基于FLDA、CPCA与HMM的人脸识别

为了获得具有较高识别率的算法,提出了一种将Fisher线性鉴别分析(Fisher Linear Discriminant Analysis)、复主分量分析(Principal Analysis in the Complex Space)与隐马尔可夫模型(Hidden Markov Models)相结合进行人脸识别的方法。对于输入的不同光照、人脸表情和姿势的图像先进行归一化处理,然后将归一化后的图像转化成一维向量,再用FLDA方法提取每幅图像的特征,形成新的复向量空间;通过运用复主分量分析,来抽取人脸图像的有效鉴别特征;最后通过HMM对这些特征进行训练,得到一个优化的HMM并应用于识别。在ORL人脸数据库中进行实验,实验结果表明,该方法具有较高的识别率。

一种基于复数主成分分析的磁共振波谱量化预处理方法

该文提出了一种应用复数主成分分析方法(CPCA)来获取波谱基木波型,自动校正频率和衰减系数偏移的方法。该方法首先对频率进行校正,然后拓宽CPCA的应用范围,把它使用到衰减系数偏移校正领域。文中的实现结果证明:该方法较好地实现了频率和衰减系数的校正,在同实域PCA方法性能比较上,前者的计算速度和估计精度明显占优。

基于相空间重构的光纤周界信号识别算法研究

文章将相空间重构和复小波包变换引入入侵信号类型的识别,对原始信号进行相空间重构,以便更深地反映光纤入侵振动数据混沌特性的内在动力性属性。以相空间重构嵌入维数作为复小波包变换数据输入长度,避免输入信号长度的随意性。采用复小波包提取重构信号的能量分布特征构成入侵信号识别的特征集,以主成分分析对原始特征集降维,通过网格参数寻优算法得到支持向量机(support vector machine,SVM)回归模型的最优参数,以最优参数进行SVM入侵类型识别。实验结果表明,该方法能正确监测入侵事件且误报率与漏报率低。

基于复杂性测度的泊位占有率序列动力学分析

为了定量分析停车场泊位占有率时间序列的动力学特性,对序列进行复杂性测度分析.利用主分量分析方法分析序列的主分量谱图,判断序列的混沌特性;计算序列的联合熵分析序列的非线性特性,计算序列的C0复杂度分析序列中的非规则成分,综合两种复杂性测度方法对序列的动力学特性进行分析.对比分析几种典型序列和泊位占有率序列发现,泊位占有率时间序列的线性特征更明显,序列中所含的规则成分较多,是一种"拟周期"序列.利用C0复杂度的思想剔除不规则成分,对序列进行长时预测,结果表明,剔除不规则成分后的预测精度提高了26%~56%,长时预测效果提高显著.