Comparison of Kernel Entropy Component Analysis with Several Dimensionality Reduction Methods

Dimensionality reduction techniques play an important role in data mining. Kernel entropy component analysis( KECA) is a newly developed method for data transformation and dimensionality reduction. This paper conducted a comparative study of KECA with other five dimensionality reduction methods,principal component analysis( PCA),kernel PCA( KPCA),locally linear embedding( LLE),laplacian eigenmaps( LAE) and diffusion maps( DM). Three quality assessment criteria, local continuity meta-criterion( LCMC),trustworthiness and continuity measure(T&C),and mean relative rank error( MRRE) are applied as direct performance indexes to assess those dimensionality reduction methods. Moreover,the clustering accuracy is used as an indirect performance index to evaluate the quality of the representative data gotten by those methods. The comparisons are performed on six datasets and the results are analyzed by Friedman test with the corresponding post-hoc tests. The results indicate that KECA shows an excellent performance in both quality assessment criteria and clustering accuracy assessing.

Description and Classification of Leather Defects Based on Principal Component Analysis

The accurate extraction and classification of leather defects is an important guarantee for the automation and quality evaluation of leather industry. Aiming at the problem of data classification of leather defects,a hierarchical classification for defects is proposed.Firstly,samples are collected according to the method of minimum rectangle,and defects are extracted by image processing method.According to the geometric features of representation, they are divided into dot,line and surface for rough classification. From analysing the data which extracting the defects of geometry,gray and texture,the dominating characteristics can be acquired. Each type of defect by choosing different and representative characteristics,reducing the dimension of the data,and through these characteristics of clustering to achieve convergence effectively,realize extracted accurately,and digitized the defect characteristics,eventually establish the database. The results showthat this method can achieve more than 90% accuracy and greatly improve the accuracy of classification.

Generalized two-dimensional correlation near-infrared spectroscopy and principal component analysis of the structures of methanol and ethanol

Liquid state methanol and ethanol under different temperatures have been investigated by FT-NIR(Fourier transform nearinfrared) spectroscopy,generalized two-dimensional(2D) correlation spectroscopy,and PCA(principal component analysis) . First,the FT-NIR spectra were measured over a temperature range of 30-64(or 30-71) °C,and then the 2D correlation spectra were computed.Combining near-infrared spectroscopy,generalized 2D correlation spectroscopy,and references,we analyzed the molecular structures(especially the hydrogen bond) of methanol and ethanol,and performed the NIR band assignments. The PCA method was employed to verify the results of the 2D analysis.This study will be helpful to the understanding of these reagents.

Dip2a regulates stress susceptibility in the basolateral amygdala

Dysregulation of neurotransmitter metabolism in the central nervous system contributes to mood disorders such as depression, anxiety, and post–traumatic stress disorder. Monoamines and amino acids are important types of neurotransmitters. Our previous results have shown that disco-interacting protein 2 homolog A(Dip2a) knockout mice exhibit brain development disorders and abnormal amino acid metabolism in serum. This suggests that DIP2A is involved in the metabolism of amino acid–associated neurotransmitters. Therefore, we performed targeted neurotransmitter metabolomics analysis and found that Dip2a deficiency caused abnormal metabolism of tryptophan and thyroxine in the basolateral amygdala and medial prefrontal cortex. In addition, acute restraint stress induced a decrease in 5-hydroxytryptamine in the basolateral amygdala. Additionally, Dip2a was abundantly expressed in excitatory neurons of the basolateral amygdala, and deletion of Dip2a in these neurons resulted in hopelessness-like behavior in the tail suspension test. Altogether, these findings demonstrate that DIP2A in the basolateral amygdala may be involved in the regulation of stress susceptibility. This provides critical evidence implicating a role of DIP2A in affective disorders.

基于模块2DPCA的人脸识别方法

提出了模块2DPCA(two-d im ensional princ ipal component analysis)的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于构造总体散布矩阵,然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法(比如PCA)相比,该方法在特征抽取之前不需要将子图像矩阵转化为图像向量,能快速地降低鉴别特征的维数,可以完全避免使用矩阵的奇异值分解,特征抽取方便;此外,模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明,模块2DPCA方法在识别性能上优于PCA,比2DPCA更具有鲁棒性。

双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大。二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征数量仍然较大,影响分类速度。针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度。

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析(G2DPCA)的合成孔径雷达(SAR)图像目标特征提取方法。与主分量分析(PCA)相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析(2DPCA)相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征维数的同时,又改善了识别性能,并且正确识别率在97%以上,且对目标方位变化具有较好的鲁棒性。

一种基于共同向量结合2DPCA的人脸识别方法

提出了一种基于共同向量结合2维主成分分析(2-dimen- sional principal component analysis,2DPCA)的人脸识别方法.共同向量由图像通过Gram-Schmidt正交变换而求得,具有该类图像共同不变的性质.原始图像与该类其同向量之间的差分向量通过2DPCA处理,依据最小距离测试得到识别结果.实验在ORL和Yale人脸数据库进行测试,结果表明本文提出的方法有较好的识别性能.

一种改进的模块2DPCA人脸识别新方法

提出了一种改进的模块2DPCA方法,即基于类内平均脸的分块2DPCA算法。该算法对每一类训练样本中每个训练样本的每一子块求类内平均脸,并用类内平均脸对训练样本类内的相应子块进行规范化处理,然后由所有规范化后的子块构成总体散布矩阵,从而得到最优投影矩阵;由训练集的全体子块的平均值对训练样本的子块和测试样本的子块进行规范化后投影到最优投影矩阵,得到识别特征;最后用最近距离分类器分类。在ORL人脸库上的实验结果表明,提出的方法在识别性能上明显优于2DPCA方法和普通模块2DPCA方法。

一种基于Gabor小波和2DPCA的掌纹识别改进算法

提出一种改进的基于Gabor小波变换和二维主分量分析2DPCA(2-Dimensional Principal component analysis)的掌纹识别。2DPCA克服了传统Gabor小波变换后直接进行主分量分析PCA(Principal component analysis)遇到的维数灾难问题,并且将PCA与Fisher线性判别FLD(Fisher Linear Discriminate)结合起来,利用了以前仅用于降维的PCA特征和FLD特征相融合进行掌纹识别。基于PolyU掌纹库的实验结果表明,该方法不仅有更高的识别率,而且维数更低。

基于2DPCA的有效非局部滤波方法

最近,非局部滤波方法已成为滤波领域的研究热点.本文深入研究了基于预选择的非局部滤波方法,指出了已有方法在提取图像片特征方面存在的不足,利用二维主成分分析(Two-dimensional principal component analysis,2DPCA)提出了一种有效的非局部滤波方法.该方法对基于预选择的非局部滤波方法的主要贡献有:1)用于提取图像片特征的面向图像片的2DPCA;2)基于相似距离直方图的相似集自动选取方法;3)相似距离权重参数局部自适应选取方法.实验结果表明,本文方法对弱梯度、人脸、纹理以及分段光滑图像均能取得较好的滤波效果.

基于方向极傅里叶频谱2DPCA的尾迹检测

针对航空图像中的水面尾迹,提出了一种基于方向极傅里叶频谱二维主成分分析(Two-dimensional principal component analysis,2DPCA)的尾迹自动检测算法.该方法根据子图像的纹理方向,对傅里叶频谱进行极坐标变换,使得到的方向极傅里叶频谱具有平移和旋转不变性.相对于文献中对极频谱的直接划分作为纹理特征,本文对它进行一次列二维主成分分析,一次行二维主成分分析和两次二维主成分分析,实验结果表明本文方法具有更高的分类识别率,其中两次二维主成分分析的分类识别率最高.对40幅图像的测试结果表明,本文的方法能够有效地自动检测航空图像中的水面尾迹纹理。

基于2DPCA和EBFNN的指纹识别方法

结合小波变换(WT)、二维主元分析(2DPCA)和椭球基函数(EBF)特点,提出了一种基于WT、2DPCA和EBF神经网络指纹识别方法。利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,获得原始图像的基本特征。再通过2DPCA算法对该图像进行降维,获取降维特征;最后结合椭球基函数神经网络(EBFNN)完成指纹识别。本算法将2DPCA优化的特征提取与EBFNN的自适应性相结合,在FVC2000(国际指纹竞赛数据库)上做了测试,总的正确识别率可达91.4%,具有一定的实用价值。与WT-PNN算法和WT-2DPCA-RBF算法进行比较,结果表明,本文提出的算法在平移、旋转及光照变化的指纹数据库上的识别效果优于WT-PNN算法和WT-2DPCA-RBF算法。

基于对角DCT与2DPCA算法的人脸识别

提出了一种对角离散余弦变换(Discrete Cosine Transform,DCT)和二维主元分析(Two-Dimensional Principal Component Analysis,2DPCA)相结合的人脸识别方法。该算法首先将人脸图像转换成对角图像,同时利用DCT压缩并重建人脸图像;然后通过2DPCA进行特征提取得到人脸识别特征;最后运用最近邻分类器进行识别。基于ORL(Olivetti Research Laboratory)、受污损ORL及Yale人脸数据库的实验结果证明了该算法的有效性。

融合2DDCT、2DPCA和2DLDA的人脸识别方法

二维主分量分析(2DPCA)是人脸识别中的一种非常有效的特征提取方法。二维线性判别(2DLDA)方法具有很好的分类效果。在研究这两种理论的基础上提出一种基于2DDCT(二维离散余弦变换)与2DPCA+2DLDA相结合的人脸识别方法,并在0RL人脸库上分别对单一的方法与相融合的方法进行识别比较研究。实验结果表明,提出的方法不仅提高了识别率,而且减少了训练与分类时间。

基于2DPCA和RBF神经网络的人脸识别方法

采用2DPCA方法提取人脸图像的特征值,通过RBF神经网络进行训练和识别,提出一种基于2DPCA和RBF神经网络的人脸识别方法,并将此方法应用于ORL人脸库。实验结果表明,该方法不仅具有较好的人脸图像识别能力,而且能明显缩短识别算法的运行时间。

基于样本扩充和改进2DPCA的单样本人脸识别

针对大多数人脸识别方法在单个训练样本条件下识别性能下降的问题,提出了结合多种样本扩充方法和改进二维主成分分析(2DPCA)的人脸识别算法。通过分析各种样本扩充方法的优缺点,用多种样本扩充方法来生成虚拟样本,以充分利用单一样本所提供的信息。采用改进的2DPCA方法对生成的虚拟样本进行特征提取,对训练样本进行分块,并用类内平均值规范后的分块来构造总体散布矩阵。在ORL和Yale人脸库上的实验表明,所提出的方法在识别性能方面优于普通的2DPCA方法,优于单一的样本扩充方法。

一种基于2DPCA的煤岩识别新方法

针对传统PCA方法用于煤岩识别常常面临图像维数高,直接计算数量大的问题,提出并实现了一种基于2DPCA的煤岩识别方法。这种识别方法是基于图像矩阵的主分量分析法,由于它的协方差矩阵可由原图像矩阵直接构建,因此2DPCA使用的协方差矩阵同传统PCA相比要小很多。实验结果表明,在训练样本数相同的情况下,2DPCA耗时仅占PCA总耗时的60%左右,并且随着训练样本的增多,2DPCA与PCA之间的耗时差会越来越大。识别率较PCA方法提高了近10%,图像SNR也由原来的4.53 dB提高到12.17 dB。2DPCA在速度方面表现优越,准确性方面也令人满意,有效的提高了煤岩识别的效率。

融合2DPCA和模糊2DLDA的人脸识别

结合模糊集理论、双向二维主成分-线性鉴别分析((2D)2PCALDA)的特点,提出一种新的人脸图像特征提取方法。算法首先对人脸图像进行二维主成分分析(2DPCA)处理,再用模糊K近邻算法计算图像的隶属度矩阵,并将其融入到2DLDA过程中,从而得到模糊类间散射矩阵和模糊类内散射矩阵。与(2D)2PCALDA相比,该算法充分利用了(2D)2PCALDA的优点,有效地提取了行和列的识别信息,并充分考虑了样本的分布信息。在Yale和FERET人脸数据库上的实验结果表明,该方法识别效果优于(2D)2PCALDA、双向二维主成分分析((2D)2PCA)等方法。