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。

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。

基于人工神经网络与主分量分析的短期电力负荷预测方法

电力系统短期负荷预测是保证电力系统安全经济运行和实现电网科学管理及调度的重要依据,目前的电力系统短期负荷预测方法存在着一些不足。提出了基于人工神经网络与主分量分析的短期负荷预测方法,在试验中分别采用该方法和单一的人工神经网络对辽宁省某电网的短期负荷进行了预测,试验结果表明本文提出的方法与单一的人工神经网络预测法相比,不但减少了预测的时间,而且避免了过拟合现象,提高了预测精度。

基于主分量分析GA-BP神经网络的人脸识别算法

针对人脸图像数据量大和BP神经网络容易陷入局部最优的问题,提出将主分量分析、遗传算法和BP神经网络相结合的新算法,并将其应用于人脸识别中。利用主分量分析法来处理人脸图像,以减小人脸图像的数据量,再利用遗传算法优化BP网络的初始权值和阈值,最后利用ORL数据库对该算法进行验证。实验结果表明,该算法可以大大减少人脸图像的数据量使收敛速度加快,并且可以克服其陷入局部最优的缺点,提高了识别精度。

基于主分量分析和遗传神经网络的电力负荷预测

针对中长期电力负荷预测受经济、人口、天气、政策的影响密切的问题,为了保证预测的准确性和快速性,应当将这些影响因素全部考虑进来作为预测模型的输入。首先通过主分量分析法在保证不丢失输入信息的情况下将输入的维数降低,然后使用遗传算法优化网络的权值和阈值,最后用L-M贝叶斯正则化BP算法训练网络,并与传统的只考虑经济因素的预测方法的训练结果进行了比较。通过《重庆统计年鉴》统计的数据仿真,结果表明本文提出的预测方法的预测精度更高。

基于独立分量分析和神经网络的人脸识别方法

提出了一种独立分量分析(ICA)和BP神经网络相结合的人脸识别方法(ICABP法),其中人脸图象独立基的提取采用快速独立分量分析方法(FastICA),BP网络采用改进的三层网络结构。该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来,增强了系统的鲁棒性。实验表明,ICABP法明显提高了人脸的识别率。

基于主分量的神经网络气温预报模型

根据山西省6个有代表性的气象观测站1951-2000年的气象资料,以降水量、气温为预报因子,以太原市最冷月平均气温为预报量,采用人工神经网络与主分量分析相结合的方法,建立了太原最冷月平均气温预报模型。该模型对1960-1990年的历史样本拟合的平均相对误差为3.6%,对1991-2000年独立样本的预报准确率达90%,说明该模型可使预报泛化能力显著提高,对农业防灾减灾有较大作用。

基于主分量分析的BP神经网络人脸图像识别算法

本文提出了一种基于主分量分析法和反向传播神经网络的图像识别方法，并详细阐述了这种方法的具体实现过程。在整个算法过程中，主分量分析法主要用于图像的预处理，也就是提取有用的特征样本；反向传播神经网络则是作为一个分类器对未知图像进行分类。此方法具有较强的自适应性、较高的识别率以及对某些噪声的鲁棒性。

基于主分量分析的神经网络企业财务困境分析

目前BP神经网络已经成功用于公司财务分析与预测,为了降低神经网络的复杂性,一般只能选取部分财务指标作为模型输入,使模型的分析依据不够全面。提出通过主分量分析(PCA)对高维指标进行降维和特征提取,在保留绝大多数指标信息的前提下有效地缩小了网络规模,实验证实了方法的有效性。

主分量神经网络在高校学生综合素质评价中的应用

采用主分量神经网络 ,从多种影响因素中找出几个主要分量指标 。

荧光光谱法结合神经网络优化定量分析蒽芘混合物

采用荧光光谱法结合神经网络优化对蒽芘双组分混合物进行了定量分析,提出了利用留一法交叉验证(leave one out cross validation,LOOCV)的模型训练方法,以解决混合样品光谱定量分析中用有限样品建立非线性回归模型的问题。蒽和芘混合样品的激发波长为320nm,发射波长范围为320～450nm,以混合样品光谱数据的主分量作为输入、混合样品浓度作为输出进行LOOCV训练,对神经网络进行优化设计。在LOOCV实验结果中,预测10个测试质量较好的样品,平均相对误差(ARE)为3.39%,比预测所有12个样品的ARE低0.46%,样品最小相对误差可达到1.25%,10次重复实验相对标准偏差小于0.84%。该方法具有所需样品少、容错性好、分析精度高和稳定的特点。

一种用于降维和盲源分离的主独立元神经网络

经典主元分析和主元神经网络常以主元所能提取总的系统方差来确定主元数目 ,这隐含假设系统数据是高斯分布 ,所提取的主元之间相互无关 ,但不一定相互独立 ,从而难以实现非高斯系统数据的降维和信源分量。针对非高斯随机系统数据的降维和信源分离问题 ,提出一种基于二阶 Renyi近似熵指标的主独立元神经网络 ,并给出熵的近似计算方法及相应的梯度学习算法。仿真实验证明 ,该主独立元网络不仅能对数据降维压缩 ,还能有效地分离出普通主元分析法所不能提取的独立信源信息。

基于PCANN的BP神经网络话者识别系统

本文利用主分量神经网络分析法(PCANN)和反向传播神经网络,提出了一种具有较强自适应性和较高识别率的说话人识别方法。在此算法过程中,主分量分析法主要是对语音信号的原始特征作分析以得到更好的特征参数;BP神经网络则是作为一个分类器对说话人进行分类。文章将主分量分析与BP神经网络相结合,提高了识别的正确率,增强了系统抗噪声能力,减少了训练时间和计算量,同时简化了网络结构。

基于神经网络的模板匹配方法求正常星系红移

星系通常分为正常星系(NG)与活动星系(AG)两类。文章提出了一种自动获取NG红移的快速有效方法:(1)由NG模板根据红移范围Ⅰ:0 0～0 3与Ⅱ:0 3～0 5模拟得到两类星系样本,进行PCA变换获得样本特征向量;(2 )利用概率神经网络设计两类样本特征向量的Bayes分类器;(3)对于实际NG光谱数据,利用Bayes分类器进行分类确定其红移的范围,然后在此范围内进行模板匹配得到红移的准确值。与在整个红移范围内的模板匹配方法相比,此方法不但节省了5 0 %的模板匹配运算量,而且还大大提高了红移值测量的精度。文章研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。

ICA特征提取与BP神经网络在负荷预测中的应用

BP神经网络在短期电力负荷预测时,经济、天气、社会等很多因素及大量的历史数据会被考虑进去,造成输入空间维数较高且相关,从而降低神经网络效率。利用主分量分析法PCA(principle component analysis)和独立分量分析法ICA(independent component analysis)在不损失负荷原始数据主要信息的前提下,根据各分量贡献率大小对输入空间进行重构,降低神经网络的输入量。文中提出的ICA特征提取法在对负荷数据进行重构处理时,有效去除了噪声以及保留了原始数据中的潜在信息和特征,最后仿真也证明了该方法预测的有效性。

基于非线性PCA神经网络的手写体字符识别

非线性主分量分析PCA算法与子空间模式识别方法相结合,提出了一种应用于手写体字符识别的基于非线性PCA神经网络的信号重构模型,并与BP网络模型进行了比较实验,结果表明,本文提出的方法,对于0～9手写体数字识别,正确识别率达到了94.74%,而对于a～z手写体字符识别,正确识别率达到了91.03%.

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识.采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.

雷达和导航信号的混沌分析与遗传优化的RBF神经网络预测

文章从建立雷达和导航信号的轨迹的相空间入手,通过计算Lyapunov指数,得出系统的演化行为是混沌的过程的结论,并对其进行了主分量(PCA)分析,而小波分析与遗传算法优化的RBF网络结合,解决了传统的线性理论不能预测混沌时间序列的难题,从预测的结果来看,全面提高了预测速度,为系统建模奠定了基础。

基于自适应径向基神经网络的类星体光谱自动识别方法

通过对光谱的研究来识别和认证类星体是天文学研究中的重要方法。文章提出了一种对类星体光谱进行自动识别的自适应径向基神经网络(RBFN)方法。该方法包括以下几个步骤:(1)先将训练样本归一化,再利用PCA变换进行降维,获得样本特征向量;(2)设计出K均值聚类算法与梯度下降法相结合的径向基神经网络结构的基本模型,再用SSE(sum of squares error)误差函数进行判断,对RBFN隐含层的神经元进行自动调节,直至满足给定误差阈值;(3)用训练得到的参数对用于测试的样本中的类星体光谱进行识别。该方法不但克服了经典RBFN算法选择隐层神经元数目的困难,而且还提高了对类星体识别的稳定性和正确率。研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。

基于径向基函数神经网络的混合像元分解

遥感图像中普通存在着混合像元 ,对这部分像元进行分类 (即混合像元分解 )是遥感图像处理中的难点。基于主分量分析的混合像元分解算法是一种较为成熟的算法 ,但它存在着计算量大 ,适应性差等缺点。在深入研究混合像元分解原理的基础上 ,提出了用径向基函数神经网络拟合分解结果超平面 ,以实现混合像元分解的算法 ,实验结果证明 :该算法的结果与基于主分量分析的混合像元分解算法结果相近 (相关系数达到 0 99) ,而计算量大大减少 ,具有较强的适应性。