基于Top-hat变换与主成分分析的人脸识别方法

针对光照条件对人脸识别性能的影响,提出了一种利用Top-hat变换对特征提取前的人脸图像进行预处理的方法,减弱了外界光照对人脸特征提取的影响,并将该方法与基于主成分分析的特征提取方法和基于多类别分类器支持向量机的分类策略相结合,形成完整的人脸辨识算法.最后在ORL人脸库和YALE_B人脸库上,对该方法的识别率进行了测试,并与传统的基于主成分分析和最小近邻分类方法结合的人脸辨识方法进行了比较,得到了较好的结果.     

基于Bagging的多模型钢水温度预报

针对LF(Ladel Furnace)冶炼特点及现有钢水温度预报方法存在的不足,提出一种基于Bagging的多模型预报方法.该方法利用Bagging思想,有效地将智能方法与机理方法相结合,在提高智能方法预报精度的同时使得机理模型与智能模型的优势得到互补,克服了单纯机理模型参数获得不够准确以及单纯智能模型缺乏工艺指导的不足.另外,该方法还对Bootstrap采样后的子训练数据集进行了主成分分析(PCA),有效地克服了集成算法固有的子学习机精度与数据集多样性不能兼顾的问题.

     

基于DCT融合2DPCA与DLDA的人脸识别

传统的基于主成分分析的人脸识别需要将图像矩阵转化为向量,特征提取需要花费大最时间.二维主成分分析直接利用图像矩阵,特征提取速度快,但特征数量大,影响分类速度.因此,提出了一种基于离散余弦变换(DCT)的二维主成分分析(2DPCA)和直接线性判决分析(DLDA)结合的人脸识别方法.算法首先用DCT对人脸图像进行压缩并重建,然后利用2DPCA和DLDA对人脸图像进行特征提取.最后选用最近邻分类器进行分类.在ORL人脸库上的测试结果表明,与DLDA或2DPCA算法相比,算法具有更高的识别率.     

环境化合物降解预测模型的研究

为建立化合物降解的计算机预测模型,确定降解和非降解化合物显然不同的参数.选择389个有机分子作为数据集,选其中312个为训练集,其余77个为验证集,每个分子计算195个分子参数,分别采用逐步判别法和主成分分析法建模,并用外部验证集验证模型的预测能力.结果:逐步判别法分析结果中,训练集的降解和非降解化合物的正确率分别为90.6%和69.5%;验证集的降解和非降解化合物的正确率分别为83.9%和63.6%.主成分分析结果在测试集中,降解和非降解化合物的正确率分别为80.4%和31.8%.验证集的降解化合物和非降解化合物的正确率分别为67.9%和50.0%.因此,采用逐步判别法模拟而建立的数学模型,可作为预测化合物降解的模型.以卜研究可以为预测有机物降解提供参考.     

基于主成分分析的运动阴影检测算法

运动阴影在视频图像序列中普遍存在, 为了防止被错误地检测为目标,提高阴影检测算法的准确性和普适性,提出了一种基于空间变换技术的运动阴影检测算法.该算法通过对视频序列建立高斯混合背景模型产生自适应背景,利用主成分分析(PCA)技术对其进行空间变换提取特征,再利用背景与当前帧图像对应像素点在特征空间的位置进行阴影检测.实验结果表明该方法能够很好地抑制噪声,减少光照变化的影响,准确地检测出阴影.     

局部PCA参数约束的Hough多椭圆分层检测算法

针对随机Hough变换(RHT)在复杂图像中检测圆及椭圆时随机采样所造成的大量无效采样、无效累积以及运算时间长等问题,提出基于局部PCA感兴趣参数约束Hough多椭圆分层检测思路。首先利用边缘检测算子获得边缘信息并去除边缘交叉点,在边缘图像中标记并提取出满足一定长度的连续曲线段;其次利用线段PCA方向分析确定是否属于有效曲线段;然后,对所有感兴趣曲线段按照标记顺序依次利用椭圆拟合办法初步得到感兴趣椭圆粗略参数,根据拟合结果进而模糊约束Hough变换参数搜索范围,得到精确椭圆参数;最后利用检测结果更新图像空间,删除已经检测到的椭圆,依次进行,直到所有椭圆检测完毕。实验结果表明,该算法在计算、存储消耗上均大大减少。     

SPSS统计软件中的因子分析法在医学科研中的应用

首先介绍了因子分析理论及分析步骤,然后,通过举例介绍了如何利用SPSS来完成对健康人生化检查结果的因子分析,根据分析出的结果进行评价,以确定检验人是否健康的最适标准的模型。     

SPSS统计软件中的因子分析法在医学科研中的应用

首先介绍了因子分析理论及分析步骤,然后,通过举例介绍了如何利用SPSS来完成对健康人生化检查结果的因子分析,根据分析出的结果进行评价,以确定检验人是否健康的最适标准的模型。     

基于PCA和SVM的电磁模板分析攻击

在分析密码芯片电磁辐射数据相关性的基础上,提出了一种基于主成分分析(PCA)技术和多分类支持向量机(SVM)的模板分析密码旁路攻击方法。将密码设备运行时采集到的泄漏的电磁信号经过PCA处理之后作为特征向量,其对应的密钥作为类别,用已知密钥情况下获得的样本训练多分类SVM,用训练好的多分类SVM对未知密钥的电磁信号进行分类,并根据分类结果推测密钥值。实验表明,在用相同多个主成分和训练样本的条件下,SVM的分类效果好于大多数文献上使用的Bayes判别的分类效果。     

核主成分分析在异型纤维识别中的应用

异型纤维自动检验过程中,传统边沿检测方法受到图片质量的影响较大。核主成分分析,直接从原始的灰度图像提取高阶统计信息,相对受图片质量影响较小。本文中,通过核主成分分析方法,提取图像特征,利用支持向量机分类器,实现对异性纤维的自动检验,并应用到异型纤维识别系统中,取得了预期的效果。同时实验结果表明,使用非线性核函数的识别率明显优于线性核函数的识别率。