基于ICA与聚类分析的支持向量机分类研究

在ICA与聚类分析的基础上提出了一种改进的支持向量机分类模型——ICSVM模型。ICSVM模型中利用一种指标筛选算法与独立成分分析的方法将各数据指标转化为互相独立成分的数据指标。接着运用K-means方法对独立成分样本数据集进行聚类分析,再由获得的各子类中心数据构造初始的超平面,筛选出靠近初始超平面的支持类与亚支持类,并展开支持类与亚支持类中的样本数据点重新构造超平面,以便对数据进行分类。实验表明,对于样本比较多的数据集,与标准的SVM算法相比,ICSVM算法能够节约训练时间,同时能够提高分类的正确率。     

基于ICA的全局人脸表示

介绍了独立成分分析在全局人脸识别中的应用,重点研究了全局人脸的独立元表示,给出了基于权向量幅值、基于比例因子和基于PCA-ICA算法的3种IC获得途径。基了Umist人脸库的实验结果表明,IC表示识别率明显高于PC表示,其中基于比例因子的IC表示识别效果最好。     

基于ICA方法的朴素贝叶斯分类器

朴素贝叶斯分类器是一种简单而高效的分类器,但需要属性独立性假设,无法表示现实世界中属性之间的依赖关系,影响了其分类性能.利用独立分量分析提升朴素贝叶斯分类性能,把样本投影到由独立分量所确定的特征空间,提高了朴素贝叶斯分类器的分类性能.实验结果表明,这种基于独立分量分析的朴素贝叶斯分类器具有良好的性能.     

基于ICA与GA的语音特征提取方法

为了提高噪声环境中的语音识别率,将独立成分分析（ICA）方法用于语音信号特征提取．并使用遗传算法（GA）将提取出来的高维特征进行选择,最后得到的语音特征被用于基于高斯混合模型的语音识别应用中,并与传统的Mel倒谱系数（MFcC）特征进行比较。实验结果表明基于ICA与GA的语言特征优于传统的MFCC特征。     

基于ICA和FLD相结合的人脸识别

ICA作为一种传统的人脸识别方法,虽然识别效果较好,但却没有考虑类别信息。为了将类别信息融入ICA方法中,尝试利用FLD和ICA相结合的方法对人脸进行识别处理,即在使用ICA方法获得训练模式的统计独立基向量的基础上,对基向量张成的子空间使用FLD方法。利用几个人脸数据库对该方法进行了实验。实验结果表明,使用上述方法进行人脸识别,其效果优于传统的PCA方法、FLD方法和ICA方法。     

基于Overcomplete ICA的人脸特征提取

人脸特征提取是人脸识别中最重要的一个环节,人脸特征提取的一种主要方法是寻找一系列的基图像,然后再把人脸表示为这一系列基图像的线性叠加。PCA和ICA在寻找基图像的过程中,源图像和基图像的数目都是相同的。本文提出了一种基于Overcomplete ICA的人脸特征提取方法,所得到的基图像数目要多于源图像数目。最后采用最小距离分离器进行人脸识别的实验,并与PCA和ICA的识别效果进行比较。     

基于PCA和ICA的虹膜识别方法

为了提高虹膜识别的正确率,提出了利用主成分分析(PCA)与独立成分分析(ICA)相结合的方法,来对虹膜进行识别的方法。用该方法进行虹膜识别时,首先对预处理后的虹膜图像,利用PCA算法进行去二阶相关和降维处理;然后再进行ICA训练。ICA训练采用了以下两种方法:方法1,将参与ICA训练的图像看作是随机变量,而将图像中的像素值看作是随机实验结果,ICA训练后即可得到相互独立的ICA虹膜基图像;方法2,将图像中的像素值看作是随机变量,而将图像看作是随机实验结果,ICA训练后即得到相互独立的ICA系数。采用CASIA虹膜数据库进行的试验结果表明,基于PCA和ICA的虹膜识别算法在两种训练方式下的正确识别率分别达到98.89%和98.33%。     

基于ICA的卵巢癌质谱数据分析

卵巢癌蛋白质谱数据属于高通量数据,含有大量冗余信息,且许多重要信息都包含在高阶信息中,而独立成分分析可以从高阶信息中提取有用特征。将传统的独立成分分析融入卵巢癌蛋白质谱数据的特征提取中,并利用类信息机制监督独立成分分析过程。仿真实验结果表明,独立成分分析和监督式独立成分分析在卵巢癌蛋白质谱数据集研究过程中取得了良好的效果,识别率可达98%。     

基于PCA/ICA的多数据流关联及模式发现

基于主成分分析技术、独立分量分析技术以及多数据流模型,将用于数据和信号分析的PCA/ICA方法应用于多数据流模型,提出多数据流关联度分析和模式发现的新模型。该模型适用于解决在线混合数据流分离,对挖掘多数据流潜在独立内因有良好效果。探讨模型的健壮性和实时性,并在实验中验证了系统性能。     

ICA及其在事件相关电位P3中的应用

针对事件相关电位(Event-related Potential ,ERP)P3复合波中的亚成分较难分离的问题,运用近年新兴起来的独立分量分析(Independent Component Analysis ,ICA)算法对多道事件相关电位P3复合波进行了分解.实验结果表明:利用ICA可将混合在观测信号中的相互独立的源信号分离出来的特性,成功地分离出了P3复合波的各亚成分,从而表明了ICA在分离P3亚成分中的应用是一个值得注意的研究方向.     

基于ICA和GSPSO-SVM的人脸识别方法

针对人脸识别中,利用粒子群算法训练支持向量机进行分类识别时存在易陷入局部最优和收敛速度慢的问题,提出一种基于雁群优化算法的人脸识别方法。将主成分分析与独立成分分析相结合提取人脸特征,利用支持向量机进行分类,在分类识别的过程中,引入雁群优化算法以提高速度和效率。实验结果表明,与标准粒子群算法相比,改进的粒子群算法提高了人脸识别率,具有较快的识别速度。     

一种基于ICA空间高斯混合模型的新颖检测*

新颖检测中,可应用高斯混合模型建立已知数据模型,拟合数据分布,但当数据维数较高时,自由参数太多,训练需要巨大的数据采样,而ICA搜寻数据的最大统计独立表示,可以将数据从高维空间投影到低维空间。提出一种基于ICA空间高斯混合模型的新颖检测,可有效减少估测的自由参数,降低训练数据采样的苛刻要求,实验也验证了该方法的可行性。     

结合小波包和ICA的脑电信号特征波提取方法

为了更有效地提取脑电信号特征波,结合小波包和ICA（独立分量分析）,提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解,然后进行相关频段信号的重构,从而提取出特征波的概貌作为初次提取的特征波;再利用ICA分离技术,以初次提取的特征波为参考信号对其进行增强。实验结果表明,对比于独立地应用某一种方法,两种方法相结合更能有效地提取脑电信号特征波。     

基于ICA和图论方法的脑电β波静息态功能连接

为了探究正常人脑电β波(13 ～25 Hz)静息态功能连接,提出了一种结合独立成分分析(ICA)、图论、层次聚类、t检验、标准低分辨率电磁断层成像(sLORETA)技术的分析算法.对利用BP Analyzer 64导脑电仪采集的25个健康被试者在闲眼和睁眼静息状态下的高分辨率脑电信号β波(13 ～25 Hz)进行了功能连接研究,结果表明:(a)β波在闭眼状态下的功能连接明显多于睁眼状态;(b)从闭眼状态到睁眼状态,在右侧大脑顶叶、枕叶、颞叶区域β波功能连接明显减弱,而在双侧额叶连接增强;(c)静息态网络中的默认节点网络、视觉网络、运动感觉网络在闭眼状态下显著.因此,证明该算法适用于研究脑电β波静息态功能连接.     

基于小波变换的全局最优独立分量分离算法

提出一种利用小波变换的低频系数作为滑动因子的盲源分离算法,通过建立以分母作为预测误差的信噪比目标函数,优化过程导致广义特征值求解,广义特征值构成的特征向量就是要求的分离矩阵,求解过程无需迭代。通过实验证明:计算量小,分离精度高,相似系数分别到达了1和0.9998,同时,可根据需要灵活选择小波基。     

一种基于ICA和模糊粗糙集的入侵检测方法*

提出了一种高效低负荷的异常检测方法。该方法使用基于独立分量分析(ICA)的特征选择算法对网络数据进行特征提取,并使用模糊粗糙集对数据进行聚类分析,减少了分类器的运算量,提高了入侵检测的准确率。实验结果表明,该方法的检测效果要优于同类的其他方法。     

基于ICA与MViSOM的孤立点挖掘模型

本文提出了一种基于独立成分分析（ICA）与改进的可视化诱导自组织映射（MViSOM）的孤立点挖掘模型——IMVOM模型,该模型用ICA方法对观测到的多维随机向量进行独立成分分解,得到一个独立成分数据集,然后用改进的MViSOM方法取得数据的可视化。该模型充分结合“人类擅长于模式识别的能力”与“电脑擅长于大量地记忆、快速地计算的能力”的双方优点进行孤立点的挖掘,避免了对高维数据内部结构的复杂探测,从而克服了高维数据集孤立点挖掘过程中的一些困难。实验结果也验证了所提模型的合理性。     

基于ICA和NFL分类的局部人脸识别方法

目前已存在很多基于统计的人脸整体识别方法，独立元分析方法就是一种基于信号高阶统计特性的方法。但由于人脸光照、姿态、信息缺损等外部不可避免因素会引起整个人脸灰度图像产生很大的变化，因而会对这类整体统计性方法的稳定性产生很大影响。为此提出了一种基于独立元分析和最近邻特征线的局部人脸识别方法。首先，通过对人眼的手工定位并依据人脸几何特征完成对人脸图像的截取和局部分块，从而移除发型等无用信息；然后对每个局部图像进行PCA／ICA特征提取；最后的识别阶段，通过最近邻特征线方法得到各自识别距离，并通过对各部分设置合理的权重来综合判定。实验结果表明，作为一种有效的识别方法，分块独立元方法在识别率、识别的稳定性、应用的灵活性等方面都优于传统的整体识别方法。