一种基于主分量分析的恒星光谱快速分类法

恒星光谱分类是天体光谱自动识别中的重要组成部分。本文主要介绍一种实用的基于主分量分析(PCA)法对恒星光谱进行快速自动的分类方法。该方法在恒星的主分量空间中对样本点进行投影 ,并利用最近邻分类器进行分类 ,获得与恒星MK分类标准的光谱型基本一致的结果。本文的主要工作有 :(1 )利用PCA方法构造恒星光谱的特征矩阵 ,建构恒星的主分量空间 ;(2 )对恒星光谱进行主分量投影 ,对投影点进行光谱型和光度级的分类器设计 ,利用最近邻法分类 ,最后得出恒星的分类树。该分类法速度快 ,分类准确率较高 ,对目前许多大型光谱巡天计划所获得的大量光谱数据的处理有着重要的意义。

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。

基于主分量分析的苹果叶部3种常见病害识别方法

苹果叶部的3种常见病害(斑点落叶病、花叶病和锈病)严重影响苹果的产量和质量。病害识别是病害防治的基础,传统的苹果病害识别方法不能有效选择病害的分类特征。基于主分量分析算法,提出一种叶片颜色、形状和纹理特征相结合的苹果病害识别方法。首先对苹果病害叶片图像进行预处理,降低图像干扰;然后利用改进的分水岭方法分割病斑,提取病斑图像的颜色、形状和纹理特征,组成特征矩阵;再利用主分量分析(PCA)对该矩阵进行维数约简,得到低维分类特征;最后利用BP神经网络识别苹果的3种病害类型。结果表明,该方法能够有效识别苹果的3种病害,平均识别率超过94%。

试用主分量分析方法提取澜沧江兰坪地区铜矿化蚀变遥感信息

通过图像影像特征分析，并经地面调查证实，澜沧江兰坪地区铜矿化蚀变与围岩存在反射波谱特性差异，即在ＴＭ５（近红外）波段（１．５５μｍ－１．７５μｍ）蚀变岩呈高反射率。以此为依据，进行了提取与铜矿化蚀变相关的ＴＭ遥感信息的计算机图像处理技术方法研究。实践证明，该区主分量分析处理图像效果最佳。图像上显示的色调异常，通过与红土涧矿区地质勘查资料对比和根据兰坪地区图像上典型地物样区色调理论分析，评价了遥感异常的地质意义。由于图像预处理（几何校正、亮度拉伸、多元统计，最佳波段组合选择等）是针对澜沧江兰坪全区的特征进行的，故处理方法在全区内均有一定适用性。本文结合公式２、图４、表４。

结合主分量分析法的神经网络在变压器故障诊断中的应用

本文分析了根据油中溶解气体、采用人工神经网络进行变压器的故障诊断时，不同的输入矢量构成方式对诊断结果的影响。介绍了主分量分析法的原理和步骤，由此构成的新矢量，降低了输入矢量的维数，提高了变量间的不相关性。实例检验结果表明，该方法是有效的。

融合奇异值分解和主分量分析的人脸识别算法

提出了奇异值分解(SVD)和主分量分析(PCA)相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互补性时,数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的(在均方差意义上),但敏感于位移、旋转等几何变换。而SVD则具有位移、旋转不变性。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的PCA方法)。在ORL数据库上的实验表明,SVD和PCA相融合的识别方法的确提高了人脸识别率。

基于主分量分析的宽带DOA估计自聚焦算法

提出了一种基于主分量分析(PCA)的CSM类宽带DOA估计自聚焦算法,利用子空间投影变换将信号分离后应用PCA算法快速估计信号DOA,通过不断更新聚焦方向实现自聚焦。与已有算法相比,该算法不受DOA初始值的影响,有更好的聚焦精度。聚焦矩阵更新过程中无需再做奇异值分解,用PCA迭代算法替代特征分解过程,计算量小。仿真实验结果表明,该算法以较小的计算代价实现了较好的估计精度。

主分量分析法在油气管道沿线土壤腐蚀性评价中的应用

应用主分量分析法,建立了一个度量土壤腐蚀性的分析模型,根据该模型,可以对土壤腐蚀性进行评价。通过实例分析比较,证明了该方法的正确性和优越性,从而为油气管道沿线土壤的腐蚀性评价提供了一种有效的手段。

主分量分析法在水资源承载能力综合评价中的应用

根据主分量分析法的原理,建立了水资源承载力评价模型,并通过实例研究,验证了该评价方法的可行性。

基于RGB融合与主分量分析法融合比较

随着遥感技术的发展,获取遥感数据的手段越来越丰富,各种不同的传感器所获取的影像数据类型也各式各样.不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率,如果能将它们各自的优势综合起来,可以弥补单一图像上信息的不足,因此遥感图像信息融合则成为遥感领域中不可缺少的关键技术.

主分量分析方法在航空伽玛能谱测量数据解释中的应用

航空伽玛能谱测量所提供的钾、铀和钍含量等放射性参数之间通常存在着显著的相关性，从而掩盖了一些有用信息。应用主分量分析方法可以从相关性强的多个观测变量中提取出少数几个互不相关的新变量，因此能克服上述不足之处。在CDM盆地中部地区应用主分量分析方法对航空伽码能谱数据解释的结果表明，该方法可用来协助进行岩性和构造填图，识别有利于铀矿和钾盐沉积的环境，可以建立铀和钾盐矿床的成矿模式，进行铀和钾盐成矿远景的预测。可见，在航空伽玛能谱测量中它很可能成为一种新的有潜力的解释技术。

主分量分析法和K-近邻法应用于基因芯片数据分析

应用主分量分析法和K-近邻法对基因芯片（微阵列）数据进行分析。主分量分析法是一种提取海量数据有效特征的有效方法，可以获得与原来基因芯片数据更为接近的成分的提取特征的效果。实验结果表明，用主分量分析法预先对数据处理可以提高基因芯片数据分析的准确性。

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间。计算训练样本和待测样本在人脸特征空间中的投影向量间的距离。引入图像隶属函数,作为识别分类器进行人脸识别。针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力。

基于PCA-CatBoost算法的光伏组件故障诊断方法

为了实现对大规模光伏故障数据的准确诊断,提出一种基于PCA-CatBoost算法的故障诊断方法,实现对不同类型故障的精确诊断。通过分析不同故障的输出特性曲线,提取反映不同故障特性的特征量。采用主成分分析法(Principal Component Analysis,PCA)对故障数据进行降维并初步检测,利用CatBoost算法对故障数据进行分类,建立基于PCA-CatBoost算法的故障诊断模型。通过MATLAB软件仿真实验分析,验证了该算法模型能够有效提高诊断准确率。

基于主分量分析的自动聚焦算法研究

本文通过对多组图像分别提取多个清晰度评价指标,提出了利用主分量分析进行多指标融合,得到最终清晰度评价的自动聚焦算法。随机采集的70组显微细胞图像实验评测结果表明,算法较好地增大了图像清晰度之间的差异,与单指标判断相比较,取得了更高的聚焦正确率。

核主分量分析法提取液体火箭发动机故障特征

某型号液体火箭故障仿真过程中涉及大量描述发动机状态的参数,因此在对该设备进行故障诊断前,需要对监测或仿真数据进行特征提取,以减少存储空间,缩短故障诊断时间。采用主分量分析法及其改进算法核主分量分析法对其故障仿真数据进行特征提取,从多个描述该型号一级火箭发动机故障状态的变量中选取了少量特征,采用这些特征进行故障诊断时,诊断结果正确,同时显著提高了故障诊断的实时性能。

基于主分量分析法的转子导条故障的分析

基于主分量分析法的转子导条故障的分析唐磊１邵晓强２盛剑霓１（１西安交通大学电气学院７１００４９２西安微电机研究所）１引言实际测得的电机转子导条故障一般不是单一的故障信号，而是包含有噪声的混合信号，加大判定故障的难度。对正常信号及各种异常（缺陷）信号进...

基于多算法融合的船用空压机油液分析与磨损故障诊断

主成分分析-三线值法-反向传播神经网络(principal component analysis-new three line value-back propagation neural network,PCA-NTLV-BPNN)多算法融合模型被用于提高故障诊断精度和准确率。具体处理过程为:采用小波包变换(wave packet transform,WPT)对油液数据进行降噪;应用PCA选择主要元素,根据这些元素数据采用NTLV建立正常、警告、危险边界线分类磨损状态;确定BPNN的期望输出分类。以船用空压机为研究对象,理论分析和实践比较结果表明,融合模型比BPNN具有更高的诊断精度与准确率,诊断效果更好。

线性判别分析和主分量分析法应用于基因芯片数据分析

文章主要采用主分量分析法和线性判别分析(LDA)有监督分类的方法来对基因芯片(微阵列)数据进行分析。PCA是一种提取海量的数据有效特征的有效方法。仅可以获得与原来基因芯片数据更为接近的成分的提取特征的效果。结果表明采用PCA方法事先对数据处理不可以提高基因芯片数据分析的准确性。