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。

基于核主成分分析的数据流降维研究

分析了数据流降维算法PCA和KPCA的原理和实现方法。针对在大型数据集上PCA线性降维无法有效实现降维且KPCA的降维效率差,提出了一种新的降维策略GKPCA算法。该算法将数据集先分组,对每一组执行KPCA,然后过滤重新组合数据集,再次应用KPCA算法,达到简化样本空间,降低了时间复杂度和空间复杂度。实验分析表明,GKPCA算法不仅能取得良好的降维效果,而且时间消耗少。

主成分分析在图像Zernike矩特征降维中的应用

首先介绍了图像特征向量维度过高的问题以及图像特征降维处理。在讨论Zernike矩基本概念以及图像Zernike矩形状特征向量表示的基础上,指出Zernike矩特征向量一般都是高维的。在介绍主成分分析方法的基础上,指出可以将其应用到Zernike矩特征向量的降维中,并给出了降维的处理过程。最后的实验结果证明了该方法的可行性。

结合主元成分分析的受限玻耳兹曼机神经网络的降维方法

介绍一种能够有效地获取数据本质的基于受限玻耳兹曼机(RBM)神经网络的降维(RBMNNBDR)方法,并结合主元成分分析法(PCA),提出了一种新颖的复合特征降维方法,即PCA-RBMNNBDR.结合人脸研究的几个应用示例,通过实验对PCA-RBMNNBDR、RBMNNBDR和线性判别式分析(LDA)方法进行比较.结果表明,PCA-RBMNNBDR方法在人脸图像降维和分类方面有更好的效果,其分类正确率高于RBMNNBDR和LDA方法.

基于主成分降维的总悬浮物浓度遥感估算模型适用性分析

总悬浮物浓度（CTSM）是水质评价的重要参数.为了提高内陆Ⅱ类水体总悬浮物浓度估算的精度,利用主成分分析方法对2009年4月太湖水体实测高光谱数据进行降维处理,进而以不同数量的主成分作为变量,分别构建总悬浮颗粒物浓度的多元线性回归估算模型并比较这些模型的效果,从而确定最优的主分量个数;结合近年运行的高光谱传感器,对模型的适用性进行评价.结果表明：①前三个主成分（PC1、PC2、PC3）从不同侧面涵盖了悬浮物浓度信息,它们与ln（CTSM）的相关系数分别为0.728、0.401和0.403;②当主成分个数为6时,模型达到最优;模型的精度高于4个传统经验模型;③在400～ 850 nm之间,波段数大于45的高光谱传感器数据都能利用主成分分析的方法构建精度较高的总悬浮物浓度估算模型;此外,MERIS、J1-HSI、Hyperion和CHRIS这些常用的高光谱传感器的波段设置,都适合于主成分建模.

主成分分析在高光谱遥感图像降维中的应用

高光谱遥感图像的高数据维给图像进一步处理带来了困难,为了解决这一问题,本文提出了主成分分析的降维方法.根据原始数据协方差阵的特征值和特征向量,可以计算各个波段对给定主成分的贡献率,对重要主成分贡献率的和直接反应了波段信息量的大小,实验证明,该方法效果较好,且计算量小.

基于二维主成分分析的高光谱遥感图像降维

提出一种以高光谱图像分析为目标的基于二维主成分分析的高光谱遥感图像的降维方法。通过多变量线性变换对高光谱数据进行特征提取,应用二维主成分分析的方法对高光谱遥感图像进行降维。对AVIRIS图像应用二维主成分分析的方法,可将能量主要集中在少数几个特征值中,这就为降维提供了可能。计算机仿真结果表明,该算法计算量小,方差小,峰值信噪比(PSNR)、分类准确性均显著提高,MSE有所下降。

基于主成分分析和节点像差理论的公差降敏方法

为了在设计阶段预测光学系统加工装配后的像质并降低加工装配难度,提升设计效率,文中提供了一个高效的公差灵敏度降低方法。首先使用Zernike多项式量化像差,基于线性代数理论和Monte Carlo分析寻找引入扰动后系统的像差变化规律,通过降维后的像差场以及特征值分布确定主要引入像差;对系统制造过程中可能出现的失对称扰动和轴向扰动进行建模,基于节点像差理论描述扰动造成的引入像差,并通过统计分析确定关键表面;根据Zernike项与波像差的对应关系对像差空间进行变换,提出相应的评价函数纳入优化,进而抑制新像差的产生。将这一方法应用于两个不同的光学系统的设计,优化后预期加工性能(指定空间频率处98%置信度的MTF表现)分别提升了约68%和20%。与使用Zemax软件中TOLR操作数优化相比,结构1的优化时间由7 h缩短到36 min,并且在结构2的优化中成功实现了公差降敏。结果表明,该方法能够在提升效率的同时有效降低公差灵敏度。

基于KPCA降维分析的特高拱坝监测模型

为提高大坝变形预测精度,针对变形数据影响因子间的多重共线性问题,构建了基于核主成分分析(KPCA)、全局搜索策略的鲸鱼优化算法(GSWOA)和门控循环单元(GRU)的组合预测模型。首先利用KPCA对高维变形序列进行降维处理,同时使用GSWOA对GRU参数进行优化,进而构建出最优变形预测模型。以小湾特高拱坝变形数据为例,将KPCA-GSWOA-GRU模型与KPCA-WOA-GRU模型、PCA-GSWOA-GRU模型以及传统模型进行预测拟合对比。结果表明:KPCA-GSWOA-GRU模型有效降低了多重共线性问题,且在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))等方面均优于对比模型。

主成分分析在高光谱图像降维中的应用

以AVIRIS数据为研究对象,应用主成分分析方法,用X′X(高光谱数据矩阵为X)代替主成分分析中的相关系数矩阵,以降低计算量,将实验结果与主成分分析结果进行比较,效果基本一致。

基于主成分降维及多层感知神经网络的辛烷值预测分析

辛烷值是评价汽油质量的重要指标,汽油在精制脱硫和降烯烃的过程中,辛烷值普遍出现了损失.建立预测模型来预测辛烷值,帮助企业优化工艺流程进而提高成品油辛烷值的含量具有重大意义.根据某石化企业的精制脱硫装置保留下来的数据进行分析,选取独立且具有代表性的20个变量,基于主成分降维的多层感知神经网络建立辛烷值的预测模型.实验结果表明,当隐藏层的神经元个数为10时,MSE、RMSE、MAE均最小,此时该模型具有较高的预测精度和较好的拟合度.此模型不仅揭示了变量与辛烷值之间的非线性映射关系,同时也为预测辛烷值提供了一种新的思路.

基于主成分分析法和二阶多项式回归的多光谱降维算法研究

针对主成分多光谱降维算法得到的低维空间没有色度意义、不能很好地与目前主流的色彩管理系统兼容的问题,本研究提出根据色度学公式将高维光谱降维到三维XYZ空间,利用二阶多项式回归结合主成分分析法(PR-PCA)实现三维XYZ空间到高维光谱的转换。并以自然颜色系统(NCS)、孟塞尔颜色系统(Munsell)和2张多光谱图像作为测试样本比较PR-PCA和经典PCA的性能。实验结果表明,相对于经典PCA,基于PR-PCA的多光谱降维方法在牺牲少量光谱重建精度的条件下,色度重建精度得到很大提高,这对光谱颜色复制非常重要,同时该方法得到的低维空间是色度空间,具有色度意义。

基于二阶多项式回归和权重主成分分析法的多光谱降维算法研究

基于主成分或者权重主成分的多光谱降维方法实现高维多光谱数据和低维空间数据之间相互转换,但低维空间数据含有大量负值,不能和色度空间如CIELAB等连接起来,给光谱颜色复制的后续研究带来困扰;建立XYZ三刺激到多光谱数据的转换,在多光谱数据降维到XYZ三刺激值过程中保留更多的颜色信息;通过二阶多项式回归建立XYZ三刺激值与多光谱通过权重主成分降维的得到的三维空间数据对应关系,实现XYZ三刺激值到多光谱数据转换;在不同的训练样本,不同的测试样本时,相对于主成分和权重主成分,推荐的方法在多种照明条件下色度重建精度得到提高,可以较好地应用到多光谱图像的高保真降维和压缩。

基于双子空间PCA降维的脑力负荷分类

人类社会至今的飞速发展使得大量体力劳动被机械工程替代,工作者的任务重心也从体力劳动逐渐转变为脑力劳动,对操作者脑力负荷进行实时评估以增强工作效率在当下有着重大意义。目前人类对于脑力负荷评估共有3种方式,有研究表明,采用生物电信号进行脑力负荷分类效果较其余两种方法更客观。但脑电信号经过特征提取后维数极高,所需数据量和运算量巨大,需要对其进行降维。目前降维方面最广泛运用的两种算法为主成分分析(principal component analysis,PCA)和线性判别分析(linear discriminate analysis,LDA)。针对PCA的非监督性和LDA的特征冗余敏感性,提出一种二分类下基于双子空间主成分分析的降维算法,分别对不同类别的训练集数据进行主成分分析,并将所有训练集数据映射到生成的空间中,再次进行PCA-LDA降维,以此提高降维后数据的可分性。实验结果表明,双子空间PCA-LDA降维算法在二分类任务下测试集精度整体高于单子空间PCA-LDA算法,以此为脑力负荷分类领域和高维数据降维领域提供了新思路。

基于KPCA特征量降维的风电并网系统暂态电压稳定性评估

针对电力系统暂态电压稳定性评估中所需特征量数据庞大,影响模型训练时间,降低计算效率等问题,提出了一种基于核主成分分析方法KPCA和CPSO-BP组合的风电并网系统暂态电压稳定性评估方法.首先根据输入特征采集原始特征集,采用核主成分分析算法对特征量进行非线性数据处理,提取出最优的特征集.然后将降维后的特征集作为CPSO-BP神经网络输入量进行监督学习,将得到的模型按照临界故障切除时间裕度值的大小进行分类,将分类后的样本进行风电并网系统的暂态电压稳定性评估和临界故障切除时间裕度值预测.仿真分析结果表明,对输入特征进行降维,保留重要输入特征量,剔除冗余特征量,不仅简化了模型,还提高了网络评估的准确性和计算效率.

基于主成分分析降维和支持向量机回归的短期负荷预测方法研究

针对负荷预测一般使用多维度历史相关数据,随着计算机技术和采集技术的发展,形成了高维度数据,使得关键数据和因素被掩埋,造成“维数灾难”的状况,重点研究主成分分析的特征降维方法和支持向量机的智能预测算法,提出基于主成分分析和支持向量机回归的短期负荷预测方法,并进行算例计算,对比分析采用主成分分析降维对支持向量机短期负荷预测方法的影响。

基于独立成分分析的高光谱图像数据降维及压缩

该文提出了一种以高光谱图像分析为目标的基于独立成分分析的高光谱图像降维和压缩方法。该方法首先通过独立成分分析提取高光谱数据的光谱特征实现高光谱图像降维,再对降维后的图像采用预测和自适应算术编码的方法进行压缩。对220波段和64波段高光谱数据的实验结果表明,该方法与基于主成分分析的降维相比,压缩比有所提高,特别是更有利于后续的分析处理,但峰值信噪比有所降低。

基于改进二维主成分分析的在线掌纹识别

掌纹识别是生物特征识别技术的新热点,论文提出使用二维主成分分析算法(2D PCA)提取掌纹图像的统计特征,实验表明其泛化能力优于传统主成分分析算法(PCA).在此基础上,论文提出且定义了改进的二维主成分分析,并证明它在保持训练样本图像总体散度的同时更有效的提取样本特征.改进的算法在得到99.72%高识别率的同时,大幅降低了原算法的特征维数、识别计算的复杂度,使系统的实用性进一步提高.

基于二维主成分分析的掌纹识别研究

掌纹作为一种新的生物特征可用来进行人的身份识别。论文提出了将二维主成分分析方法(2DPCA)应用于掌纹识别的特征提取,并在PolyU掌纹数据库上利用最近邻分类器与余弦距离度量进行了相应的实验,得到了99.4%的正确识别率。二维主成分分析方法相比主成分分析方法(PCA)方法具有更高的识别率和更快的计算速度,尤其是在小样本训练数据的情况下优势更明显。同时论文也研究了不同应用系统下阈值的选取方法。

基于层次聚类法和主成分分析法的铜陵市大气降尘污染元素来源解析研究

本文采用层次聚类法和主成分分析法对有色金属矿山城市-铜陵市的大气降尘中污染元素,主要是重金属元素的来源进行了识别,并分析了各来源所占的比例。结果显示,铜陵市大气降尘中污染物主要来源于冶金和采矿,其次为燃煤、交通和土壤扬尘等,其贡献率分别为冶金源+采矿源43.29%,燃煤源32.23%,交通源和土壤源10.53%,其他源13.94%。因此,优先控制冶金尘、采矿尘和燃煤尘,可以有效降低铜陵市大气降尘中污染元素的含量。