基于二维主成分分析法的变压器声纹特征参数融合方法

运行中的变压器声信号以其非接触式测量、高灵敏度和强时效性等优点逐渐成为基于数据驱动模型的变压器状态监测领域的关注热点,如何从非平稳的声信号中获取合理有效及区分度高的声纹特征参数是变压器状态监测的关键。对此,在分别计算变压器声信号Mel频率倒谱系数和常Q倒谱系数特征参数的基础上,引入二维主成分分析法对这2种声纹特征参数进行融合降维,旨在降低数据维数的同时获取主要声纹特征,并以平均类间区分度表征声纹特征参数的区分度。某变压器不同直流偏磁状态下声信号的计算结果表明,所提出的变压器声信号特征参数表征方法更加全面高效且区分度高,可为变压器运行状态声信号监测技术提供重要参考。

基于X射线数字成像的GIS设备缺陷无损检测方法

GIS设备的安全性和可靠性对电力体系的平稳运行具有重要意义;因此,为提高对GIS设备缺陷的检测效果、提高设备运行的安全性,在X射线数字成像的基础上,提出一种针对GIS设备的缺陷无损检测方法;通过X射线数字成像的方式采集GIS设备图像,并对图像中存在的泊松噪声实施去噪处理,以提高图像质量;针对处理后的图像,利用二维主成分分析法,通过将复杂的图像数据转换为简单的主成分来表示原始数据,提取出最具代表性的特征;将提取结果输入到BP神经网络分类器中,通过特征分类完成对GIS设备缺陷的无损检测;实验结果表明:应用该方法后,图像识别清晰度较高,对不同类型缺陷的检测效果良好;该方法的优势在于使用先进的图像处理和机器学习技术,能够有效地识别和定位GIS设备中存在的缺陷,通过及时发现并修复这些缺陷,可以提高GIS设备的安全性和可靠性,从而确保电力系统的平稳运行。

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。

一种基于图像分块加权的（2D）^2PCA人脸特征提取方法

论文针对二维主成分分析法(2DPCA)表征信息不全面且系数多的不足,提出分块加权处理的双向2DPCA((2D)2PCA)方法提取人脸特征。该方法利用(2D)2PCA方法对人脸的各个分块提取特征,并对各分块的特征进行加权处理,然后应用支持向量机(SVM)实现分类识别。经过在ORL人脸库的实验研究表明,该方法压缩了人脸识别系数,缩短了识别时间,提高了识别准确率。

一种基于半监督学习的2DPCA人脸识别方法

结合半监督学习中的自学习技术以及二维主成分分析(two-dimensional principal component analysis-2DPCA)方法,提出了一种基于半监督学习的人脸识别方法.在二维主成分分析的基础上,利用少量具有类别标签的样本训练分类器,然后利用半监督学习中的自学习技术,对未知类别标签的人脸样本进行分类,并将具有高置信度的人脸样本加入到训练集中,以此增加训练集中的人脸样本数量.在ORL人脸库和Yale人脸库的实验结果,表明了提出方法的有效性.

基于改进核范数的2DPCA人脸识别算法研究

传统的二维主成分分析法广泛应用于图像特征提取,为了使此算法更加有效,提出了一种结构化二维算法,即核范数2DPCA算法(N-2-DPCA)。该算法基于核范数重构误差准则,将核范数最优化问题转化为基于F范数的最优化问题,然后通过采用迭代方法寻找到最佳投影矩阵,最后运用最小欧氏距离规则识别出待识别人脸的身份。在此基础之上,将N-2-DPCA扩展到基于双边投影的算法(N-B2-DPCA),采用曲线搜索算法寻找到双边投影矩阵,继而进行识别。最后将提出的算法在FERET和Yale B人脸数据库中进行人脸识别评估,实验结果表明所提出的算法与L1-2DPCA相比,重建误差降低了2.19%,识别率提高了2.03%,性能更好。

基于分块的2DPCA人脸识别方法

将分块理论与2DPCA方法相结合,研究分块二维主成分分析法（M-2DPCA）在人脸识别中的应用.对人脸图像矩阵进行分块,用形成的子图像矩阵直接构造总体散布矩阵并求解对应的特征向量,利用提取的特征向量对图像进行特征的提取与分析,进行人脸识别.基于Yale人脸数据库的实验显示,在相同训练样本和特征向量条件下,M-2DPCA比2DPCA算法具有更高的识别率.M-2DPCA充分利用了图像的协方差信息,在人脸识别方面具有较高的识别率和鲁棒性方面,对进一步研究人脸识别具有重要的意义.

图像特征抽取的MDNIB2DPCA方法

在多方向二维主成分分析法MD2DPCA和无迭代双边二维主成分分析(NIB2DPCA)的基础上,提出了多方向无迭代双边二维主成分分析(MDNIB2DPCA)的特征抽取新方法。该方法可以对图像矩阵在多个方向上进行特征抽取,与MD2DPCA方法相比也提高了特征抽取速度。在灰度人脸图像库上的对比实验表明,所提的方法可以提高灰度图像识别率两个百分点以上;进一步地,在基于NIB2DPCA的彩色图像识别方法的基础上,提出了将所提的MDNIB2DPCA替换NIB2DPCA的彩色图像处理的新方法。在彩色人脸库上的对比实验表明,所提方法的识别正确率也可提高约一个百分点。

基于分块的2DPCA人脸识别方法

文章将分块理论与2DPCA方法相结合，研究分块二维主成分分析法（M-2DPCA）在人脸识别中的应用。对人脸图像矩阵进行分块，用形成的子图像矩阵直接构造总体散布矩阵并求解对应的特征向量，利用提取的特征向量对图像进行特征的提取与分析，进行人脸识别。基于Yale人脸数据库的实验显示，在相同训练样本和特征向量条件下，M-2DPCA比2DPCA算法具有更高的识别率。结论 M-2DPCA充分利用了图像的协方差信息，在人脸识别方面具有较高的识别率和鲁棒性方面，对进一步研究人脸识别具有重要的意义。

一种新型的半导体SMA缺陷识别方法

针对半导体器件在封装工艺中出现表面缺陷,及缺陷形态多样性和不可预测性而带来的模型适应性低等问题,提出了双向二维主成分分析和改进的卷积神经网络相结合的缺陷识别方法。首先为克服样本不均匀带来的识别精度低问题,对训练图像进行反射变换等操作构造虚拟样本,然后使用双向二维主成分分析法(Bilateral two-dimensional principal component analysis,Bi-2DPCA)对图像进行降维压缩,提取图像主要特征,再由改进的AlexNet网络进行缺陷识别分类,并提出正态随机采样层,将其加在AlexNet网络的卷积层后进行下采样,同时在全连接层中引入DropConnect来提高网络的泛化性能。实验表明,提出的算法较相关算法有较高的识别率,并在实际的表面贴装工程(Surface mount assembly,SMA)塑封图像数据上得到了验证,同时该算法具有较好的泛化性能。

一种M2DPCA和NSA相结合的人脸识别方法

将非参数子空间分析方法(NSA)和模块化2DPCA方法相结合,提出了一种模块化2DPCA+NSA方法。NSA方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,没有考虑到图像的局部特征,对图像矩阵进行分块,采用2DPCA进行特征提取,得到替代原始图像的低维新模式,施行NSA。该法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NSA方法以及该方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NSA方法。

基于GA的2DPCA在人脸识别中的应用

采用基于遗传算法(GA)的二维主成分分析法(2DPCA)进行人脸识别。2DPCA直接以二维图像矩阵为研究对象,以其协方差矩阵的特征向量为投影轴进行特征提取。为了达到识别时的信息最优,将遗传算法融入2DPCA,对协方差矩阵的特征向量进行优化选择得到最优投影轴,并在此基础上提取特征。最后在MIT人脸数据库上进行实验,表明识别率和速度均高于单纯使用2DPCA的方法。