基于PCA-LDA-SVM算法的茶小绿叶蝉识别

为提高茶小绿叶蝉病虫害的识别效率和精度,提出一种基于PCA-LDA-SVM的茶小绿叶蝉病虫害识别方法。首先,对采集的茶叶图像进行预处理,得到缩放后的图像;然后,利用主成分分析(PCA)对预处理后的图像提取全局特征,降低特征数据的维度,从而减少后续的计算时间;再利用线性判别分析(LDA)寻找特征数据的最优投影空间,使类内散布距离最小,类间散布距离最大,进一步提高识别的准确率和精确度;最后,利用支持向量机(SVM)分类器进行分类识别。试验结果表明,PCA-LDA-SVM模型识别准确率达96%,精确度达100%,召回率达92%,整体识别性能优于SVM,BP,KNN,PCA-SVM模型,具备一定的理论价值和参考意义。

突发事件网络舆情反转的PCA-LDA-LSSVM预测模型

为有效引导与控制突发事件网络舆情,建立科学的预警机制,提出突发事件网络舆情反转的主成分分析(PCA)-线性判别分析(LDA)-最小二乘支持向量机(LSSVM)预测模型。利用PCA提取具有相关性的影响因素主成分,利用LDA方法分析相互独立的影响因素和主成分对突发事件网络舆情反转的影响,并将LDA分析后的影响因素作为LSSVM的输入向量,预测突发事件网络舆情反转,通过选取33组突发事件网络舆情数据进行试验研究。研究结果表明:影响因素重要性由大到小依次为网民情感正倾向、网民情感负倾向、舆情事件性质、舆情传播形式、舆情首发主体权威性;当网民情感正倾向明显减少、网民情感负倾向明显增加时,应采取措施引导舆情发展。

基于CLAHE的PCA-LDA典型地域人脸识别研究

针对中国南方和北方典型地域人脸特征不明显而难以识别的问题,提出了一种基于限制对比度自适应直方图均衡化(CLAHE)的PCA-LDA算法。首先建立中国南北典型地域人脸数据集,利用CLAHE将人脸图像分块处理后,通过对比度拉伸实现局部信息增强与噪声抑制;然后,使用主成分分析(PCA)算法将高维的人脸图像映射到低维的空间,并生成最能体现样本地域特征的特征脸;之后,通过线性判别分析(LDA)算法寻找样本最佳投影方向进一步压缩维度;最后,采用支持向量机(SVM)分类器进行识别。最终结果表明,所提出的算法能够有效增强人脸特征并减少其他因素的干扰,对南方和北方典型地域识别率分别能达到64.0%和77.0%。

一种基于PCA-LDA的卫星遥感图像的分类方法

结合主成分分析PCA(Principal Components Analysis)和线性判别分析LDA(Linear Discriminant Analysis)的特点,提出一种基于PCA-LDA算法的卫星遥感图像色彩分类方法。该算法将PCA算法和LDA算法的特征空间相融合,得到融合颜色特征空间。该方法去除了图像的R、G、B之间的相关性,改善了光照敏感性,采用基于区域分类的空间一致性原则对图像进行颜色分类。实验结果表明,该方法是对多频谱遥感图像分类的一种有效的方法。

稻米中同位素与多元素特征及其产地溯源PCA-LDA判别

通过探究谷物中同位素与多元素的地域特色及其产地溯源的可能性,本研究采用稳定同位素质谱和等离子发射光谱质谱法测定稻米中同位素比率和多元素含量,并结合化学计量学中主成分分析(PCA)和线性判别分析(LDA)法建立模型,对不同省份的稻米进行产地溯源判定。结果表明,各地产的稻米中稳定同位素δ15N、δ13C、δD、δ18O数值范围不同,而且Li、Be和Na等其他矿物元素的含量变化较大,Pb、Sr同位素比率也各不相同,具有一定的地域特征。PCA法能够初步辨别各稻米地产,本研究进一步采用PCA-LDA法能够对大区域(黑龙江省、江苏省和辽宁省)的稻米进行产地判别,通过对23个样本进行判别验证,正确率为91%。对于黑龙江省4个地产的稻米样品,由于地理差异性比较小,同时样本数比较少,故只对其中2个产地稻米进行判别。通过同位素比率和多元素的含量的测定再结合化学计量学分析,一定程度上能够区分不同产地的稻米,为稻米产地溯源的可行性提供了方法依据。

茶叶中同位素与多元素特征及其原产地PCA-LDA判别研究

本研究采用稳定同位素质谱和等离子发射光谱质谱法测定茶叶中同位素比率和多元素含量,并结合主成分分析(PCA)和线性判别分析(LDA)法建立模型,对福建、山东和浙江出产的茶叶,以及浙江余姚、金华和西湖出产的茶叶进行产地溯源判定。结果表明,不同产地的茶叶中稳定同位素δ15N、δ13C、δD、δ18O数值范围不同,而且Li、Be和Na等27个矿物元素的含量变化也较大,具有一定的地域特征。PCA法能够区分不同产地的茶叶,但不同产地样本存在部分重合;而采用PCA-LDA法能够有效区分不同产地的茶叶,其中福建、山东和浙江产地的判定准确率为99%,浙江余姚、金华和西湖产地的判定准确率为86%。因此,利用稳定同位素和矿物多元素检测结合PCA-LDA法能够较好进行茶叶产地溯源,具有一定的可行性和应用价值。

基于PCA和LDA统一化原理的增强型线性鉴别分析准则

主分量分析(PCA)和线性鉴别分析(LDA)是模式识别领域的使用最为广泛的两种特征抽取方法,而在图像识别中经常采用的是PCA+LDA方法来代替单纯的LDA。本文提出一种增强型线性鉴别准则(ELDA),将PCA的优点和LDA的优点充分地融合在一起,不仅解决了PCA过程中使用最小距离方法时识别精度相对低的缺点,而且解决了LDA过程中当类内散布矩阵奇异时投影向量的求解问题,也就是说可以使用该方法来替代PCA+LDA的两步骤方法。另外,该方法在识别精度上比PCA和LDA或PCA+LDA方法都有较大的提高,通过在ORL、Yale和NUST603人脸库上的实验验证了该算法的有效性。

融合PCA与LDA变换的仿生人脸识别研究

就基于PCA与LDA变换的传统人脸识别方法识别率低但特征提取过程中维数低和基于K-L变换的仿生人脸识别方法识别率高但在特征提取过程中维数过高的的问题,将两者的优点相结合,提出了一种基于PCA与LDA变换的仿生人脸识别新方法。通过PCA与LDA变换对训练人脸样本进行特征提取,然后构建各类样本的覆盖区域。再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。实验收到了预期的效果,证明了方法的可行性。

PCA-LDA算法在性别鉴别中的应用

结合主元分析(Principal Components Analysis,PCA)与线性鉴别分析(Linear Discriminant Analysis,LDA)的特点,提出用于性别鉴别的PCA-LDA算法。该算法通过PCA算法求得训练样本的特征子空间,并在此基础上计算LDA算法的特征子空间。将PCA算法与LDA算法的特征子空间进行融合,获得PCA-LDA算法的融合特征空间。训练样本与测试样本分别朝融合特征空间投影,从而得到识别特征。利用最近邻准则即可完成性别鉴别。基于ORL(Olivetti Research Laboratory)人脸数据库的实验结果表明,PCA-LDA算法比PCA算法识别性能好,在性别鉴别中是一种有效的方法。

一种基于局部Gabor滤波器组及PCA+LDA的人脸表情识别方法

针对传统的Gabor滤波器组存在特征提取时间较长以及特征数据存在冗余性的缺点,提出了一种新颖的局部Gabor滤波器组。为了评估该方法的识别性能,提出了一个基于Gabor特征的人脸表情识别系统。该系统首先对经过预处理之后的纯表情图像提取Gabor特征,然后用PCA+LDA方法对采样后的特征进行特征选择,最后采用K近邻分类方法识别人脸表情。实验结果表明,这种方法无论在计算量还是识别性能上都比传统的Gabor滤波器组更具有优势。该方法的创新之处在于选取局部Gabor滤波器,最高平均识别率达到了97.33%,表明其适合于人脸表情图像的分析。

红外光谱结合PCA-LDA对嘉峪关戏台文物建筑彩画胶料种类的判别

为了判别嘉峪关戏台文物建筑彩画的胶料种类,采用皮胶、鱼鳔胶、蛋清、蛋黄、牛奶为参考样品,使用傅里叶红外光谱仪采集了参考样品及三件文物样品胶料的红外吸收光谱,利用主成分分析结合线性判别分析(PCA-LDA)构建胶料种类判别的数学模型,并应用于文物样品。发现参考样品红外光谱在1800~1000 cm^(-1)区间包含了丰富的分子结构特征信息。该区间中蛋白类胶料的共同特征为1650 cm^(-1)附近的仲酰胺C=O键伸缩振动峰,1542 cm^(-1)附近的酰胺C—N键伸缩振动和N—H键弯曲振动峰,1240 cm^(-1)附近的酰胺C—N键伸缩振动峰。此外,蛋黄、皮胶和牛奶因其中含有较多脂类物质,在1745 cm^(-1)附近还存在饱和脂肪酸酯羰基C=O键伸缩振动峰。在此基础上,通过对参考样品红外吸收光谱主成分得分散点图的分析,发现不同胶料参考样品的红外光谱类间差异显著。据此,使用参考样品红外光谱的主成分得分为训练集,添加类别变量拟合判别函数,绘制函数组质心图并进行交叉验证,得出方程的判别正确率为93.3%。发现因老化降解导致三件文物样品的红外吸收光谱与参考样品光谱有所不同,但仍具有蛋白类胶料的特征。利用PCA-LDA分析模型对文物胶料种类进行判别,结果均为皮胶。该胶料种类判别模型稳定、有效,用该模型判定嘉峪关建筑彩画胶料为动物胶中皮胶。

基于2D-PCA的两级LDA人脸识别方法

线性鉴别分析(LDA)小样本问题的已有解决方法在构造最优投影子空间时未完整利用LDA的4个信息空间,为此,提出一种基于二维主成分分析(2D-PCA)的两级LDA人脸识别方法。采用减法运算对样本类内散度矩阵和类间散度矩阵的特征值矩阵求逆,以解决小样本问题,并连续应用Fisher准则和修改后的Fisher准则连接2个投影子空间,获取包含LDA的4个信息空间的最优投影方向,利用2D-PCA对输入样本做预处理,以减少计算复杂度。在ORL和YALE人脸库上的实验结果表明,该方法虽然训练时间略有增加,但识别率分别为92.5%和95.8%,优于其他常用LDA算法。

用PCA-LDA对多环芳烃的致癌性进行分类

本文利用主成分提取-线性判别分析(PCA-LDA)模型对多环芳烃(Polycyclic Aromatic Hydrocarbons,PAHs)的致癌性进行分类,与致癌性有关的多环芳烃的表面积、代谢活性区域中心碳原子的离域能、亲电活性区域中心碳原子的离域能以及分子脱毒区的总数四个参数作为模型的输入,用已知致癌性的67个样本作为训练集建立PCA-LDA模型,对10个预测集样本的致癌性进行预测,结果表明:致癌性按高(h)、低(l)、非(n)分类时预测准确率达100%。

红外光谱结合PCA-LDA判别道地和非道地山药

采用红外光谱结合主成分分析(PCA)法和线性判别分析(LDA)法对山药样本的道地与非道地性进行了分析。共采集9个省107个山药样品,红外光谱波长测定范围为4 000～525 cm-1,采用多元散射校正预去除散射干扰,结果表明,PCA法不能完全区分道地和非道地山药;而采用PCA-LDA法能够有效区分道地和非道地山药,利用蒙特卡罗模拟方法随机筛选训练集和预测集,重复运行1 000次,道地山药判定的准确率为97. 53%,非道地山药判定的准确率为98. 88%。因此,利用红外光谱结合PCA-LDA法能够进行道地山药的判定,具有一定的可行性和应用价值,为山药道地性鉴别提供了一种新的方法。

融合PCA和LDA的入侵检测算法

针对目前单个IDS在入侵特征提取和检测效率上存在的问题,提出了一种融合主成分分析(PCA)和线性判别分析(LDA)的入侵检测算法。利用PCA和LDA提取入侵特征,通过KNN分类器给出初步的识别结果,接着采用D-S证据理论对识别结果进行融合,得出最终识别结果。通过在KDD CUP’99的标准入侵检测数据集上的实验表明,该方法提高了入侵检测率,同时降低了误报率,性能优于单一的分类器。

结合2DWT和Fisherfaces的人脸特征提取新方法

针对人脸表情变化对人脸识别的影响,提出一种结合小波变换(DWT)、特征脸方法(PCA)和线性判别法(LDA)的人脸特征提取新方法。首先将人脸图像通过二维小波变换(2DWT)提取其低频分量,然后将低频图像经过PCA变换映射到一个低维空间,最后在低维空间中利用LDA方法进行人脸特征的提取。通过此方法,采用ORL人脸库和Yale人脸库进行测试,我们可实现更准确的特征提取,并有效解决表情变化对人脸识别的影响问题。实验结果显示,本文方法在提高人脸识别率的同时,也提高了人脸识别速度。

基于Fisherface和组合KNN分类器的人脸识别算法

基于Fisherface和组合K近邻(KNN)分类方法的人脸识别算法首先采用Fisherface进行特征提取,构成特征空间。然后,利用组合KNN分类器对提取的特征进行识别。在ORL人脸数据库上的实验结果表明该方法具有良好的性能。

基于PCA-LDA和KNN-SMO的数据碎片分类识别算法

在计算机取证领域,数据碎片的取证分析已成为获取数字证据的一种重要手段。本文针对取证中数据碎片的取证问题提出了一种新的基于内容特征的数据碎片类型识别算法,该方法首先对数据碎片进行分块主成分分析PCA后,对PCA特征向量进行线性鉴别分析LDA获取组合特征向量,然后利用K最邻近KNN算法和序列最小优化SMO算法组成融合分类器,运用获取的组合特征向量对数据碎片进行分类识别。实验表明,该算法与其他相关算法相比,具有较高的识别准确率和识别速率,取得了良好的识别效果。

一种融合WPCA与WLDA的人脸识别方法

提出了一种融合加权PCA与加权LDA的人脸识别方法。该方法将主成分分析(PCA)的优点和线性鉴别分析(LDA)的优点充分地融合在一起,以欧式距离为参数的权函数w1使得PCA降维时加入类别差异从而得到最优投影矩阵,解决了PCA过程中使用最小距离方法时识别精度相对低的缺点;以马氏距离为参数的权函数w2使得LDA分类时,进一步扩大类间离散度,减小类内离散度。另外该方法在识别精度上比WPCA+LDA、PCA+WLDA、PCA+LDA算法都有很大的提高,通过在ORL、AR、FERET人脸库上的实验验证了算法的有效性。

基于多通道Log-Gabor小波与（2D）~2 PCALDA的人脸识别方法

为了降低光照变化对基于子空间的人脸识别方法性能的影响,结合多通道Log-Gabor策略与(2D)2 PCALDA特征提取方法,提出了一种新的人脸识别方法。将不同尺度与方向作为独立通道,在每个通道内采用(2D)2 PCALDA对人脸图像的Log-Gabor表示进行特征提取、分类,然后对各通道分类结果进行决策融合得到最终的类别归属。在CAS-PEAL-R1、ORL与Yale人脸数据库上的实验结果表明,该算法具有较好的识别性能。