自适应主元提取算法及其在人脸图像特征提取中的应用

本文指出了E .Oja将统计主元分析思想用于递推网络与S .Kung自适应主元提取 (APEX)算法在提取特征信息上的共同点和差异 ,证明了该算法的收敛性 .仿真结果验证了该算法的收敛性和稳定性 ,分析了主元数、子图像大小及学习率参数对该算法的影响 ,说明了该算法在人脸识别中是一种运算量较小的有效特征提取方法 .

基于改进的自适应主元提取算法的人脸识别

论文提出了一种基于改进的自适应主元提取算法的人脸识别方法。采用改进的自适应主元提取算法将人脸图像由高维观测空间投影到低维特征空间,通过改进前馈网络权值更新方程,降低算法的复杂度和计算量。基于三维人脸形变模型,采用区域填充和曲面消隐算法根据一幅人脸图像生成多个虚拟样本,克服人脸识别中的小样本问题。在ORL和UMIST数据库上的实验结果表明,该文提出的算法在识别性能上明显高于传统的Eigenface和Fisherface方法。

基于主元提取神经网络LIBS光谱分析

为提高LIBS光谱定量分析精度,分别采用峰值强度特征提取法与主元特征提取法,对激发诱导击穿铜合金样品获取的Pb与基体元素Cu的特征光谱数据进行光谱特征提取,通过人工神经网络对铜合金中Pb元素的含量进行定量分析。研究结果表明,两种特征提取方法的BP-ANN(误差反向传播人工神经网络)得到的合金中Pb元素含量的定标模型相关系数良好,均可达到0.987以上;与峰值强度特征提取法相比,经主元提取的人工神经网络方法得到的合金中Pb元素含量平均检测相对误差有较大的降低,由2.3%降至0.3%,说明主元特征提取方法能有效提高LIBS光谱定量分析精度与稳定度。

特征主元提取与自组织影射的剖析

剖析了用神经网络实现特征主元提取（ＰＣＥ）、自组织特征影射（ＳＯＦＭ）、类扩展自组织语义影射（ＳＯＳＭ）和改进的特征细化自组织影射．通过对运载工具的特征压缩，进行可视性分析，结果表明ＰＣＥ和ＳＯＦＭ都能显示事物间的类似程度和关系结构，具有语义影射的功能．特征细化的ＳＯＦＭ同样能达到类扩展ＳＯＳＭ细化分类的功能，它克服了类扩展的ＳＯＳＭ增加输入特征的维数、增加不必要的计算量、输入特征与影射结果不相一致的缺点．

基于主元特征提取的SOFM网络实现飞行数据智能处理

为挖掘飞行参数中系统状态信息,用主元特征提取方法按判读需要降低参数的维数,对每帧数据按隶属度获得特征向量后输入SOFM网络,利用该网络的自组织分类功能进行系统状态的有效识别。最后对某型发动机工作状态进行识别,结果证明方法准确、可靠。

一种特征压缩及分类神经网络的研究

由于对多类问题的高维数据无法直接观察其聚类和分布特性，本文采用神网络法实现自适应主元特征提取（ＡＰＥＸ），以压缩特征空间的维数，并保持足够的信息来鉴别事物之间的类别。它可有效地提取信号的主要特征和抑制噪声。我们将高维数据压缩影射到２或３维，从而实现特征数据的可视性分析，显示物体对象间的类似程度和关系结构。并采用高阶函数的神经网络对其进行非线性分类，同时与ＢＰ网络的非线性分类能力进行了实验比较。结果表明高阶函数神经网络较ＢＰ网络分类能力强，训练速度快。