基于主成分分析的光伏热斑红外图像混合噪声去噪方法

为了解决光伏板热斑故障检测时受噪声影响的红外图像分辨率低而导致热斑区域难以识别的问题,提出一种基于主成分分析的红外图像混合噪声自适应去噪方法。该方法通过自适应窗口预处理算法将获取的热斑红外图像进行初步去噪,滤除图像中的低密度椒盐噪声,减小噪声信号对后续选取降噪训练集时所造成的影响;然后,采用基于块匹配的主成分分析法对预处理后的图像信息进行降维处理,提取信号的主要特征,降低噪声滤除时的计算复杂度;最后,使用线性最小均方误差估计对图像进行二次去噪处理,滤除残余噪声;此外,在二次去噪之前重新计算图像噪声水平,使最终的去噪图片获得了更好的视觉效果。实验结果表明:该方法能够有效去除光伏热斑红外图像中的混合噪声,客观评价指标显示噪声较小时,图像结构相似性可保持在0.9,在高密度噪声影响下,峰值信噪比相较于修正的阿尔法均值滤波算法平均提高2 dB,实际视觉效果中保留了图像细节特征,可以明显观测到热斑区域。

基于增强的鲁棒主成分分析的脉冲噪声去除算法

脉冲噪声的去除对提高图像的视觉质量和后续的图像分析具有重要意义。为了提高脉冲噪声的去噪性能并保留图像边缘细节,文章提出了一种新的基于鲁棒主成分分析的图像去噪算法。通过参数化对数函数逼近秩函数来增强低秩项,该算法能够保留更多分布于较大奇异值上的边缘结构信息。与现有几种先进的去噪算法进行比较,文章提出的算法在客观数值和主观视觉方面均有令人满意的效果,可在移除脉冲噪声的同时充分保留图像的边缘特征。

基于主成分分析和深度森林算法的S700K转辙机故障诊断

针对目前转辙机故障诊断准确性不高、效率低等问题,提出了一种基于主成分分析(PCA)和深度森林(gcForest)算法的故障诊断方法。对于S700K转辙机11种故障模式下的电流、功率曲线,采用主成分分析进行电流特征值特征简约,然后使用嵌入简约特征值的改进深度森林模型提高数据处理能力,增强模型内在特征代表性。结果表明,改进深度森林模型故障诊断准确率为97.62%,验证了该方法的有效性和优越性。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

稳健主成分分析在地震资料异常值噪声压制中的应用

提高地震数据的信噪比是地震资料处理的重要目标之一。传统的地震去噪方法虽然可以有效压制随机噪声,但对非高斯分布的异常值噪声压制效果欠佳。本研究展示了一种基于稳健主成分分析的地震数据异常值噪声压制方法。该方法在频率-空间域通过对地震数据实施稳健低秩近似来求取理想无噪声数据。在目标函数构建方面,采用核范数最小化模型求取理想的低秩近似数据,并使用l1范数最小化模型来估计异常值噪声。此外,运用增广拉格朗日乘子法求解该反演问题。最后,模型数据和实际资料的去噪结果验证了本研究方法的有效性,与传统F-XY域预测滤波法去噪结果进行对比,也显示本研究方法在有效压制异常值噪声的同时能更好地保护有效波能量。

基于主成分分析和深度神经网络的声学层析成像温度分布重建

为快速准确地获取火电厂锅炉炉膛温度场在线监测信息,提出了一种基于深度神经网络(deep neural network,DNN)的声学层析成像(acoustic tomography,AT)温度场重建算法。对测量值进行归一化处理后,结合主成分分析(principal component analysis,PCA)降维,构建全连接网络区别峰型,分别搭建DNN与BP神经网络对归一化慢度值及其最值进行预测,最后重建温度场分布。采用该方法对4种典型的温度场模型进行了仿真,结果表明:DNN算法的重建质量优于Tikhonov正则化算法与共轭梯度算法,重建图像的平均相对误差和均方根误差分别小于0.36%和0.85%。

基于HPLC的秦艽药材特征指纹图谱构建及主成分分析

【目的】HPLC测定23批秦艽样品中3种环烯醚萜苷含量,并结合中药指纹图谱进行相似度评价,同时探究主成分分析。【方法】以收集7个不同产区和4个不同基原的秦艽药材,采用HPLC测定样品中马钱苷酸、獐牙菜苦苷和龙胆苦苷的含量。色谱条件为C18色谱柱(4.6 mm×250 mm,5μm),流动相为乙腈-0.2%醋酸(9∶91),检测波长254 nm,流速1.0 mL/min,柱温25℃,进样量为10μL。另外,结合中药指纹图谱软件进行相似度评价;同时利用10个共有色谱峰的峰面积组成的数据矩阵进行主成分分析。【结果】23批不同产地及不同基原的秦艽、粗茎秦艽、麻花秦艽和小秦艽,马钱苷酸、獐牙菜苦苷和龙胆苦苷含量分别在0.112%~2.390%,0.079%~2.038%,0.426%~17.314%。马钱苷酸、獐牙菜苦苷和龙胆苦苷三者总含量在0.7146%~19.969%。该试验精密度、稳定性和重复性试验的RSD均≤3.0%,马钱苷酸、獐牙菜苦苷和龙胆苦苷加标平均回收率分别为:97.56%,100.06%,102.12%(RSD<1.0%,n=6)。另外,所有秦艽样品与共有模式下的对照指纹图谱其相似度在0.990~0.999,各批样品相似度较好。最后,根据共有色谱峰的峰面积组成的数据矩阵进行主成分分析,其结果表明,秦艽的2个主成分(PC1和PC2)分别表征了原始变量49.5%和22.2%的变异信息。【结论】所构建的HPLC检测方法,可用于秦艽药材的含量测定;同时因产地或基原不同,样品中马钱苷酸、獐牙菜苦苷和龙胆苦苷三种成分含量存在一定差异,但三者的谱峰的分离度和响应值较高且为共有峰,因此可确定为秦艽药材指纹特征图谱和主成分分析。

主成分分析法与核主成分分析法在机械噪声数据降维中的应用比较

依据线性降维与非线性降维的分类原则,分别选择主成分分析法和核主成分分析法对某双层圆柱壳体在不同工况下的机械噪声数据进行降维;然后使用神经网络和支持向量机两种方法分别计算噪声数据在降维前后的正确识别率,以比较不同降维方法的降维效果,从而确定适合于某双层圆柱壳体机械噪声数据的降维方法。

基于主成分分析的分块视频噪声估计

噪声估计在视频去噪领域具有重要的研究意义.实际生活中的噪声都是未知的,然而现存的视频去噪算法通常都假定视频的噪声水平是已知的,本文提出一种基于主成分分析(Principal component analysis,PCA)的分块视频噪声估计算法.首先,基于帧间进行块匹配寻找相似块,得到差分图像以消除视频运动的影响;其次,将正态分布函数作为阈值函数简化噪声估计算法模型;最后,设置明确迭代指标使得估计的结果更加精确,且降低了计算复杂度.主观视觉效果和客观指标对比表明,本文提出的基于主成分分析的分块视频噪声估计算法比其他优秀的噪声估计算法误差小同时鲁棒性高,能准确地估计视频噪声.

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.

基于回归分析和主成分分析的噪声方差估计方法

准确可靠的噪声强度估计是数字图像处理领域中一个重要的研究课题。噪声估计的难点在于如何提取用于估计的纯噪声信息,近几年,许多算法采用主成分分析技术来避免图像纹理信息的干扰,用最小特征值来估计噪声方差,可以有效地减少图像纹理信息对估计结果的影响,所以这类方法对于高频图像(丰富纹理图像)效果很好。由于图像块数量有限,最小特征值实际上比真实噪声方差小,而且图像块数量越少,偏差越大。如果直接把最小特征值作为估计方差,则容易低估计高噪声。该文通过回归分析确定最小特征值跟真实噪声方差的比值和图像块数量呈幂函数关系,因此可以通过最小特征值和幂函数关系得到真实的噪声方差。实验表明该文方法既能处理高频图像,又适合各种噪声水平,同时也能处理乘性高斯噪声。

基于主成分分析与深度神经网络的快速噪声水平估计算法

鉴于从噪声图像分解获得的原生图块集合的协方差矩阵前若干个特征值(按照升序排序)与图像噪声水平值具有强相关性,提出了一种基于主成分分析和深度神经网络的快速噪声水平估计算法.该算法首先选用原生图块集合协方差矩阵前若干个特征值构成刻画图像噪声水平高低的特征矢量,然后在大量有代表性且已标定噪声水平值的噪声图像集合上利用深度神经网络训练预测模型以实现将特征矢量直接映射为噪声水平值,最后为获得更高的预测准确性,采用粗精预测模型相结合的两步预测方式实现.实验表明:文中算法在各个噪声级别上都具有稳定的预测准确性,且执行效率非常高,作为降噪算法的前置预处理模块具有更好的综合优势.

主成分分析在舰船辐射噪声分类识别中的应用

主成分分析(PCA)是经典的多元统计分析方法,在处理多变量综合问题方面有比较突出的优势。本文主要探讨了主成分分析在舰船辐射噪声信号分类识别中的应用。在经典功率谱的基础上尝试将PCA技术运用在两种不同的方法中,对两种舰船辐射噪声进行了特征提取和分类识别,得到了较好的效果。

基于核方法和主成分分析(PCA)的探地雷达目标特征提取新方法

常用探地雷达目标特征提取方法LDA(又称为FDA)直接在低维的探地雷达数据空间提取探地雷达目标特征, 提取的探地雷达目标特征的区分度小;常用的正则化技术存在正则化参数选取困难的问题。本文提出先通过基于核方法的 非线性变换把低维的探地雷达样本数据投影到高维空间,然后在高维空间中用PCA对奇异的核矩阵降维重建,最后对重 建后的非奇异核矩阵用LDA提取探地雷达目标特征。对实测数据的对比处理分析表明,本文所提探地雷达目标特征提取 方法优于其它方法。

非局部主成分分析极大似然估计MRI图像Rician噪声去噪

由于MRI图像中噪声呈Rician分布,直接使用现有针对高斯噪声的去噪方法将引入误差。基于此本研究使用Rician噪声模型改进现有极大似然估计去噪的高斯模型,同时引入非局部主成分分析,在非局部区域选择灰度和纹理均具有较高相似性的像素进行最优复原估计。使用非局部主成分分析不仅克服现有局部性去噪方法模糊边界的缺陷,而且具有更高的图像细节信息复原能力。分别应用所提出的方法、局部极大似然估计去除Rician噪声方法、采用参数修正非局部均值去除Rician噪声方法、无特定噪声模型的全变差方法,对不同噪声等级和不同纹理复杂度的图像进行定性和定量的去噪实验。结果表明,所提出的方法可在保持图像细节和纹理信息的前提下有效去噪,较之现有方法效果更好。

应用地震属性主成分分析识别古河道

利用曲率、相干等属性刻画河道的效果不明显,对这些属性的主成分分析效果较差。地震纹理、相干能量、谱峰值和分频振幅等属性虽然能较好地识别部分古河道,但是存在古河道刻画不全、识别范围有限等问题。为此,提出了应用地震属性主成分分析(PCA)识别古河道的方法,精细刻画了不同尺度古河道,预测效果优于单一属性,较好地提高了古河道识别精度。获得以下认识:(1)地震纹理、相干能量和谱峰值三种地震属性能够较好地刻画古河道,但是对古河道的识别结果不全面;利用PCA融合了三种地震属性识别河道的有效信息,可突出古河道的展布特征及边界形态。(2)基于分频瞬时振幅剖面对河道变化细节的识别差异,利用PCA融合不同频段瞬时振幅属性,以增强共性细节信息,提高了古河道识别精度。应用所提方法识别川西地区沙溪庙组河道,准确地反映了古河道的具体位置及轮廓。

基于噪声调节主成分分析法的彩色图象融合滤波

彩色图象滤波是图象处理领域中的经典命题之一.由于滤波算子选择的不同,滤波后影像的质量也不尽相同.为此在分析经典滤波算子的滤波器特性的基础上,将含噪彩色图象的亮度分量分别经过中值滤波与小波软门限滤波,形成亮度滤波结果图象,而后利用基于噪声调节的主成分分析法对彩色图象与亮度滤波结果影像进行融合处理,得到融和滤波图象.同矢量中值滤波器和α-TMF滤波结果影像相比,融合滤波后影像与原始影像具有更好的峰值归一化均方误差,能够更加真实地反映原始景物的色彩信息.实验证明,该融合滤波方法能有效地滤除高斯噪声、脉冲噪声及其混合噪声.

基于主成分分析和函数机制的差分隐私线性回归算法

随着人工智能应用的不断落地以及隐私保护法律法规的持续出台,机器学习中的隐私保护问题已成为目前信息安全领域的一个研究热点。文中针对现有的差分隐私线性回归算法全局敏感度大、模型可用性较差的问题,基于高斯机制代替传统的Laplace机制,并通过在算法的两个主要阶段分别添加噪声的方法,提出了一种基于主成分分析和函数机制的差分隐私线性回归算法(PCAFM-DPLR)。首先,为了在降维的同时兼顾数据的隐私性,向原始数据集的协方差矩阵中注入高斯噪声,基于主成分分析得到具有差分隐私保护效果的低维数据集;其次,为防止模型训练过程中可能存在的隐私泄露,再向目标函数的展开多项式系数添加高斯噪声,并以扰动后的目标函数最小化为目标,求得最优模型参数。理论分析和实验结果表明,PCAFM-DPLR算法训练出的线性回归模型能够在有效保证隐私性的同时,具有良好的可用性。

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。

基于主成分分析法优化神经网络的滆湖组黏性土抗剪强度预测

为了研究苏锡常地区滆湖组黏性土抗剪强度特性,建立抗剪强度参数预测模型;以研究区711组滆湖组黏性土物理力学试验数据为载体,运用主成分分析(principal component analysis,PCA)方法,从样本11个指标中提取影响目标变量的主成分;将其作为反向传播神经网络(back propagation neural network,BPNN)模型的输入层,建立基于PCA-BPNN算法的滆湖组黏性土抗剪强度预测模型。结果表明:当主成分数量为3时,主成分累计贡献率达93.4%;第一、二主成分贡献率分别为52.1%和36.6%;PCA算法即保留了样本大部分信息,又实现了对多维变量的降维。第一主成分可归纳为土体孔隙特性,与黏聚力和内摩擦角均呈负相关关系;第二主成分可归纳为土体水稳性,与黏聚力和内摩擦角均呈正相关关系;土体孔隙特性越显著,水稳性越弱,抗剪强度越低。建立了滆湖组黏性土抗剪强度参数PCA-BPNN预测模型,模型抗剪强度拟合优度为0.85,内摩擦角拟合优度为0.72;模型可靠性总体较高。可见PCA-BPNN预测模型即可降低解释变量间的多重共线性,简化了模型,又能够提升模型的泛化能力;为运用数学方法研究土体工程地质参数提供了参考。