时频图像特征用于声场景分类

为解决根据音频流识别声场景的问题,对音频信号进行恒Q变换,得到其时频表达图像,然后进行滤波平滑等处理,随之提取能够表述信号谱能量变化方向信息的梯度直方图特征,以及能够捕捉信号谱纹理信息的局部二值模式特征,输入具有线性核函数的支持向量机分类器,对不同声场景数据进行分类实验。结果表明,相对于传统的时频域特征和梅尔频率倒谱系数特征,所提出的特征基本能够捕捉到给定声场景具有区分度的信息,所得分类率更高,且两者的互补作用使得联合特征分类效果达到最优,该方法为声信号特征提取贡献了一种新思路。     

基于核主成分分析的人脸识别

在标准PCA原理基础上,提出了核主成分分析算法进行人脸识别。在进行非线性映射之前,首先利用经典的主分量分析降维,然后再执行核主分量分析（KPCA）。为了进一步降低经典PCA的处理时间,使本算法具有更高的效率,在ORL标准人脸库上的实验结果验证了所提算法的有效性。     

基于主成分分析的振动源量化研究

通过实船主机试验,证明了主成分分析可以在信息损失较少的前提下提取振动噪声源信息。     

基于主成分分析定权的优先级排序研究

企业拥有多个生产任务时,由于人资源的约束冲突,需要对任务进行优先级排序,按照优先级顺序,确定资源的优先使用顺序;针对这一问题,提出一种基于主成分分析的方法,该方法有效的解决任务排序的问题,具有客观性、可靠性的特点,在企业生产实际应用中具有较大的现实意义。     

基于曲波域与核主成分分析的人脸识别

针对小波变换不能充分描述人脸曲线特征的缺点,本文提出一种基于曲波域与核主成分分析(KPCA)的人脸识别算法.采用多尺度、多方向的曲波(Curvelet)变换提取图像特征,不仅具有更高的逼近精度和更好的稀疏表达能力,而且其变换系数能有效表示沿曲线的奇异性.进一步使用核主成分分析(KPCA)将曲波特征系数投影到更具表达力的...     

基于主成分分析与独立成分分析的热释电红外信号特征提取技术

提出一种基于主成分分析(PCA)和独立成分分析(ICA)的人与老鼠热释电传感器红外信号特征提取的方法。首先对采集到传感器数据进行去噪预处理,并使用FFT变换到频域分析。然后用主成分分析法提取频谱数据主要信息,降低数据冗余量,同时保留了99.95%以上原始信息。最后使用独立成分分析法提取统计独立的独立成分,并用峰度系数来描述人和老鼠的独立特征分量信息。实验结果说明:提取的特征量都能充分描述人与老鼠的实际信息,且人与老鼠的特征差异足够明显,为提取人和老鼠热释电红外信号的特征提供一个有效可行的方法。     

红外光谱结合主成分分析对纸质快递文件袋的分类研究

目的 建立一种快速无损的检验纸质快递文件袋的分析方法。方法 利用傅里叶变换红外光谱对63个纸质快递文件袋样品进行检验,分析样品的红外光谱吸收峰的峰位,结合主成分分析对光谱数据进行了降维处理并分类。利用费歇尔判别对快递文件袋的分类结果进行分析和验证。同时建立多层感知器神经网络和径向基函数神经网络2种分类模型,进行分析和验证。结果 63个纸质快递文件袋样品可被分成四大类,利用费歇尔分类模型进行验证,准确率为100%;多层感知器神经网络分类模型准确率为95.23%,径向基函数神经网络分类模型准确率为92.06%。通过比较发现,费歇尔判别可以实现对纸质快递文件袋更加有效地分类。结论 该方法简单快速,样品用量少且无损样品,可为快递文件袋类的物证鉴定提供科学依据。     

基于主成分回归分析的煤炭行业政策效果评价分析

运用政策量化方法对煤炭行业分类政策进行量化,利用主成分回归分析法从经济效益、安全效益、生态环境效益和社会效益四个层面对1991~2016年煤炭行业政策效果进行评价分析。结果表明:(1)煤炭行业政策均会对经济效益、安全效益、生态环境效益和社会效益产生相应正向或负向影响;(2)发展规划和税收政策对煤炭行业经济效益负向影响较大,价格和税收政策对安全效益和生态环境效益影响最大,节能减排和发展规划政策对社会效益影响较大;(3)价格和税收政策为主导影响政策,发展规划和节能减排政策对煤炭行业影响程度呈不断加大趋势。建议从提升节能减排资金补贴、加快兼并重组步伐、完善煤价调控政策等方面完善现有煤炭行业政策体系。     

基于主成分分析的多光谱相机灵敏度优化

研究了基于主成分分析的多通道光谱图像获取硬件系统即多光谱相机的灵敏度优化问题。利用多维向量空间理论和主成分分析法,系统讨论了多光谱获取系统优化灵敏度的理论和方法。提出灵敏度优化向量的概念,将滤光片透过率优化和光源辐射谱优化两种方法统一起来。利用四种灵敏度优化向量进行了仿真试验,并给出了在主成分分析算法下的实验仿真结果。结论是：多光谱系统灵敏度优化向量的正交化设计是系统光谱图像获取的必要要求;窄带灵敏度中,交叠的灵敏度优化向量具有更好的光谱反射率信息获取能力;在有限数目的宽带滤色片中,挑选滤色片透过率向量可以得到较好的多光谱相机的灵敏度向量。     

基于主成分分析的温度敏感性结构损伤识别

为了避免由于温度变化使损伤识别发生误判,通过小波包变换和多元统计分析中的主成分分析方法构造损伤指标DIT,剔除或减少温度对损伤特征参数的影响。以简支梁模型为例,考虑温度影响,通过上述方法构造损伤指标DIT和损伤上限值UL,再对不同损伤位置、不同损伤程度对损伤指标的影响进行分析,结果表明,使用该损伤指标可以有效提高温度敏感性结构损伤识别的可靠性。基于某藏式古建的长期动态监测系统,分析了传感器两年的数据,损伤指标DIT未超过损伤上限值,表明结构没有明显的损伤发展。     

Robust principal component analysis with projection learning for image classification

ABSTRACT

In this paper, we propose a robust subspace learning method, based on RPCA, named Robust Principal Component Analysis with Projection Learning (RPCAPL), which further improves the performance of feature extraction by projecting data samples into a suitable subspace. For Subspace Learning (SL) methods in clustering and classification tasks, it is also critical to construct an appropriate graph for discovering the intrinsic structure of the data. For this reason, we add a graph Laplacian matrix to the RPCAPL model for preserving the local geometric relationships between data samples and name the improved model as RPCAGPL, which takes all samples as nodes in the graph and treats affinity between pairs of connected samples as weighted edges. The RPCAGPL can not only globally capture the low-rank subspace structure of the data in the original space, but also locally preserve the neighbor relationship between the data samples.     

声信号的主分量分析应用于滚动轴承故障诊断

利用声信号来进行故障诊断具有"采集比较容易,非接触式测取,设备简单,速度快,无须事先粘贴传感器,不影响设备正常工作,易于实现早期预报和在线监测,疳可在不易测量振动信号的场合得到广泛应用"等优点.由于外界噪声的影响,有效信息的提取较为困难.采用主分量分析对传声器测取的声信号进行了预处理;在此基础上应用基于Morlet小波变换的包络分析和频谱分析来提取故障特征向量,并以滚动轴承为例进行实验.结果表明,这是诊断滚动轴承早期故障的一种可选方法.     

主成分分析的入侵检测方法研究

直接将入侵检测算法应用在粗糙数据上,其入侵检测分析的效率非常低.为解决该问题,提出了一种基于主成分分析的入侵检测方法.该方法通过提取网络连接中的相关信息,对它进行解码,并将解码的网络连接记录与已知的网络连接记录数据进行比较,发现记录中的变化和连接记录分布的主成分,最后将机器学习方法和主成分分析方法结合实现入侵检测.实验结果表明该方法应用到各种不同KDD99入侵检测数据集中可以有效减少学习时间、降低各种数据集的表示空间,提高入侵检测效率.     

New method for spectral data classification: two-way moving window principal component analysis

Two-way moving window principal component analysis (TMWPCA), which considers all possible variable regions by using variable and sample moving windows, is proposed as a new spectral data classification method. In TMWPCA, the similarity between model function and the index obtained by variable and sample moving windows is defined as "fitness". For each variable region selected by a variable moving window, the fitness is obtained through the use of a model function. By maximizing the fitness, an optimal variable region can be searched. A remarkable advantage of TMWPCA is that it offers an optimal variable region for the classification. To demonstrate the potential of TMWPCA, it has been applied to the classification of visible-near-infrared (Vis-NIR) spectra of mastitic and healthy udder quarters of cows measured in a nondestructive manner. The misclassification rate of TMWPCA has been compared with those of other chemometric methods, such as principal component analysis (PCA), soft independent modeling of class analogies (SIMCA), and principal discriminant variate (PDV). TMWPCA has yielded the lowest misclassification rate. The result indicates that TMWPCA is a powerful tool for the classification of spectral data.     

Bacillus spore classification via surface-enhanced Raman spectroscopy and principal component analysis

Surface-enhanced Raman spectroscopy (SERS) can provide rapid fingerprinting of biomaterial in a nondestructive manner. The adsorption of colloidal silver to biological material suppresses native biofluorescence while providing electromagnetic surface enhancement of the normal Raman signal. This work validates the applicability of qualitative SER spectroscopy for analysis of bacterial species by utilizing principal component analysis (PCA) to show discrimination of biological threat simulants, based upon multivariate statistical confidence limits bounding known data clusters. Gram-positive Bacillus spores (Bacillus atrophaeus, Bacillus anthracis, and Bacillus thuringiensis) are investigated along with the Gram-negative bacterium Pantoea agglomerans.     

基于滑动中值滤波的多尺度主元分析方法

提出了一种基于滑动中值滤波的多尺度主元分析(MSPCA)方法,该方法利用中值滤波对主元分析(PCA)前的原始数据进行预处理,以去除异常点,并用多尺度主元分析方法把小波变换和主元分析有机结合起来,通过对过程数据的多尺度建模,来消除系统中的次要主元和小的小波系数,这样既提高了对数据中细微、重要变化的检测灵敏度,又解决了在测量数据中含有异常点的情况下,现有多尺度主元分析难以去除因异常点的存在而产生的虚警问题.仿真验证了该方法的有效性和可行性.     

Robust principal component analysis for functional data

A method for exploring the structure of populations of complex objects, such as images, is considered. The objects are summarized by feature vectors. The statistical backbone is Principal Component Analysis in the space of feature vectors. Visual insights come from representing the results in the original data space. In an ophthalmological example, endemic outliers motivate the development of a bounded influence approach to PCA.     

基于电容测量和PCA法的两相流相浓度检测方法

介绍利用电容层析成像系统阵列传感器结构和采样特点,引入主成分分析法(PCA)求取两相流相浓度的新方法.对大量测量值样本进行统计分析后,求出用测量值第一主成分求取相浓度的经验公式,仿真及静态实验表明:两者之间有着良好的对应关系,其测量结果不受两相流流型的影响,是一种有较好应用前景的测量方法.     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。