特征降维技术的研究与进展

数据特征的质量会直接影响模型的准确度。在模式识别领域,特征降维技术一直受到研究者们的关注。随着大数据时代的到来,数据量巨增,数据维度不断升高。在处理高维数据时,传统的数据挖掘方法的性能降低甚至失效。实践表明,在数据分析前先对其特征进行降维是避免“维数灾难”的有效手段。降维技术在各领域被广泛应用,文中详细介绍了特征提取和特征选择两类不同的降维方法,并对其特点进行了比较。通过子集搜索策略和评价准则两个关键过程对特征选择中最具代表性的算法进行了总结和分析。最后从实际应用出发,探讨了特征降维技术值得关注的研究方向。     

结合优化MGFR与二维线性降维的特征提取算法

受限于人脸姿态、光照变化等因素,通过引入多通道Gaborface表征结合基于子空间的二维双向线性降维算法,提出了一种结合优化多通道Gaborface与二维线性降维的特征提取算法。首先,采用多通道Gaborface表征(MGFR)模型对样本集进行预处理,提取不同通道下的人脸Gabor特征表示并优化选取通道融合方式而组合成新特征;再引入样本间类别信息获得改进线性二维双向特征降维算法,从而对获得的人脸表示进行特征降维与提取;最终通过最近邻分类器得到分类结果。试验结果表明,通过在AR、ORL和YALE人脸库进行对比分析,改进算法对人脸姿态等变化具有较强的鲁棒性,且较其他算法表现出了较优的识别性能。     

基于信号传递的神经网络文本降维算法

为有效降低文本处理的时间与空间代价,根据“只有部分脑细胞发出的信号能到达大脑皮层”和“突触信号强度随着与神经细胞主体距离的加大而减弱”的理论,提出基于信号传递理论的神经网络降维算法。通过神经网络结构与训练算法的改变,在文本处理环境中神经元间LTM向量中有大量逼近0的分量,即存在很多不必要的神经元连接,以此作为文本降维的基础。实验结果证明,降维后的文本数据库以较低的时间代价具备与降维前相当甚至更高的分类准确率。     

基于成对约束半监督降维的高光谱遥感影像特征提取

半监督降维(Semi|Supervised Dimensionality Reduction,SSDR)框架下,基于成对约束提出一种半监督降维算法SCSSDR。利用成对样本进行构图,在保持局部结构的同时顾及数据的全局结构。通过最优化目标函数,使得同类样本更加紧凑,异类样本更加离散。采用UCI数据集对算法进行定量分析,发现该方法优于PCA及传统流形学习算法,进一步的UCI数据集和高光谱数据集分类实验表明:该方法适合于进行分类目的特征提取。     

基于分段组合特征降维的交叉视角目标定位研究

为提高交叉视角目标定位的精度,提出了一种基于分段组合特征降维的交叉视角目标定位方法。首先使用ResNet-50作为主干网络,并选取实例损失函数,提高了目标定位的性能。其次,为去除所提取特征的冗余信息,提出了一种分段组合降维方案对图像全局特征进行降维,保留了特征的主要信息并降低了特征维度,从而提高了目标定位的效率。在University-1652数据集上进行验证,实验表明所提方法与降维之前特征匹配相比,AP和Recall@1分别提升了1.08倍和1.1倍,能有效提高定位精度。     

基于PCA的超声缺陷类别识别方法研究

考虑超声回波信号不同参数对某一具体缺陷类别的不同重要性,在超声检测缺陷信号特征提取的基础上,提出采用主分量分析法对其分析。分析结论取代传统的直接把缺陷特征向量分类器作为输入的方法,避免冗余特征对缺陷类别识别的影响。将锻件中三类常见缺陷的特征向量分别进行主分量分析,并通过利用BP神经网络的泛化性能分别构建了分类器。利用DS证据理论对神经网络的输出进行融合识别。通过现场采集的超声探伤信号,对提出的分析方法进行验证,缺陷类别的识别率有较大提高,说明了该方法的有效性。     

过程编码降维在FCM中的改进研究

利用无监督聚类算法可以有效地保留数据特征的特性,提出采用无监督聚类算法来对数据样本进行降维处理的方法,通过将连续多次迭代分类结果进行按类数编码,得到快速判定聚类分析降维开始的可行条件及聚类结束条件,并以降维数据为数据样本,继续进行聚类分析,快速完成数据特征提取。通过实验证明该方法在数据降维效果和聚类算法的执行速度上都有很大提高。     

基于非线性降维算法的视频序列特征提取及图像重建

在经典算法的基础上,根据典型视频序列的特点对降维算法进行双通道扩展,并提出k近邻核函数法重建高维图像.在高低维空间建立映射,解决无重构算法的问题.同时也为视频压缩提供一条新思路.实验结果显示算法的有效性.     

利用PCA进行深度学习图像特征提取后的降维研究

深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增,极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标,对深度学习中的各种数据降维方法进行分析.在此基础上,以Caltech 101图像数据集为实验对象,采用VGG-16深度卷积神经网络进行图像的特征提取,以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段,采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后,使用PCA法将数据维度降至64维,依然能够保持较高的特征信息.     

改进的入侵检测数据降维方法

数据降维是提高入侵检测分类器的学习效率和检测速度的重要手段。针对目前入侵检测数据特征降维力度不够,提出了一种基于主成分分析的分类特征降维方法。该方法把样本集按数据类型分割成多个子集,分别对每个子集进行主成分分析来消除各子集间在降维时的相互影响,使得每个子集的降维达到最佳。实验结果表明采用分类主成分分析方法能够更有效地降低数据维数,提高了入侵检测分类器的学习速度和检测速度。     

基于支持向量机的航空发动机叶片超声检测

支持向量机(SVM)是一种具有出色学习性能的新型机器学习方法,它能够较好地克服神经网络容易出现的过学习、网络结构难以确定以及局部极小等缺点。研究了小波包变换提取发动机叶片缺陷特征向量的问题,提出一种基于支持向量机的航空发动机叶片超声检测方法。实验表明,基于小波包分解提取特征向量结合支持向量机的识别方法,能够有效地区分发动机叶片部件的几种典型缺陷。     

数字信号处理技术应用于路轨探伤

提出了一种路轨探伤的新方法。它的特点在于（１）以波束脉冲直通方式代替了常规的波束脉冲回波方式；（２）利用雷利波的色散特性计算与它相互作用的裂痕深度；（３）使用信号处理技术，对所传送的雷利波进行ＦＦＴ和频谱分析，从而直接计算裂痕深度。处理方法简单快速，可提高实时处理的速度和可靠性。最后还介绍了探伤装置的组成结构和处理流程。     

聚焦换能器的研制和在超声特征成像中的应用

为了提高对层状复合金属材料缺陷的成像分辨率,需要用高灵敏度的聚焦换能器.针对我们研制的(F-San)全自动超声特征成像系统,用钛酸铅做压电晶片,不同颗粒度的钨粉做声透镜和背衬的主要材料,研制了主频为10～20MHz宽带窄脉冲聚焦换能器,并用光学法拍摄了主频为10MHz的换能器的超声波声场在水中的聚焦过程及焦斑大小.在对层状复合金属材料检测时,缺陷的成像分辨率达0.5 mm.     

小波方差在信号特征提取中的应用

根据小波变换的特点,引入了单一尺度下的小波方差,研究了其在反映随机信号的统计特征方面的特点,以及在信号特征提取中的应用.最后,以一类石油测井信号为实例,分别利用小波方差分析和提取信号在强噪声环境下的特征脉冲.研究结果说明:小波方差是表征信号能量的一个物理量,也是提取非平稳信号的特征的有效方法.     

基于神经网络的超声导波管道缺陷识别

在役石油管道的腐蚀是造成石油管线运输故障的重要原因,适时检测在役管道是否被腐蚀至关重要。研究了超声导波进行长距离在役管道检测技术,并利用人工神经网络进行管道缺陷的智能识别,通过超声导波设备进行了管道缺陷检测实验,从原始检测数据的信号处理结果中提取出了样本特征值,并建立和训练了一种用于实现管道缺陷识别的BP神经网络。实验表明:使用该网络可进行超声导波管道缺陷的自动识别。     

基于改进卷积神经网络的铁轨伤损图像识别

铁轨探伤技术的可靠性关系到铁路运行的安全性。分析BP神经网络、卷积神经网络算法在图片识别中的优势,提出一种结合BP、卷积网络的新算法应用于铁轨伤损检测。改进算法利用卷积神经网络对铁轨样本进行特征提取,仅一次前向运算获得低维度铁轨图,再由BP神经网络对低维度铁轨图特征进行分类训练与测试。实验结果表明,改进算法在已训练好的模型测试中得到较好的误差收敛曲线与较高的测试精度,与BP算法、卷积算法相比,该算法训练时间更少,对铁轨伤损图片识别效果更好,在铁轨伤损检测方面有较好的应用前景。     

特征维数对隐写检测的影响分析

通过实验验证并分析图像隐写检测过程中特征维数对隐写检测正确率的影响,对比使用人工选取与机器降维的隐写图像识别率。结果表明,低维特征更有利于简化分类器的设计,降低计算复杂度,提高隐写检测正确率,且机器降维后的特征相比人工选取的特征拥有更好的隐写检测效果。     

高维空间中针对离群点检测的特征抽取

提出了在高维空间中利用特征抽取提高离群点检测性能问题的解决方法。近年来,传统的检测技术已经不能适应高维的数据。介绍了一种有效的基于特征抽取的DROPT方法,该方法整合ERE策略和APCDA方法进行无特征损失的本征空间规则化之后降维,能够大大提高离群点检测精度,在此基础上还可以减小检测难度。实验证明这种在离群点检测中应用特征抽取的方法有一定的实用性。     

统计模式识别中的维数削减与低损降维

较为全面地回顾了统计模式识别中常用的一些特征选择、特征提取等主流特征降维方法,介绍了它们各自的特点及其适用范围,在此基础上,提出了一种新的基于最优分类器——贝叶斯分类器的可用于自动文本分类及其它大样本模式分类的特征选择方法——低损降维.在标准数据集Reuters-21578上进行的仿真实验结果表明,与互信息、χ^2统计量以及文档频率这三种主流文本特征选择方法相比,低损降维的降维效果与互信息、χ^2统计量相当,而优于文档频率.     

基于主分量分析的缺陷识别研究

为了解决传统的人工定义方法和小波包分解方法在超声信号特征提取方面的不足,提出了将主分量分析方法应用于信号的特征提取,并据此进行超声检测的缺陷识别.这种方法不但大大降低了数据量,减少了计算复杂度,同时也能够保证压缩后的数据能够有效的代表原数据特性.通过对提取到的特征建立特征向量,利用模糊模式判别方法进行测试,并和现有的两种方法进行对比.与目前采用的方法相比,该方法在识别效率和准确性上都表现非常优秀,能对各种模式有效识别.