基于FastICA-LDA的光伏并网逆变器故障诊断

为了实现逆变器开路故障诊断,提出了一种新的诊断方法。该方法采用快速独立成分分析算法判定逆变器是否发生单管开路故障,如果发生单管开路故障,计算旋转电流Id频域下的特征值,将这些特征值作为线性判别分析模型的输入值,最后由LDA模型输出逆变器工作状态编号,从而实现单管开路定位。经过MATLAB仿真验证表明,所提方法对光伏并网逆变器故障的诊断效果较好。

基于LDA-MURE模型的背景音乐自适应推荐方法

用户的情绪状态不同,需要的背景音乐也不同,因此提出基于LDA-MURE模型的背景音乐自适应推荐方法。提取背景音乐的音频特征和社会化标签,通过Fisher线性判别分析方法融合上述数据的特征,结合投影变换方法获得不同类别背景音乐的类内离散度和类间离散度。通过现代心理学分析人类情绪的节律周期变化,在此基础上判断用户当前的情绪状态。最后在LDA模型的基础上构建LDA-MURE模型,为用户推荐不同类别的背景音乐。实验结果表明,所提方法的MEA指标值较低、P@N指标值较高、用户满意度较高。

基于标幺化三阈值事件检测与LDA分类器的工商业负荷辨识方法

非侵入式负荷辨识技术能够低成本的获取用户各类设备使用情况,实现电力负荷的在线监测与分析,对支撑负荷预测、需求响应等应用开展有着重要意义。针对一般工商业用户类型多样、负荷种类繁多、设备运行特性复杂的特点,提出了一种基于标幺化三阈值事件检测与LDA分类器的工商业负荷辨识方案。首先针对不同能耗级别、不同启停特性的设备设计了参数可调的统一负荷事件检测框架,提升了缓变型、分段型、震荡型负荷事件的检出准确度。随后提出了基于多元特征与LDA线性判别的设备类型判断算法,在兼顾边缘端计算效率的同时取得了与随机森林等非线性分类器相同的辨识性能。

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。

基于LDA-IBES-RELM的光伏阵列故障诊断方法

针对光伏阵列故障诊断准确率偏低的问题,提出了一种基于改进秃鹰搜索算法(IBES)优化正则化极限学习机(RELM)的故障诊断方法。首先在Simulink建立光伏阵列仿真模型,模拟典型故障并提取故障特征数据,同时利用线性判别分析(LDA)对特征量降维作为故障诊断模型的输入;其次利用Logistic混沌映射、Levy飞行策略和柯西高斯变异扰动策略对秃鹰算法进行改进;最后将IBES用于对RELM的隐层参数寻优。实验结果表明:LDA-IBES-RELM模型与BES-RELM、IBES-RELM模型对比,得到的故障诊断准确率为97.71%,优于其他两种模型,验证了LDA-IBESRELM模型用于光伏阵列故障诊断的有效性和实用性。

一种稳健的基于VisemicLDA的口形动态特征及听视觉语音识别

视觉特征提取是听视觉语音识别研究的热点问题。文章引入了一种稳健的基于Visemic LDA的口形动态特征,这种特征充分考虑了发音时口形轮廓的变化及视觉Viseme划分。文章同时提出了一利利用语音识别结果进行LDA训练数据自动标注的方法。这种方法免去了繁重的人工标注工作,避免了标注错误。实验表明,将'VisemicLDA视觉特征引入到听视觉语音识别中,可以大大地提高噪声条件下语音识别系统的识别率;将这种视觉特征与多数据流HMM结合之后,在信噪比为10dB的强噪声情况下,识别率仍可以达到80％以上。

基于粒子群算法的LDA实现方法研究

针对传统线性判别分析方法存在的问题,在研究现有理论成果的基础上,提出一种新的LDA实现方法。该方法首先对原有的Fisher准则进行修正,然后通过迭代搜寻最佳鉴别矢量,最后对获取的鉴别矢量进行比较分析。在标准的JAFFE人脸库上的表情识别和地区综合消费水平的评价中的实验结果表明,此算法不仅具有良好的识别效果而且还可以突破样本维数的限制;与其他LDA算法相比,该算法更具灵活性且更易于实现。

基于集成学习的规范化LDA人脸识别

针对人脸识别问题中经常面临的"小样本"问题,在规范化的LDA算法的基础上加以改进,并结合集成学习的方法,利用Adaboost算法,在每一次的迭代过程中引进一个加权函数对难以分离的样本增加权重。增加分类器之间的差异度,从而提高样本在新的特征空间中的可分离性,将识别率提高至98.5%。通过ORL数据库的大量实验表明,该算法比传统算法有更好的性能。

基于优化的LDA算法人脸识别研究

提取低维人脸特征是人脸识别系统中极其关键的一步。线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。本文提出了一种优化的LDA算法,该方法克服了传统的LDA算法用于人脸识别时存在的问题:通过重新定义样本类间离散度矩阵使传统的Fisher准则能够最优化,克服了边缘类对选择最佳投影方向的影响;同时,利用因数分解的方法避免了对矩阵求逆,解决了小样本问题。依据经验选取适当的e值,得到最佳的识别效果。实验结果表明,人脸识别效果优于传统LDA方法。

LDA与LSD相结合的车道线分类检测算法

提出一种车道线分类检测算法。首先采用LDA对道路图像进行有针对性的灰度化,以便更好地区分车道线与道路。采用LSD算法检测灰度图像中的直线部分并确定车道线的方向。在此基础上,选取符合车道线灰度范围内的像素点。对远距离的像素点采用抛物线拟合,近距离的像素点采用直线拟合。同时,将检测到的车道线进行虚线实线的分类标记。最后结合视频序列的连续性对检测结果进行反向验证。实验结果证明,提出的方法对直道弯道检测均有很好的效果。算法的处理速度为每秒10帧左右,采用的测试视频的帧率为每秒15帧,基本满足实时性的要求。

基于LDA模型和话题过滤的研究主题演化分析

针对目前科学技术文献数量激增、难以从总体上分析把握的现状,提出一种从科技文献中获得研究主题特征词并展现其演化趋势的方法.该方法先利用LDA(Latent Dirichlet Allocation)模型对不同时间片内的话题进行自动抽取,得到不同数量的话题.然后,通过话题过滤剔除意义有限的话题,并借助简单启发式规则选择种子话题.最后,再利用语义相关度将相邻时间片内内容相近的种子话题联系起来,以得到研究主题的演化趋势.实验结果表明,在不对话题生成进行人工干预的前提下,本文方法较真实地描述了研究主题强度和内容随时间的演化趋势,避免了无意义话题对研究主题演化的负面影响.

基于LDA算法的人脸识别方法的比较研究

线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。但是将LDA直接用于人脸识别会遇到维数问题和“小样本”问题。人们经过研究,通过多种途径解决了这两个问题并实现了基于LDA的人脸识别。文章对几种基于LDA的人脸识别方法做了理论上的比较和实验数据的支持,这些方法包括Eigenfaces、Fish-erfaces、DLDA、VDLDA及VDFLDA。实验结果表明VDFLDA是其中最好的一种方法。

基于LDA的表面肌电信号分类研究

研究了一种基于LDA分类器的模式识别方法,比较了五种特征参数组合方式,分析了无关联线性判别分析ULDA和PCA两种降维方法,通道数量和窗口长度对肌电信号分类的影响,最后应用LDA分类器对降维后的数据进行分类。实验结果表明:均方根和四阶AR系数两种特征组合在4通道和8通道下的准确率分别可以达到90%和96%,增加通道数量或特征数量可以进一步提高准确率;通过ULDA将特征矢量的维数降低到6维时,仍可以保证较高的准确率;6种手势的识别率超过了94%,其中4种手超过了97%,分类出错的窗口主要集中在过渡阶段。

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。

利用标准化LDA进行人脸识别

线性判别分析 (LDA)是一种较为普遍的用于特征提取的线性分类方法 提出一种基于LDA的人脸识别方法———标准化LDA ,该方法克服了传统LDA方法的缺点 ,重新定义了样本类间离散度矩阵 ,在原始定义的基础上增加一个由类间距离决定的可变权函数 ,使得在选择投影方向时 ,能够更好地分开各个类的样本 ;同时 ,它采用一种合理而有效的方法解决矩阵奇异的问题 ,即保留样本类内离散度矩阵的零空间 ,因为这个空间包含了最具有判别能力的信息 在这个零空间里 ,寻找对应于样本类间离散度矩阵的较大特征值的特征向量作为最后降维的转换矩阵 实验结果显示 ,在人脸识别中 ,与传统LDA方法相比 ,该方法有更好的识别率

基于PLS-LDA和拉曼光谱快速定性识别食用植物油

以6种食用油共计23个样本为分析对象,采用偏最小二乘线性判别分析法(PLS-LDA)和拉曼光谱进行单一种类(橄榄油、花生油和玉米油)食用油快速定性检测,通过自适应迭代惩罚最小二乘法(airPLS)对拉曼信号进行背景扣除,以及蒙特卡洛无信息变量消除法筛选波长变量,不但有效减少了波长点数,降低了建模运算量,而且提高了单一种类食用油的识别率,使得总体识别率均高于90%,并在此基础上进一步提出了采用PLS-LDA进行多种类食用油识别的检测流程。实验结果表明PLS-LDA在食用油定性识别检测中具有较好的应用前景和可行性,该方法也可为定性检测食品及农产品品质提供借鉴。

直接LDA在人脸识别中的鉴别力分析

直接线性鉴别分析(DLDA)曾被声明利用类内离散矩阵零空间内外所有鉴别信息,为了分析声明的理论缺陷,对DLDA在人脸识别中的鉴别特性进行了研究.鉴于DLDA是在类间离散矩阵列空间中寻找最优解,理论分析从下面3方面内容展开:类间和类内离散矩阵的列空间之间的关系、类间离散矩阵列空间与类内离散矩阵零空间的关系以及在保留全部鉴别矢量下的DLDA特性,结果表明,在小样本条件下,DLDA几乎没利用零空间内的信息,导致一些有用的鉴别信息的丢失;若保留全部的鉴别矢量,DLDA退化为类间离散矩阵的保留所有非零成分的主成分分析.在人脸数据库ORL和YALE上的比较实验结果显示:DLDA的识别率都次于其它几种线性鉴别分析扩展方法,与理论分析一致.

结合零空间法和F-LDA的人脸识别算法

线性判别分析(LDA)是一种常用的线性特征提取方法。传统LDA应用于人脸识别时主要存在两个问题:1)小样本问题,即由于训练样本不足引起矩阵奇异;2)优化准则函数并不直接与识别率相关。提出了一种新的能同时解决以上两个问题的基于LDA的人脸识别算法。首先,通过重新定义样本的类内散布矩阵和类间散布矩阵,提出了一种新的零空间法。然后把这种新的零空间法与F-LDA(Fractional LDA)算法相结合,得到一种对人脸识别更有效的特征提取方法。实验结果表明,这种新算法具有较高的识别率。

在DCT域进行LDA的唇读特征提取方法

为解决视觉语言特征提取这个唇读技术中最关键的难题,提出一种新的基于DCT和LDA的特征提取方法。为提取对不同口型最具分类能力的特征矢量,首先基于DCT对视觉语言部位变换降维,然后基于LDA算法从DCT系数提取对口型分类性能最优的特征矢量。在特定人与非特定人的唇读数据库上以及实时唇读识别的实验都表明,该方法唇读识别率比传统的人工直接选择DCT系数法以及PCA提取法有明显提高。

基于小波变换和LDA/FKT及SVM的人耳识别

人耳识别技术是生物特征识别和人工智能领域的一个重要分支。针对人耳图像自身的特点并通过对现有方法的研究,本文提出了一种新的人耳识别方法,即先对人耳图像进行二维的离散小波分解,然后使用LDA/FKT算法对小波分解后得到的低频信息进行降维,进而获得图像的特征向量,最后采用支持向量机作为分类器对样本向量进行判别。实验证明,本文提出的方法不仅较好地解决了人耳识别中的小样本问题,而且还取得了比传统的PCA+LDA方法更高的识别率,是一种有效的人耳识别方法。