基于KCCA虚假邻点判别的非线性变量选择

特征变量选择技术是非线性系统建模过程中降低信息冗余和提高精度的有效方法。提出一种结合核典型相关法(kernel canonical correlation analysis,KCCA)与虚假最近邻法的变量选择法。首先引入核方法,将非线性原始数据映射到线性空间,再采用典型相关法有效合理地消除因子之间的多重共线性,受混沌相空间虚假最近邻点法的启示,通过计算原始数据在KCCA子空间中投影的距离,判断其对主导变量的解释能力,由此进行变量的选择。该方法用氢氰酸生产工艺工程中的非线性模型验证,并与全参数模型进行比较,结果显示该方法有良好的变量选择能力。因此,该研究为非线性系统建模的变量选择方法提供了一种新方法。

基于小波-KCCA的非线性欠定盲分离方法研究

结合小波分析和核典型相关分析(KCCA)各自的特点,提出一种基于小波-KCCA非线性欠定盲源分离方法。该方法的基本思想是利用小波分析对观测信号进行分解,将分解后的小波系数与原来的观测信号重新组合,构成新的观测信号,从而将欠定盲分离转换为超定或正定盲分离。然后把新的非线性观测信号从低维空间映射到高维核特征空间,将非线性盲源分离问题转化为特征空间中的线性盲源分离问题,最后用典型相关分析对混合信号进行盲源分离,得到源信号的估计。仿真结果表明,与传统的非线性盲分离方法相比较,提出的方法具有明显的优势,得到了满意的分离效果。最后,轴承内外圈故障非线性欠定混合盲分离实验进一步验证了小波-KCCA方法的有效性。

基于KCCA优化的网络入侵检测算法

入侵检测系统所得原始特征通常是高维度的,这些高维度特征带来了较大的计算开销。针对该问题,采用核典型相关分析方法进行原始特征的二次提取,得到简约而重要的二次特征。在该二次特征的基础上运用二叉树多分类支持向量机法判别待测网络状态所属类别。仿真实验证明,该算法在不显著损失检测准确度的情况下可提升系统实时性,从而达到优化目标。

基于KCCA的煤矿人员特征融合识别

煤矿井下险情时有发生,为险情下方便救援,需要监控各区域人员签到,准确掌握人员身份及分布情况。在煤矿井下由于光线不足、黑尘干扰等原因,影响人员的识别和管理。传统的识别由于单独依赖人脸识别来辨别井下人员数量和身份,易受到矿井下恶劣的环境影响而导致出现无法识别和识别效率低等问题,所以可靠程度较低。为解决上述问题,提出了一种基于KCCA算法的人脸特征和虹膜特征融合的煤矿井下人员签到识别方法。首先提取出人脸特征和虹膜特征,然后采用KCCA算法对采集到的人脸特征和虹膜特征进行融合,去除图片中无效的信息,降低算法复杂度,最后利用TAN分类完成人员认证,准确识别人员身份。实验表明,该算法降低了计算复杂度,提高了身份识别的准确度,增强了工作人员的安全监控。

基于KCCA算法的车载广播非线性混合干扰信号盲源分离

针对车载广播设备工作时所面临电磁干扰降低信号质量的问题,首先应用基于核函数的典型相关分析的盲源分离算法,有效解决了车载广播非线性混合干扰问题;然后,通过对基于核函数典型相关分析算法的调幅信号和调频信号与噪声的非线性混合、分离过程进行了仿真分析;最后,采用信号之间相关系数对其分离结果进行了评估,验证了所提出的方法在车载广播干扰信号分离的可行性和稳健性。

基于KCCA的特征匹配方法

特征匹配问题是计算机视觉和模式识别中一个关键步骤,在很多领域都有着重要的应用。借助核典型相关分析思想,提出了一种基于空间相关性的特征匹配方法,该方法通过核典型相关分析,将特征点集投影到核空间中,并将投影向量作为匹配特征,根据投影向量之间的相似性进行匹配。仿真实验结果表明,该算法优于基于谱分解的特征匹配算法,在图像含有噪声和存在结构误差的情况下,算法具有较高的匹配率。

融合KCCA推断强化学习的机器人智能轨迹规划

针对当前模仿强化学习(LfDRL)框架面向新任务时并未考虑机器人各关节之间的联系,从而影响学习效果的不足,利用伪协方差矩阵的思想,基于再生核空间(RKHS)和广义瑞丽熵构建面向泛函指标的关节间摄动相关局部坐标系,进而设计出一种集成核典型相关分析(KCCA)与路径积分策略提升(PI^2)的强化学习方法.利用学习经验数据基于KCCA推断出机器人各关节间面向轨迹规划任务的隐含非线性启发式信息,引导PI^2搜索到最优/次优策略,使得机器人实现从示范轨迹规划任务到新轨迹规划任务的快速迁移学习,并高质量完成.选择顺应性装配机械手臂(SCARA)和优傲5(UR5)机器人的过单点、过两点迁移学习智能轨迹规划实验,结果表明:融合KCCA推断启发式信息的强化学习的平均代价下降率明显优于经典的PI^2算法,其机器人智能轨迹规划在提升学习收敛速度的同时也提高了机器人完成新任务的精度.

基于KCCA的跨语言专利信息检索研究

研究了一种全新的基于KCCA算法的全自动跨语言信息检索方法,这种算法能通过学习双语训练语料来获得文献的语义表示(向量空间)。运用KCCA来进行中英跨语言专利检索的实验,结果令人鼓舞,所获得的检索结果明显好于以往的技术方法。

用复杂系统的概念来思考一个简单的改造设计鼓浪屿当代艺术中心

文章借助复杂系统的一些基本概念,来分析鼓浪屿当代艺术中心的设计策略:把功能上十分简单的项目在构成上组件化,造就由局部独立组件自组织形成的复杂系统,以探讨如何在建筑设计层面上使更新改造项目能够更加有机地实现"涌现"的目的.

基于太赫兹时域光谱系统的橡胶分类识别

基于太赫兹时域光谱(THz-TDS)系统对4种橡胶样品进行检测,分别采用核主成分分析(KPCA)和核典型相关分析(KCCA)方法对橡胶太赫兹光谱进行特征提取,引入PCA和CCA作为对比,再结合支持向量机(SVM)建立分类模型,对橡胶进行分类识别,最后以偏最小二乘判别法(PLS-DA)的识别结果作为参考。结果表明,SVM结合特征提取方法可以对橡胶的光谱进行分类识别,KPCA-SVM对吸收谱的分类效果最佳,而PLS-DA对折射谱的分类效果要优于SVM,同时,KPCA对光谱的特征提取效果要优于标准的KCCA方法。实验为橡胶的识别分析提供了新的方法。

多摄像机视域内的目标活动分析

本文提出了一种能够分析多摄像机非重叠视域中运动目标行为之间时空相关性的方法.该方法基于特征空间中目标活动模式的相似性和活动空间的关联性,将摄像机网络中每个视域分为多个有意义的语意活动区域;利用交叉核典型相关分析(XKCCA)分析语意活动区域之间的时空相关性,得到摄像机网络的拓扑关系,该拓扑关系能够反映目标在跨摄像机的语意区域之间运动的时空信息;将这些信息有效地融入到跨摄像机的目标再确认过程中,有利于排除虚假目标,提高跨摄像机目标再确认的准确度.与现有的方法相比,本文方法不依赖于个体目标的跟踪,实验结果表明本方法在复杂、拥挤、低帧频和低分辨率的多摄像机视频监控网络中能够有效地理解和分析视频内容,更准确的实现跨摄像机目标再确认.

典型相关分析在人脸姿态估计中的应用

在单一物体角度估计中,典型相关分析(CCA)可以用来建立图像空间和角度空间的联系.基于人脸总体形状的相似性,提出了基于外观的人脸姿态估计方法.使用CCA建立姿态变化时人脸这一类物体的外观空间和姿态空间的关系.典型相关向量最大化人脸外观空间和姿态空间的相关性,张成了它们的相关子空间.在相关子空间中,通过线性回归的方法,估计未知姿态图像的角度.为了更好的处理外观空间的非线性问题,引入了该方法.在CUbiCFacePix数据库上的实验验证了这两种算法的有效性.

一种新的特征提取方法及其在模式识别中的应用

核典型相关分析(KCCA)是一种有监督的机器学习方法,可以有效地提取非线性特征。然而随着训练样本数目的增加,标准的KCCA方法的计算复杂度会随之增加。针对此缺点,提出一种改进的KCCA方法:首先用几何特征选择方法选择一个训练样本子集并将其映射到再生核希尔伯特空间(RKHS),然后设计了一种提升特征提取效率的算法,该算法按照对特征分类贡献的大小巧妙地选取样本的特征值,进而求出其相应的特征向量,最后将改进的KCCA与支持向量数据描述(SVDD)多分类器相结合用于分类识别。在ORL人脸图像数据库上的实验结果表明,改进的方法相对传统的KCCA方法,在不影响识别率的情况下提高了人脸识别速度,减小了系统存储量。

手势数据驱动的头部运动合成方法

非手部手势是手语表达中不可缺少的一部分,头部运动的实现并与手势进行协同表达是其重要研究内容。对真人手语表演数据中的手势与头部动作之间的关系进行了深入研究,提取二者的动作特征,利用核典型相关分析方法(kernel canonical correlation analysis,KCCA)建立起手势与头部动作之间的预测关系模型。动画合成结果以及评价实验表明,KCCA方法能更好地刻画手势与头部动作的协调性,实现虚拟人行为动作合成的逼真性。

一种基于核函数特征提取改进方法的应用

针对标准的核典型相关分析(KCCA)方法在对训练样本增大的情况下相应计算机复杂度剧增、内存占用量大的缺陷,在对标准的KCCA特征提取方法分析推导的基础上,提出了一种改进的核函数特征提取方法。该方法首先根据特征值的大小对训练样本重要程度进行判断,进而完成对应特征向量的提取;然后通过与SVDD分类器的结合,在对图像识别率影响不大的情况下,提升了对图像特征提取的效率,节省了系统的存储量;最后通过在Yale标准人脸库上进行仿真对比实验,验证了该方法的可行性,从而为提高图像模式识别效率提供了一种有效的途径。

一种基于核典型关联分析的短语音说话人嵌入向量算法

针对短语音条件下,基于全局变异空间提取的身份向量存在估计不足导致性能下说话人识别降的问题,提出了一种基于核典型关联分析的方法融合全局变异空间和时滞神经网络的说话人嵌入向量.首先,分别训练全局变异空间和时滞神经网络模型.然后在注册和测试阶段,同时提取说话人在两者模型中嵌入向量.通过高斯核函数将其映射至高维空间分析其非线性关联关系,从中获得仿射向量,最后将其组合得到最终说话人嵌入向量.实验表明,10秒以下的短语音环境,该方法所提取出的说话人向量相比其余几种说话人嵌入向量在等误差率和最小检测代价上平均下降了16.29%,20.38%,2.78%以及8.03%,7.17%,0.26%.最后,与其他算法进行对比,在等误差率上均有提升.以上实验表明,该文所提出的方法有效提高短语音环境下的说话人识别性能.

基于二次特征的模糊分类算法在普适计算上下文变化感知中的研究

为了简化普适计算环境原始特征的复杂度,方便该环境下的知识推理,采用核典型相关分析方法进行原始特征的二次提取,得到简约而重要的二次特征。在此二次特征的基础上施以模糊K近邻法计算待测模式相对于各类中心的隶属度,并按最大隶属度原则确定该模式所属上下文场景类。本算法致力于在不显著损失分类准确度的情况下尽可能地降低分类复杂度,从而解决普适计算环境中上下文变化感知的问题。

核协方差成分分析方法及其在聚类中的应用

以降维前后密度总和与Renyi熵的差(Densities-vs-Entropy,D-vs-E)尽量靠近为准则,得到了一种新的特征降维方法,而D-vs-E是由核特征空间的协方差矩阵导出的,因此称为核协方差成分分析(Kernel Covariance Compo-nent Analysis,KCCA)。将D-vs-E发展为广义D-vs-E(generalized D-vs-E)。KCCA通过将数据投影在使D-vs-E最大的KPCA轴方向得到转换后的低维数据,但是所选取的KPCA轴不一定对应于核矩阵最大的几个特征值。与基于Renyi熵的KECA相比,KCCA是基于D-vs-E的。基于广义D-vs-E的KCCA数据转换方法应用于聚类的结果显示,它在对高斯核参数的选择上具有更强的鲁棒性。

基于Parzen窗的高阶统计量特征降维方法

高阶统计量通常能比低阶统计量提取更多原数据的信息,但是较高的阶数带来了较高的时间复杂度.基于Parzen窗估计构造了高阶统计量,通过论证得出:对于所提出的核协方差成分分析(KCCA)方法,通过调节二阶统计量广义D-vs-E的参数就能够达到整合高阶统计量的目的,而无需计算更高阶统计量.即核协方差成分分析方法能够对高阶统计量的特征降维的同时,又不增加计算复杂性.

视听信息融合的CNC铣刀磨损状态监测方法

针对目前多特征融合刀具磨损监测方法中存在特征之间相关性差、非线性关系被忽略,导致用于模式识别的融合特征维数过大、冗余信息多、特征契合度差和识别准确率低的问题。提出了一种核典型相关分析(Kernel Canonical Correlation Analysis,KCCA)的多级特征融合方法。采集数控加工过程的声压信号以及工件纹理图像,并提取相应的视听特征,利用核典型相关分析法在高维空间找到2组投影方向,保证投影后特征间的皮尔逊系数最大,使视听特征的相关性最大化。经实验验证,利用核典型相关分析法能计算6组典型变量,并表达原特征97%以上的信息,大大降低了特征维数、减少了冗余特征。并且同样的识别模型下,核典型相关分析法能够将检测准确率提升至95%以上。