多维数据降维方法

本文对数据降维方法进行了概述,简要分析了现有数据降维方法,并指出数据降维方面的关键问题。同时对线性降维方法主成分分析分析方法、稀疏主成分分析方法及非线性降维方法等距特征映射方法、局部线性嵌入方法的具体步骤进行了详细阐述。     

一种改进的核二维主成分分析人脸识别算法

结合二维主成分分析(two-dimensional principal component analysis,2DPCA)、核二维主成分分析(kernel two-dimensional principal component analysis,K2DPCA)、二维最佳判别式(two-dimensional Linear Discriminant Analysis,2DLDA)的特点,本文提出了一种改进的核二维主成分分析人脸识别算法,可以巧妙地将图像同时映射到最佳投影空间和最优判别空间。首先通过标准的K2DPCA算法在图像的行方向上去相关性;其次在K2DPCA空间通过2DLDA算法对图像做进一步投影;最后利用最近邻准则分类器计算相似度进行判别。在标准人脸库ORL和Yale进行验证,结果表明,所提出算法可以获得更高的识别率。     

基于投影矩阵的空间非合作目标三维重建

针对从摄像机运动恢复结构算法(structure from motion algorithm,SFM)重建结果精度低以及面片重建算法(patchbased multiview stereo,PMVS)计算时间长的缺点,提出1种基于投影矩阵空间非合作目标三维重建算法。首先采用针孔模型对三维空间点到二维图像像素点投影关系进行理论推导,然后利用对极几何约束原理求解出旋转矩阵和平移矩阵;再由投影矩阵,解算三维空间点坐标;最后结合精密可控转台,搭载双目相机进行仿真实验。仿真实验结果表明,与SFM算法和PMVS对比,重建结果点云个数分别增加了22倍和9倍,所需时间分别减少了5s和97s;验证该算法的高可靠性、高重建精度和强实时性。     

一种三维散乱点局部降维Delaunay网格自动生成算法

本文在对以往三维三角网重建算法研究的基础上,提出了一种基于局部降维原则的改进算法。该方法通过输入一系列不提供拓扑结构等附加信息的无组织散乱点而得到一个流型三角网。算法首先将数据点空间分块,然后在局部块中搜索k邻域,构建最小二乘切平面,并将坐标由三维转化成二维将三角剖分建立在二维上。通过将采样点投影到局部的切平面上,再对投影点进行三角化,最后将这些投影后点的连接关系直接映射回三维空间。本文创新性地利用局部降维方法,利用OPENGL编程实验证明,整个系统运行良好,可以为真三维三角面片自动构建提供新思路。     

基于深度学习的SPD人脸识别算法

本文提出一种自商图像法(SQI)、主成分分析法(PCA)和深度信念网络(DBN)相结合的SPD人脸识别算法。首先将人脸图像经过自商图像处理,勾勒其边缘特征。然后使用主成分分析法将高维自商图像降维至低维子空间。接着将训练集低维子空间的数据作为深度信念网络的输入,并对网络逐层进行训练。最后使用训练好的深度信念网络对测试集低维子空间的数据进行识别。对于遮挡性识别,采用遮挡分割法,减弱局部遮挡对整个图像的影响因子。经过反复实验验证,本文提出的算法在小样本中对脸部识别效果较好。     

基于神经网络的糖尿病多种并发症

针对现有糖尿病多种并发症预测模型以动物试验为主缺乏有效的数学模型。基于此,本文采用神经网络进行糖尿病多种并发症的研究,以期获得对多种并发症影响较大的指标、提高糖尿病多种并发症诊断准确率。首先通过并发症主成分因素分析对并发症因素进行归类和降维;其次利用神经网络自学习优势对筛选出对多种并发症影响较大的因素,并与传统的神经网络进行了对比。实验数据分析表明,本文方法相比未进行主成分划分和数据整理的神经网络模型,提高了糖尿病多种并发症的预测确度,找到了以年龄等为主的影响指标,为糖尿病诊断与治疗提供新的思路。     

基于PCA法的BP网络对冰蓄冷系统的空调负荷预测

BP神经网络应用于空调负荷预测时,如果输入变量较多或变量间存在相关关系,会直接影响BP神经网络的预测准确性。针对此问题,采用主成分分析(PCA)法,在保留原始数据主要信息的前提下提取数据的主要成分。根据各主成分的贡献率对神经网络输入变量进行缩减,达到压缩变量维数的目的。然后将主成分输入到负荷预测的模型之中进行预测,使之更符合空调负荷预测的特点,提高预测的速度和精度。最后通过实际算例进行验证,实验结果表明,该方法确实可行。     

基于数据挖掘技术的黄土分类问题研究

依据数据挖掘技术,采用分类回归树决策树和概率神经网络对黄土的分类规则进行挖掘。利用主成分分析法对数据进行了清洗和降维处理,以处理后的新变量作为挖掘对象,使挖掘出的分类模型和规则得到了简化,提高了计算精度;同时归纳出了影响黄土分类的因素,所挖掘出的分类规则可用于黄土地层的智能划分。研究结果表明,挖掘出的知识具有良好的实用性。     

基于PCA-GA-BP 的工程项目工期风险预测研究

为了在工程项目实施前准确地预测出工期风险的大小,在介绍BP 神经网络、遗传算法、主成分分析等理论的基础上,针对现有预测模型的缺点以及BP 神经网络自身缺陷,采用主成分分析法对样本数据进行降维处理,并利用遗传算法对 BP 神经网络的初始权值阈值进行优化,提出了基于PCA-GA-BP 的工程项目工期风险预测模型。将以往工程风险数据作为学习样本,训练并构建模型对待建工程项目工期风险进行预测。实例证明该模型有效、可靠,对指导实际工程具有重要意义。     

PCA 在大型工程目标集成化动态分析上的应用

质量、费用及工期是大型工程项目管理的三大控制对象,通过建立大型工程项目质量、费用和工期的指标体系,利用多元统计分析中的PCA,将影响大型工程项目质量、费用和工期目标的17 个因素进行降维处理,得到6 个主成分,计算并比较6 个主成分特征向量绝对值的大小进行重新归类,对比归类后的6 个主成分得分排名和综合评价得分排名,进行大型工程目标集成化动态分析。最终案例分析的结果表明,结论符合实际大型工程项目管理的可能情况。