主成分提取信息准则的加权规则

并行主成分提取算法在信号特征提取中具有十分重要的作用, 采用加权规则将主子空间(Principal subspace, PS)提取算法转变为并行主成分提取算法是很有效的方式, 但研究加权规则对状态矩阵影响的理论分析非常少. 对加权规则影响的分析不仅可以提供加权规则下的主成分提取算法动力学的详细认知, 而且对于其他子空间跟踪算法转变为并行主成分提取算法的可实现性给出判断条件. 本文通过比较Oja的主子空间跟踪算法和加权Oja并行主成分提取算法, 通过两种算法的差异分析了加权规则对算法提取矩阵方向的影响. 首先, 针对二维输入信号, 研究了提取两个主成分时加权规则的信息准则对状态矩阵方向的作用方式. 进而, 针对大于二维输入信号的情况, 给出加权规则影响多个主成分提取方式的讨论. 最后, MATLAB仿真验证了所提出理论的有效性.     

一种广义次成分提取算法及其收敛性分析

广义次成分分析(generalized minor component analysis,GMCA)在现代信号处理的许多领域具有重要作用.目前现有的大多算法不能同时具备与算法对应的信息准则,以及收敛性、自稳定性和多个广义次成分提取的性能.针对上述问题,利用一种新的信息传播规则,推导出一种广义次成分提取算法,并采用确定离散时间方法(deterministic discrete time,DDT)对算法的全局收敛性能进行分析;同时,通过理论分析算法的收敛性能与算法初始状态的关系,表明算法具有自稳定性.进一步地,探索了算法在多重广义次成分提取方面的应用.相比之前的算法,所提算法具有更快的收敛速度.Matlab仿真验证了所提出算法的各项性能.     

一种稀疏可控的主成分分析方法

主成分分析(Principal Component Analysis,PCA)是一种用线性变换选出少数重要变量(降维)的多元统计分析方法。虽然传统PCA被广泛应用于科学研究与工程领域中,但是其结果有时很难解释。因此,一些研究人员引入稀疏约束项(lasso、fused lasso以及adaptive lasso等),以得到可解释的结果。由于传统稀疏项的稀疏度不容易控制,为此引入一种新的约束项,即稀疏可控惩罚项(Sparse Controllable penalty,SCP),来控制主成分的稀疏程度。与传统的约束项相比,SCP具有长度不敏感、维度不敏感和约束项的取值范围在0到1之间的优点。这些优点极大地降低了调节稀疏度的难度。实验表明,稀疏可控主成分分析(Sparse Controllable Principal component Analysis,SCPCA)是高效的。     

并行提取多个次成分的改进型M"oller算法

次成分分析是信号处理领域一门重要的工具. 然而, 到目前为止能够进行多个次成分提取的算法并不多见, 一些现存算法还存在很多限制条件. 针对这些问题, 采用加权矩阵的方法将M\"oller算法扩展为多个次成分提取算法. 该算法对于输入信号的特征值没有要求, 而且在不需要模值限制措施的情况下, 仍然具有很好的收敛性. 仿真结果表明, 该算法可并行提取多个次成分, 而且收敛速度优于一些现有算法.     

基于主成分的模糊神经网络

结合神经网络(NN)、模糊控制(FC)和主成分分析(PCA)各自的优点,提出基于主成分分析的模糊神经网络(FNN)模型。当输入因子较多且自变量之间相关性较大时,引入主成分分析对多指标的原始变量进行事先分析,以原始变量的主成分作为网络输入。减少了输入维数,同时消除各变量间的相关性,从而提高了网络的收敛速度、稳定性,以及简化了网络结构。进一步发挥了FNN自适应、自学习的功能。     

基于神经网络的特征结构并行提取算法研究

为并行实时地提取数据协方差矩阵的信号特征结构,从特征结构并行提取的约束优化问题表示入手,利用梯度方法和迭代法构建了可实时并行提取信号特征向量矩阵的直接神经网络求解法和基于能量函数的神经网络求解算法,并形成了相关迭代学习算法.理论分析表明当数据样本足够大时,算法的迭代结果就是数据协方差矩阵信号特征结构的一个良好估计,同时计算机仿真亦验证了算法的有效性.另外,仿真试验亦表明可以通过调节加权矩阵D的对角元来控制算法的收敛速度.     

一种基于分块主成分分析的存储器容错方法研究

随着集成电路工艺水平提升,半导体器件尺寸越来越小,存储器更易受到周围环境的影响而导致数据存储故障。针对这一问题,该文提出了一种基于分块主成分分析的存储器容错方法。该方法应用分块主成分分析算法提取数据的主要特征,并对求取的特征数据作均值化处理,得到原始数据的最佳近似估计。该最佳近似估计可对数据中的任意故障做容错替换,使容错替换后的数据和原始数据的误差最小。实验结果表明,该方法可以使图片数据在 0.003 5 错误率的情况下仍保持峰值信噪比大于 30 dB;与传统纠错码相比,执行时间缩短了约 40%,内存消耗减少了约 12%,获得了较好的容错效果。     

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。     

自稳定的双目的特征对提取算法及其收敛性分析

提出一种自稳定的双目的算法用以提取信号自相关矩阵的特征对.该算法可以通过仅仅改变一个符号实现主/次特征向量估计的转化,并且可以通过估计的特征向量的模值信息估计对应的特征值,从而实现特征对的提取.基于确定性离散时间方法对所提出的算法进行收敛性分析,并确定算法收敛的边界条件.与已有算法对比的仿真实验验证了所提出算法的收敛性能.     

基于多尺度主成分分析的图像局部方向估计算法

现有的大多数图像方向估计算法都对噪声非常敏感。因此,提出了一种基于主成分分析（PCA）和多尺度梯度金字塔分解的图像局部方向估计算法,其中主成分分析用于找到局部方向的最大似然（ML）估计。所提出的算法对于噪声图像非常鲁棒。在实验中,通过对模拟图像的和真实图像的方向估计,该算法都可以得到较好的估计效果,对噪声的鲁棒性较强,并且计算速度非常快。     

一种递归神经网络的快速并行算法

针对递归神经网络BP(Back Propagation)学习算法收敛慢的缺陷,提出一种新的递归神经网络快速并行学习算法.首先,引入递推预报误差(RPE)学习算法,并且证明了其稳定性;进一步地,为了克服RPE算法集中运算的不足,设计完整的并行结构算法.本算法将计算分配到神经网络中的每个神经元,完全符合神经网络的并行结构特点,也利于硬件实现.仿真结果表明,该算法比传统的递归BP学习算法具有更好的收敛性能.理论分析和仿真实验证明,该算法与RPE集中运算算法相比可以大大节省计算时间.     

主奇异子空间跟踪算法与性能分析

主奇异子空间分析是一种自适应的神经网络信号处理技术,广泛应用于现代信号处理中.本文提出一种新的主奇异子空间跟踪信息准则,并以此为基础推导出一种在线的梯度流神经网络算法.理论分析表明,信息准则具有唯一的全局最小值,且最小值对应的状态矩阵能够恰好张成输入信号的主奇异子空间.该算法具有良好的收敛能力,强大的自稳定性能,且当输入信号呈现出奇异互相关特性时,仍呈现出良好的跟踪效果.分别采用李雅普诺夫函数方法和常微分方程方法分析算法的收敛性能和自稳定性. MATLAB仿真算例验证了算法的性能.     

基于主元分析的子空间辨识算法

子空间辨识算法作为一种优良的多变量系统辨识算法,最近在国内发展很快.但是现在国内介绍的大多数子空间辨识算法在变量有误差(errors-in-variable)时和闭环辨识时辨识结果却是有偏的,这是因为大多数子空间辨识算法都假设输入变量是没有噪声及辨识算法中存在的一个投影过程.文中介绍了一种新的子空间辨识算法,这种算法利用主元分析(PCA)来获取系统矩阵,避免了其他算法中的投影过程,因此该算法在闭环辨识和变量有误差(errors-in-variable)的情况下,辨识结果也是无偏的.最后给出一个仿真例子说明这种辨识算法的辨识效果良好.     

基于MapReduce的主成分分析算法研究

随着MapReduce并行化框架的流行,各种数据挖掘算法的并行化也成为了当下研究的热点。主成分分析(Principle Components Analysis,PCA)算法的并行化也得到了越来越多的关注。通过对目前PCA算法的并行化研究的成果进行总结,发现这些PCA算法并行程度并不完全,特别是特征值计算过程。整个PCA算法流程分为两个阶段:相关系数矩阵求解阶段和矩阵的奇异值分解(Singular Value Decomposition,SVD)阶段。通过当前最流行的并行框架MapReduce,融合矩阵的QR分解,提出了一种奇异值分解的并行实现方法。利用随机产生的不同维度大小的双浮点矩阵比较并行奇异值分解相对传统串行环境下的算法效率的提升情况,并分析算法效率。之后,将并行奇异值分解融合到PCA算法中,同时提出相关系数矩阵的并行计算过程,将PCA计算的两个部分完全并行化。利用不同维度的矩阵对提出的并行PCA算法与已存在的未完全并行PCA算法、常规的PCA算法的运算速度进行比较,分析完全并行化PCA算法的加速比,最终得出所提算法在处理一定规模的大数据情况下的时间消耗要少许多。     

一种三维快速傅里叶变换并行算法

三维快速傅里叶变换在物理计算领域中被广泛地使用.传统并行算法所使用的面划分和块划分方法并不适合稀疏三维向量的傅里叶变换.提出了一种新三维快速傅里叶变换的并行算法,针对稀疏三维向量的傅里叶变换,新算法通过重新调整x,Y,z三个方向的计算顺序,能最大限度地减少计算量以及进程间的通信量,从而减少计算时间,提高并行加速比.详尽的理论分析以及多个高性能计算平台上的实验结果证明:在对稀疏三维向量作傅里叶变换时,新算法优于传统算法.     

基于并行深度卷积神经网络的图像美感分类

随着计算机和社交网络的飞速发展, 图像美感的自动评价产生了越来越大的需求并受到了广泛关注. 由于图像美感评价的主观性和复杂性, 传统的手工特征和局部特征方法难以全面表征图像的美感特点, 并准确量化或建模. 本文提出一种并行深度卷积神经网络的图像美感分类方法, 从同一图像的不同角度出发, 利用深度学习网络自动完成特征学习, 得到更为全面的图像美感特征描述; 然后利用支持向量机训练特征并建立分类器, 实现图像美感分类. 通过在两个主流的图像美感数据库上的实验显示, 本文方法与目前已有的其他算法对比, 获得了更好的分类准确率.     

一个快速的关联模式并行挖掘算法

由于目前大多数入侵侦测系统均基于专家知识的手工译码而构建,其更新十分缓慢和昂贵。显然从审计数据挖掘得出的频繁模式可以作为可靠的入侵侦测模型。因此,针对这一问题,提出一个快速有效的并行算法,该算法提取用来描述每一网络连接特征的扩充集合,并获知准确捕获入侵行为和正常活动的频繁模式,从而使得模型构建和不断更新简单易行。     

基于主成分分析的零水印算法

针对传统的数字水印方法,提出了一种基于主成分分量的零水印算法。该算法是对图像进行分块和主成分分析(PCA),得到图像的主要分量,然后将基于Logistic映射生成的混沌序列对图像的主要分量进行位置置乱,比较置乱后相邻主分量系数间的大小生成特征水印。当对待认证图像进行认证时,用同样的方法提取该认证图像的信息。实验结果表明,该算法具有无失真、鲁棒性好、简单易行及可操作性强等优点,并对一些常见的攻击,如JPEG压缩、剪裁、加噪、滤波等有很强的鲁棒性。     

一个快速的关联模式并行挖掘算法

由于目前大多数入侵侦测系统均基于专家知识的手工译码而构建,其更新十分缓慢和昂贵。显然从审计数据挖掘得出的频繁模式可以作为可靠的入侵侦测模型。因此,针对这一问题,文章提出一个快速有效的并行算法,该算法提取用来描述每一网络连接特征的扩充集合,并获知准确捕获入侵行为和正常活动的频繁模式,从而使得模型构建和不断更新简单易行。     

A Fast Efficient Parallel Hough Transform Algorithm on LARPBS

A parallel algorithm for Hough transform on a linear array with reconfigurable pipeline bus system (LARPBS) is presented. Suppose the number of -values to be considered is m, for an image with n × n pixels, the algorithm can complete Hough transform in O(1) time using mn ² processors and achieve optimal speed and efficiency. We also illustrate how to partition data and perform the algorithm on a LARPBS with fewer than mn ² processors, and hence show that the algorithm is highly scalable.