基于RPCA的地基SAR近距强耦合信号抑制算法研究

地基合成孔径雷达(GBSAR)是一种全天时全天候非接触式大面积区域高精度形变监测手段,在矿区、边坡、大坝等区域的监测具有广泛应用。在封闭空间监测站中对外场进行连续监测时,雷达接收的回波信号会受到封闭空间的强散射信号干扰。近距离强散射信号耦合到雷达接收端形成虚假目标,严重影响成像质量。该文提出使用RPCA算法,在距离多普勒域将回波信号分解为低秩和稀疏两部分,利用距离多普勒域耦合信号的低秩特性,以及场景信号的稀疏特性,将耦合信号与场景信号有效分离。不同于基于PCA的已有耦合信号抑制方法,RPCA对场景回波信号本身没有高斯分布假设要求,这一假设要求在实际中通常是不满足的。此外,该文提出基于相关性分析的RPCA正则化系数优化选择方法,以实现低秩与稀疏的较优分离。该文通过实际GBSAR数据处理验证了方法的有效性,相比于已有的基于PCA的算法,基于RPCA的耦合信号抑制方法能够在保留场景回波信号的同时更好地抑制耦合信号。

基于鲁棒PCA聚类分析的径流周期特性研究

为了研究多年来河流天然径流的变化周期，引入鲁棒PCA（Principal Component Analysis）方法实现大量非线性流量数据的压缩和特征提取，得到了更具表征性的主成分，在此基础上提出了基于加权主成分距离和密度的径流聚类分析方法和径流周期特性分析的模糊模式识别算法，通过嘉陵江支流白龙江下游的三磊坝水文站1964～2002年周平均流量数据的实验和仿真，得出了该站径流具有7年的显著周期和相应的隶属度，从而证明了本文提出的基于鲁棒PCA聚类分析的径流周期特性研究方法具有较好的适用性。

一种基于PCA的多模板字符识别

本文提出了一种基于主元分析法(PCA)的多模板字符识别算法。为了进一步提高数字和英文字符识别的鲁棒性,本文首先利用PCA算法把提取到的字符特征降维,再采用K-均值算法把每类字符聚类为多类,使同一类字符有多个模板,最后采用欧式距离实现多模板的匹配。本文将该算法用于巴西车牌字符识别,实验表明,该算法能有效地提高多字体字符的识别正确率,具有较高的实用价值。

基于鲁棒ICA-PCA的TE故障诊断

针对复杂工业过程混合分布的问题,提出了基于鲁棒ICA-PCA(independent component analysis-principal component analysis)的故障诊断新方法。由于实际工业过程数据不可避免地带有大量干扰,为降低数据粗糙的影响,首先采用小波去噪算法提高建模数据质量;然后利用鲁棒ICA-PCA算法提取过程的非高斯和高斯信息,并构建了三个统计量进行故障的监控;最后将上述方法应用到田纳西—伊斯曼(Tennessee Eastman,TE)化工过程。仿真结果表明,相比于传统PCA算法、ICA-PCA等算法,鲁棒ICA-PCA方法能够有效地检测故障的发生,具有较好的鲁棒性和灵敏性。

一种基于PCA的段级特征

提出了一种基于PCA的段级特征(PCAULF)。该特征以现有的帧级语音特征为基础,通过计算段级特征引入了语音的长时特性。对段级特征使用PCA降维,一方面去除由于引入段级特征带来的冗余,实现数据降维,提高识别速度;另一方面抑制了噪声对识别系统的影响,提高了段级特征的鲁棒性。在训练阶段,计算所有语音的段级特征,使用PCA方法得到变换矩阵;在测试阶段,先使用变换矩阵对段级特征进行降维,再进行判别。实验结果表明,采用该特征有效地提高了识别精度和速度,更加适用于实时说话人识别系统。

一种自适应权值的PCA算法

针对传统PCA方法对离群点鲁棒性差的问题,提出了一种具有更高鲁棒性且自适应权值的PCA方法。在PCA方法的基础上建立了一个加权的重建误差和最小模型,通过引入信息熵来调节重建误差的权值;通过交替优化算法迭代求解模型。在Yale人脸库和UCI数据集上的实验表明该方法具有很好的鲁棒性和识别率。

KPCA算法及其在股市中的应用

主成份分析法是用于简化数据的一种技术,现实世界中的数据复杂且庞大,对于某些复杂数据就可应用主成分分析法对其进行简化。文中着重介绍了健壮性KPCA算法并引入了粒度的思想,健壮性KPCA算法能推导出特征空间中信号重组的最小错误标准,并自动识别训练样本集中的无关数据,且经过计算消除它们对KPCA算法准确度的影响。可以将其应用于股票数据中,并将所得的主分量图与原图比较,发现效果明显,由此可看出KPCA算法是一种相当有用的算法。

基于混沌序列的PCA数字水印算法

基于混沌序列的优良性能,提出了混沌序列和PCA相结合的数字水印算法。首先对图像进行PCA变换,在去除噪声的前提下提取最能代表图像特征的特征系数,然后利用混沌映射生成混沌序列作为数字水印,水印嵌入在主成分系数上。实验表明,该算法具有很好的不可感知性,对常见的加噪、滤波、剪裁等攻击有较强的鲁棒性。

基于鲁棒PCA的视觉跟踪算法

目前使用颜色属性特征表征目标的几种主流算法中,均使用主成分分析法(PCA)处理颜色属性特征,而PCA方法假设输入数据中存在的噪声必须服从高斯分布,该方法存在明显不足。针对这一问题,本文根据鲁棒主成分分析法(Robust PCA)对颜色属性特征进行处理。将输入图像从原始RGB颜色空间映射至颜色属性空间,得到11种不同的颜色属性层;之后,基于Robust PCA处理颜色属性特征,使得映射后的图片信息都集中在少数层上,在保留原始图片大量信息的前提下滤除噪声。本文将使用Robust PCA处理后的颜色属性特征用于原始CN算法框架中并设置不同的降维层数对比其带来的算法性能差异。在OTB100中,与原始CN框架相比,算法成功率提升1.0%,精度提升0.9%。经实验数据证明,通过Robust PCA处理后的颜色属性特征具有更强的鲁棒性,可以更好地发挥出其优势并提升算法性能。

基于优化PCA算法的人脸识别系统研究

人脸识别是以人脸为基本识别特征的识别技术,并成为研究的热点。PCA算法是人脸识别中使用最多的算法之一。它具有速度快,识别率高等优点。单纯的PCA方法对于光照比较敏感,算法对于光照的鲁棒性不强。通过对图片的归一化,平滑处理,直方图均衡化等一系列的预处理手段,增强PCA算法对于光照的鲁棒性。实验表明,通过优化能够提高识别的成功率,达到优化的效果。

基于PCA和DWT的强鲁棒数字水印算法

针对传统离散小波变换(DWT)数字水印算法抗几何攻击能力较弱的问题,提出一种基于主成分分析(PCA)和DWT的新的数字水印算法。新算法对载体图像进行一级小波分解,在低频子带上用主成分分析提取出既含有高频又含有低频成分的主成分系数,将水印嵌入到提取出的主成分系数中。实验结果表明,与传统DWT水印算法相比,该算法不仅明显提高了抗剪裁、旋转等抗几何攻击能力,对加噪、图像灰度值变化等攻击也表现出了很强的鲁棒性。

基于L_1-范数的鲁棒稀疏的张量PCA人脸图像分析

张量主成分分析(Tensor Principal Component Analysis,TPCA)是主成分分析(Principal Component Analysis,PCA)在多维空间上的推广,能充分利用图像/视频的空间关联,在图像分析和视频处理中扮演了重要的角色.传统的张量PCA方法提取的特征向量是非稀疏的,这使得其很难进行解释.近年来出现了众多稀疏PCA方法,能提取只包含少量非零元的特征.把稀疏特征提取引入到张量分析,提出一种鲁棒稀疏的张量PCA方法(TPCAL1S).首先,设计了能实现稀疏特征提取的目标函数.一方面,用L1范数代替Frobenius-范数,使得算法对异常数据更加鲁棒;另一方面,在目标函数中引入弹性网,联合使用Lasso与Ridge惩罚因子来实现稀疏化,增强了算法的语义解释性.然后,设计了一种基于二阶张量的投影矩阵交替求解算法,二阶张量便于数学描述,也易于推广到更高阶张量.此求解算法分为两个步骤(V,U分别表示左投影矩阵和右投影矩阵),先固定U优化V,再固定V的值优化U,两个步骤反复交替执行,直到收敛.每个步骤都采用贪心算法以迭代的方式逐个特征提取以求得U或V.最后,对迭代过程的单调性做了理论证明.基于ORL,Yale和Feret库,将TPCA-L1S应用于人脸图像分析并与其他常见方法作比较,实验结果验证了该模型的有效性.

基于PCA的深度信念网的手势识别研究

针对现有的手势识别均采用有监督模型进行特征提取和识别的现状,提出一种基于PCA的深度信念网(DBN)的半监督的手势特征提取与识别方法。运用所提方法进行了大量的实验,证明该方法与直接将图片输入到DBN网络相比,可以有效降低DBN的训练时间,并且识别率也有所提高;并且该方法与传统的有监督的SVM的手势识别方法相比,训练时间大幅度减少而识别率也有很大的提升。最后,对该方法进行了鲁棒性验证,经过大量实验,证明了其具有很强的鲁棒性。

鲁棒的视觉机械臂联合建模优化方法

针对视觉机械臂在复杂系统环境下整体精度不高、不易部署、校准成本高的问题,提出一种鲁棒的视觉机械臂联合建模优化方法。首先,对视觉机械臂的各个子系统模型进行集成,在机械臂的工作空间随机采集伺服电机转角、机械臂末端坐标等数据。其次,提出一种具有分层优化机制的自适应多精英引导复合差分进化算法(AMECoDEs-LO),使用参数辨识的方法同时优化联合系统参数。AMECoDEs-LO对种群中阶段性的数据进行主成分分析(PCA),以参数降维的思想实现对收敛精度和速度的隐式引导。实验结果表明,在AMECoDEs-LO和联合系统模型的作用下,视觉机械臂在校准过程中不需要额外的仪器,部署速度快,最终精度相较于传统方法提高60%;在机械臂连杆受损、伺服电机精度降低、相机定位噪声增大的情况下,系统仍然保持较高精度,验证了所提方法的鲁棒性。

鲁棒慢特征分析建模及过程监控

慢特征分析(slow feature analysis,SFA)可以通过2步主元分析(principal component analysis,PCA)进行求解。目前,鲁棒SFA主要通过引入鲁棒PCA算法代替标准PCA算法来实现。考虑到标准SFA中动态特征采用静态特征的一阶差分进行描述,容易受到离群点的影响,提出一种改进的鲁棒SFA算法。该算法引入微分平滑算法求解静态特征的一阶差分,降低了离群点对SFA中第二步PCA的影响,提高了鲁棒性。同时,将该改进鲁棒SFA方法引入到过程监控中,并将现有基于SFA监控方法的4个监控指标简化到2个,提高了监控效率。最后,通过与SFA以及现有鲁棒SFA方法在TE过程中的应用对比,说明了该方法的优越性。

张量主成分分析与高维信息压缩方法

本文概述了信息压缩背景下的张量主成分分析的研究历史与发展现状,并展望了一些可能的研究领域.首先,我们回顾了张量以及张量分解的历史,在信息压缩背景下张量分解可以统一表达为一个普适的统计模型;其次,按经典主成分分析(PCA)、稳健主成分分析以及稀疏主成分分析三大类,我们详述了每类在多样本和单样本情形下的统计理论和优化算法的进展,其中又由简单数据结构到复杂数据结构依次对向量数据、矩阵数据以及张量数据的PCA发展进行了概述.

稳健主成分分析方法研究及其在经济管理中的应用

传统的多元统计分析方法,如主成分分析方法和因子分析方法等的共同点是计算样本的均值向量和协方差矩阵,并在这两者的基础上计算其他统计量。当样本数据中没有离群值时,这些方法都能得到优良的结果。但是当样本数据中包括离群值时,计算结果就会很容易受到这些离群值的影响,这是因为传统的均值向量和协方差矩阵都不是稳健的统计量。本文对目前较流行的FAST-MCD方法的算法进行研究,构造了稳健的均值向量和稳健的协方差矩阵,应用到主成分分析中,并针对其不足之处提出改进方法。从模拟和实证的结果来看,改进后的的方法和新的稳健估计量确实能够对离群值起到很好的抵抗作用,大幅度地降低它们对计算结果的影响。

鲁棒的稀疏Lp-模主成分分析

主成分分析(Principle component analysis,PCA)是一种被广泛应用的降维方法.然而经典PCA的构造基于L2-模导致了其对离群点和噪声点敏感,同时经典PCA也不具备稀疏性的特点.针对此问题,本文提出基于Lp-模的稀疏主成分分析降维方法 (Lp SPCA).Lp SPCA通过极大化带有稀疏正则项的Lp-模样本方差,使得其在降维的同时保证了稀疏性和鲁棒性.Lp SPCA可用简单的迭代算法求解,并且当p≥1时该算法的收敛性可在理论上保证.此外通过选择不同的p值,Lp SPCA可应用于更广泛的数据类型.人工数据及人脸数据上的实验结果表明,本文所提出的Lp SPCA不仅具有较好的降维效果,并且具有较强的抗噪能力.

基于误差模型的自适应鲁棒主成分分析

研究了改善主成分分析（ＰＣＡ）算法鲁棒性的一种实现途径．通过对误差函数的建模分析，得到一种改进的目标函数．提出一种新的在线自适应式的鲁棒ＰＣＡ运算规则．该方法基于单层线性神经网络（ＮＮ）结构，但是权值的训练算法是非线性的．从而在迭代训练中对“劣点”样本加以适当处理来排除对运算精度和收敛性的影响．

一种基于光谱的同步快速测定离子浓度方法

为了同步快速测定水中多种离子的浓度,提出了一种光学检测与综合数据处理相结合的方法。该方法基于分光光度法原理,能够快速测得混合离子光谱。用小波降噪、主成分分析降噪和差分降噪对测得数据进行综合处理。其中解决光谱重叠问题是提高测定精度的关键,目前多采用化学或物理的方法消除重叠,速度较慢;而采用待测多种离子的标准光谱,进行鲁棒(稳健)回归分析来消除重叠,其速度快,从软硬件两方面保证了快速性,且便于测量装置小型化。实测表明本方法测定精度高、速度快,同时能完成两种离子浓度的同步测定。