     

非负二维主成分分析及在人脸识别中的应用

二维主成分分析是一种基于整体脸的方法,保留人脸部件之间的拓扑关系.而非负矩阵分析是基于局部特征的识别,是通过提取局部信息来实现分类.文中将两种思想的优点融合在一起,提出非负二维主成分分析.该方法改善传统非负矩阵分解只是从矩阵分解的角度考虑,没有加强分类的问题.此外,该方法在矩阵分解之前不需要将图像矩阵转换为图像向量,能快速降低鉴别特征的维数.在ORL和FERET人脸库上的实验结果表明,该方法在识别性能上优于其它方法,且更具有鲁棒性.     

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。     

基于小波包与PCA方法对水下目标识别研究

水下目标信号的分类识别一直是信号处理工程领域的研究难点.针对水下信号发声机理十分复杂与成分多样,导致表征其特征的数据量较大且维数较高,目标识别率低.要解决上述问题,需要很大的计算成本,并影响识别特性量的效率,提出了一种采用小波包与主分量分析(Principal Component Analysis,PCA)相结合的特征提取方法.通过小波包分解与重构得到水下目标辐射噪声的初始特征;用PCA方法实现对高维特征向量的优化处理.采用BP神经网络作为分类器对三类目标进行识别仿真.结果表明,减少计算量的同时,水下目标信号得到了较好的优化提取.     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征,利用线性支持向量机设计分类器,实验结果表明,基于核主元分析方法的识别正确率明显优于基于主元分析法。     

分块多线性主成分分析及其在人脸识别中的应用研究

主成分分析(Principal Component Analysis,PCA)是人脸识别中一个经典的算法,但PCA方法在特征提取时考虑的是图像的整体信息,并没有考虑图像的局部信息,而分块PCA(Modular Principal Component Analysis,Modular PCA)则可以有效地提取图像中重要的局部信息,所以在人脸识别实验中获得了比传统PCA更好的识别效果。但PCA和Modular PCA都要进行图像的矢量化,这会破坏原始数据的空间结构,也有可能会导致"维数灾难"。多线性主成分分析(Multilinear Principal Component Analysis,Multilinear PCA)作为PCA在高维数据上的扩展,直接使用矩阵或者高阶的张量来获得有效特征,既可以避免"维数灾难",又可以体现直接将张量数据作为处理对象时保留原始数据较好基本结构信息的优点。在研究Modular PCA和Multilinear PCA的基础上,提出了分块多线性主成分分析(Modular Multilinear Principal Component Analysis,M2PCA)算法,用于识别人脸。在Yale、XM2VTS和JAFFE人脸数据库上进行了人脸识别实验,结果表明,在同等的分块条件下,所提出的方法的识别效果要优于Modular PCA的方法。     

基于PCA的眉毛识别方法研究

本文分析了人类的眉毛作为一种独立生物特征进行身份鉴别的可能性,提出了利用PCA方法进行眉毛识别的基本思路。通过32个人的小规模眉毛图像数据库,在直接利用纯眉毛图像或间接利用其傅里叶变换构造特征向量的两种情况下,分别研究了PCA方法在眉毛识别中的识别率与所采用的归一化方法和信息阈值之间的关系。实验结果表明,PCA方法的最高识别率在不采用傅里叶变换时为60．00％,而在采用傅里叶变换时为90．63%。     

广义主分量分析及人脸识别

传统的主分量分析和Fisher线性鉴别分析在处理图像识别问题时都是基于图像向量的。该文提出了一种直接基于图像矩阵的主分量分析方法,它的突出优点是大大加快了特征抽取的速度。在ORL标准人脸库上的试验结果表明,该文所提出的方法不仅在识别性能上优于传统的主分量分析方法和Fisher线性鉴别分析方法,而且特征抽取的速度得到了很大的提高。     

基于模糊主成分分析的步态识别

提出针对步态能量图的基于模糊主成分分析的步态识别算法。通过对原始步态序列进行预处理得到步态能量图,利用模糊主成分分析提取出特征值和对应的特征向量,获得模糊主成分后将其映射到低维空间,并使用最近邻法进行分类。在CASIA数据库上对算法进行验证,实验结果证明,该算法与同类算法相比具有更好的识别性能。