管道缺陷多超声传感器检测数据的神经网络融合

针对管道缺陷检测的现状,设计了超声传感器阵列检测系统,将神经网络技术应用于数据融合领域,采用改进的BP-LM算法对多个超声传感器测得的管道缺陷数据进行了融合处理.实验室检验结果表明,基于神经网络的数据融合大大提高了信号的质量,改进的BP-LM算法比标准BP算法融合效果更好,收敛速度更快.     

基于主成分分析的股票指数预测研究

预测中输入变量的选取影响预测的速度和精度,传统方法选取输入变量主观性强,预测效果欠佳。本文使用主成分分析法选取输入变量,计算量小,预测效果更好。以沪市综合指数预测为例进行仿真计算,仿真结果表明了使用主成分分析法选取输入变量的有效性,它明显减少了预测时间,改善了预测精度。     

CIPS中基于改进GANN的入侵检测模型

应用在计算机集成过程系统(CIPS)网络中的入侵检测系统误报率和漏报率较高.针对该问题,利用遗传算法的全局寻优能力和神经网络对于非线性映射的强大逼近能力,提出具有自学习和自适应能力、基于遗传算法神经网络(GANN)的入侵检测模型,包括数据采集模块、数据预处理模块、神经网络分析模块和入侵报警模块4个部分.为克服遗传算法易早熟、搜索迟钝的缺点,对GANN的适应度值调整方式进行改进,对遗传算法的参数设定进行优化,并采用改进的遗传算法优化收敛速度慢、易陷入极值的BP神经网络.仿真实验结果表明,该模型使系统的检测率提高至97.11％.     

基于主成分分析和BP 神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

基于主成分分析和多层感知机神经网络的入侵检测方法研究

针对现有入侵检测系统(Intrusion Detection System,IDS)检测方法准确率低,泛化能力弱,收敛速度慢,易陷入局部最优等问题,提出基于PCA(Principal Component Analysis)和多层感知机神经网络(MLP)的入侵检测模型.该模型首先对数据进行预处理和降维,然后使用该PCA-...     

维吾尔语的重音检测

根据维吾尔语词重音的位置规律进行音节级标注,提取不同的特征参数（能量、基频等）,对各个特征参数作单流、分流及特征级融合识别实验,对比分析各特征参数对重音检测识别率的影响。对融合后的高维单流特征采用主成分分析作降维、去冗余处理,并作识别实验。参照识别精确率结合语音语言学知识对实验结果进行分析。     

高效深度特征提取及其在显著性检测中的应用

针对卷积神经网络(CNN)中间层特征维度高,含噪声较多的问题,提出一种CNN特征降维的方法,首先利用主成分分析(PCA)对CNN特征进行降维,在数据层面和人类感知层面证明了其有效性;然后将降维后的CNN特征作为区域特征向量,利用多水平超像素分割和随机森林回归构建了一个融合手工特征及降维CNN特征的显著性检测模型;最后选取了10个显著性检测传统模型进行对比,构建的融合模型性能优于仅使用传统手工特征的方法,降维后的CNN特征能够改进显著性模型的性能.     

基于多源测量与属性混合信息的分类识别方法

充分利用多传感器系统提供的多源异类信息,将观测数据处于数据级的属性和处于特征级的属性混合作为描述目标的特征矢量;对特征矢量进行了主成分分析,在此基础上转换至三维直角坐标系寻找最优分类平面进行分类识别;采用"一对一"策略解决多类分类问题;通过仿真实验验证了该方法在加入不同百分比高斯白噪声环境下的有效性,并与BP神经网络识别方法在同等条件下作了对比实验,突出了论文所提方法正确识别率高、识别速度快和稳定性高的优越性。     

基于特征综合的启动子识别方法

针对真核生物启动子识别的高假阳性现状,提出了一种基于特征综合的真核启动子识别方法。通过提取人类启动子核苷酸联体统计信息作为特征,并使用主成分分析法进行主元提取。将10维主成分特征与2维CpG岛特征进行特征综合,共同作为BP神经网络的输入来识别启动子。对人类基因序列启动子的预测结果表明,不但有效地减小了假阳性,而且具有较好的敏感性和特异性。     

基于亮度与火焰区域边缘颜色分布的火焰检测*

为改善目前的火焰检测方法对环境适应能力不强的情况,提出一种基于亮度与火焰区域边缘颜色分布的火焰检测方法。主要采用二值重构、形态学算法以及边界追踪计算火焰区域边缘颜色分布矩阵,对得到的颜色分布矩阵进行主成分分析（PCA）,并用PCA中协方差特征值分量约束BP神经网络的输入向量,从而准确进行了火焰检测。实验结果表明,此算法计算简单,能准确识别多种背景下的火焰图像。     

基于声表面波传感器阵列的气体鉴别算法研究

声表面波(SAW)传感器阵列具有体积小、功耗低、反应灵敏等优点,在食品检测、环境治理、气体鉴别等领域有广泛的应用前景。结合声表面波传感器阵列的原理及特点,建立和优化了声表面波传感器阵列的数学模型,并对数据进行预处理、主成分分析（PCA）以及BP神经网络分析处理,实现了对气体的鉴别分类,取得了好的实验结果。     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.     

基于主成分分析进行特征融合的JPEG 隐写分析

为了解决现有JPEG隐写分析方法特征冗余度高和未能充分利用特征间互补关系的问题,提出了一种基于主成分分析(principal component analysis,简称PCA)进行特征融合的JPEG隐写分析方法,并分析所选特征之间的互补性.通过融合将互补特征结合在一起,更全面地反映载体和隐写信号间的统计差异,并用PCA分离出冗余成分,最终达到进一步提升准确率的目的.实验结果表明,在不同数据集和嵌入率情况下,该方法分析高隐蔽性隐写(如F5,MME和PQ)的准确率高于主要JPEG分析方法,在耗时上较现有特征层融合降维方法大为缩短.     

一类多频带主分量分析方法

主分量分析是模式识别领域使用较广的一种特征抽取方法,但是由于经典的主分量分析在处理图像矩阵时需要将图像展开成向量形式,使得计算量很大。本文提出了一种多频带主分量分析方法,该方法不仅减少了运算过程中的计算量,而且在一定程度上提高了整体性能。首先通过二维离散余弦变换将图像转变成频率数据,再按照频率变化将数据分成多个频带,然后在此基础上设计了针对多个频带数据的主分量分析方法。通过对ORL和NUST603图像库进行实验证明,本文方法不仅具有快速提取图像特征的能力,而且综合性能优于相应的主分量分析。     

基于PCA特征和融合特征的ECG身份识别方法

ECG作为一种活体生物特征用于身份识别在国际上引起了广泛重视.针对基于解析特征的ECG身份识别方法对特征点检测精度要求较高的缺点,提出一种仅需R波峰值点检测的ECG身份识别方法,该方法通过有针对性的设定相应阈值,将PCA特征和小波融合特征方法相结合.实验结果表明该方法优于PCA特征方法、波形特征方法和小波特征方法,既减少了特征点检测的复杂性和特征点检测不准确带来的误差,又可获得较高的识别率,是一种实时、高效算法.     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其特点是能有效地抽取图像的局部特征，正是这些特征使此类模式区别于彼类．在ORL和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA方法．     

双特征模型核相关滤波目标跟踪算法

目的 基于深度学习的目标跟踪算法,利用卷积深层作为特征,虽然精度高但无法做到实时跟踪;基于相关滤波的跟踪算法,利用HOG（histogram of oriented gridients）、CN（color name）和颜色直方图作为特征,速度快但精度较差。为兼顾目标跟踪算法的实时性与准确性,提出了一种基于双模型核相关滤波算法。方法 提出了自适应的双特征模型选择机制,主特征模型采用浅层纹理特征HOG,辅助特征模型采用包含深层语意信息的CNN（convolutional neural networks）特征,二者协同作用,产生更加稳定的相关滤波器。为了提高算法的速度,采用主成分分析（PCA）技术对高维的CNN特征进行降维,并通过尺度优化、最优解求解方式优化等方法提高跟踪算法的准确性。结果 在公开数据集OTB-2013上,本文算法与目前先进且速度能达到实时的SiamFC（fully-convolutional Siamese networks）、MEEM（multiple experts using entropy minimization）、SAMF（scale adaptive multiple features）、DSST（discriminative scale space tracking）等跟踪算法进行比较,一次成功率（OPE）结果显示,本文算法在距离精准度指标中综合排名第一,与KCF（kernel correlation filter）算法相比,本文算法的距离精准度提高了25.2%,重叠成功率提高了25.6%,平均速度达到38帧/s。结论 本文提出的双模型自适应机制,针对主特征模型的置信响应自适应调用最优模型策略,并且实时更新模型,在综合考虑跟踪准确性和跟踪实时性的情况下,本文提出的目标跟踪算法的性能优于目前的跟踪算法。     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

基于PCA-LSTM的轴承退化趋势预测

由于磨损、腐蚀等因素会导致旋转机械性能的退化甚至失效,若不能及时维修或更换,会影响工程设备的运行,降低设备的工作效率。为了对滚动轴承进行退化趋势预测,避免潜在故障对工程设备造成损害,提高设备工作效率,对滚动轴承振动信号的特征参数使用主成分分析(PCA),对其融合后得出了能充分表现其退化状态的关键特征,降低了预测时数据的输入维度,并使用一种带有随机失活层的长短期记忆(LSTM)神经网络对数据融合后的数据进行预测。将PCA-LSTM模型与非线性自回归(NAR)神经网络的预测结果进行对比,结果表明,基于PCA-LSTM的滚动轴承退化趋势预测模型与NAR神经网络相比,均方根误差和平均绝对百分比误差分别提高了9.1%和8.0163%,预测精度更高,为滚动轴承的退化趋势预测提供了一种新的思路。