二维非线性四阶分数阶波动方程的BDF2-WSGI有限元算法

本文主要研究了二维非线性四阶分数阶波动方程的有效数值算法。通过结合二阶BDF2-WSGI时间离散格式与有限元方法对二维非线性四阶分数阶方程进行求解。首先,引入辅助变量,将分数阶四阶波动问题转化为低阶耦合方程,然后利用Riemann-Liouville分数阶积分对所得方程进行积分,最后使用WSGI逼近公式逼近分数阶积分,形成二阶BDF2有限元格式。本文给出了详细的数值算法,并通过一个二维算例进行了数值试验,验证了算法的有效性和收敛性。

基于二维Fisher线性判别的掌纹识别方法

在Fisher线性判别(FLD)中,类内离散矩阵总是奇异的。为了解决矩阵的奇异性问题,应用一种新的二维Fisher线性判别(2DFLD)直接进行矩阵投影。对于PolyU掌纹图像库,分别用PCA,PCA+FLD和2DFLD提取特征掌纹子空间,将待识别图像投影到低维子空间上,用余弦距离进行掌纹匹配。实验结果表明,与PCA相比,PCA+FLD的识别率最多提高1.18%。2DFLD识别率最高达到99.34%,比PCA+FLD提高7.61%,特征提取仅耗时0.047s。

基于双向二维直接线性判别分析的人脸表情识别

提出基于双向二维直接线性判别分析的人脸表情识别新算法。新算法从水平和垂直两个方向对图像矩阵执行直接线性判别分析,从二维图像中提取图像协方差矩阵,降低特征维数,减少表示图像时所需要的系数及其存储空间。另外,不使用奇异值分解方法,便可得到图像协方差矩阵的特征向量,能够精确地估计图像协方差矩阵。在JAFFE人脸表情数据库中的试验结果表明,所提算法具有较高的识别率。

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析(2D-LDA)对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻(KNN)分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类(柴油、汽油、航空煤油、润滑油)样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。

基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。

基于L1-范数的二维线性判别分析

为了避免图像数据向量化后的维数灾难问题,以及增强对野值(outliers)及噪声的鲁棒性,该文提出一种基于L1-范数的2维线性判别分析(L1-norm-based Two-Dimensional Linear Discriminant Analysis,2DLDA-L1)降维方法。它充分利用L1-范数对野值及噪声的强鲁棒性,并且直接在图像矩阵上进行投影降维。该文还提出一种快速迭代优化算法,并给出了其单调收敛到局部最优的证明。在多个图像数据库上的实验验证了该方法的鲁棒性与高效性。

基于加权双向二维线性判别特征的焊点检测算法

为克服现有自动光学检测(AOI)算法的缺陷,针对AOI的特点,对传统的双向二维线性判别方法进行改进,提出一种基于加权双向二维线性判别方法的焊点检测算法.在计算协方差矩阵时,对不同的类别以及类内不同的样本进行加权,从而提取更有判别力的特征.将改进后的算法应用于焊点检测,可实现对不同批次用料的自动分类.文中提出的算法检测速度可以满足实际需要,且与现有AOI系统中常用的图像对比算法和图像分析法相比,可以显著降低误报率.

基于子模式行列方向二维线性判别分析特征融合的特征提取

针对人脸识别中表情和光照变化引起的面部变化、灰度不均匀等识别问题,提出一种基于子模式行列方向二维线性判别分析(Sp-RC2DLDA)的特征提取方法。该方法通过对原图像进行子模式分块处理,能有效提取图像的局部特征,减少表情、光照变化的影响,通过把相同位置的子图像组成子样本集,合理利用了子块间的空间关系,进一步提高了识别率;同时,对各个子样本集分别利用行方向二维线性判别分析(2DLDA)和列方向扩展2DLDA(E2DLDA)进行特征抽取,得到互补的行、列方向子图像特征,并分别把子图像特征组合成原图像的特征矩阵,然后利用一种特征融合方法对行、列方向特征矩阵进行有效融合,对互补的特征空间进行融合有效地改善了识别性能;最后采用最近邻分类器进行人脸识别实验。在Yale及ORL人脸库上的实验结果表明,Sp-RC2DLDA有效地减少了表情和光照变化的影响,具有较好的鲁棒性。

二维Fisher线性判别中子模式性能的一种评价方法

针对二维Fisher线性判别(2DFLD)方法中传统子模式选取方法计算量大、十分耗时的问题,结合影响2DFLD方法识别结果的两个主要因素——样本在投影空间的离散程度和子模式之间的相似度,提出了一种子模式性能的评价方法。首先设计子模式的构成方式;接着依据该评价方法计算各个子模式的性能指标;最后选出较优的子模式。在人耳图库、ORL人脸图库及虹膜图库上的实验结果表明,该评价方法能有效地选取较优子模式,并能够将计算时间缩短为常规子模式选择方法的近1/4,是一种有效的子模式性能评价方法。

基于改进的双向二维线性判别分析的人脸识别

针对传统的二维线性判别方法提取出的人脸特征系数维数大的问题,提出一个改进的双向二维线性判别分析方法GB2DLDA。双向压缩类内和类间散布矩阵,用压缩后的散布矩阵构成两个Fisher鉴别准则函数,求出两个投影矩阵,然后人脸图像矩阵向投影矩阵投影,提取出特征系数。实验证明在相同识别率下,用此方法提取的特征系数维数明显少于其它二维线性判别分析方法。在选择合适的特征向量的情况下,此方法的识别率要好于其它二维线性判别分析方法。

二维线性大间距判别分析及其在步态识别中的应用

提出一种二维线性大间距判别分析(Two dimensional linear maximum margin discriminant analysis,2DLMMDA)的投影算法。该算法一方面采用了有效且稳定的大间距优化准则,引入了Laplacian矩阵,保持了特征矩阵的流形结构,且优化域为Laplacian类间散度与Laplacian类内散度之差,能克服Fisher准则带来的小样本问题;另一方面,采用了具有监督信息的判别分析,大大地提高了识别率。为了验证所提出的算法对特征提取的有效性,选择最近邻分类器进行特征分类,最后通过在CASIA(B)步态库上实验。实验结果表明,文中提出的算法具有更高的识别率和识别速度。

改进的双边二维线性判别分析的手背静脉识别

针对双边二维线性判别分析(B2D-LDA:Bilateral Two-Dimensional Linear Discriminant Analysis)方法中多类类别均值和总体均值接近时难以分类的问题,提出了一种改进的B2D-LDA(MB2D-LDA:Modified B2D-LDA)方法,并将其运用到手背静脉特征提取中。重新定义了类间离散度矩阵,融入了每两类类间的距离,当类别均值与总体均值接近时,则用该类和其他各类类间距离组成离散度矩阵。采用基于欧氏距离的最近邻分类器进行匹配识别。结果表明,在不增加识别时间的情况下,MB2D-LDA平均识别率比B2D-LDA高2%,证明了该算法的有效性。

如何正确运用χ^(2)检验——两种单向有序二维列联表资料线性趋势χ^(2)检验

本文目的是介绍两种单向有序二维列联表资料线性趋势χ^(2)检验以及SAS与R软件实现的方法。两种单向有序二维列联表是指原因变量为R值有序变量的"R×2列联表"和结果变量为C值有序变量的"2×C列联表",对它们进行线性趋势检验分别需要采用Cochran-Armitage’s线性趋势χ^(2)检验和Lee’s线性趋势χ^(2)检验。

基于二维复判别分析的人脸识别研究

为了提高人脸正确识别率和效率,在行列方向的二维线性判别分析((2D)2LDA)基础之上,提出了一种二维复判别分析(2DCCDA)的人脸识别方法。该方法通过(2D)2LDA并行提取到的行和列特征矩阵,利用复二维鉴别式分析(C2DLDA)将行和列特征融合成复数特征矩阵,从复数特征矩阵中提取出最具分类能力的系数组成特征向量。相比较二维线性判别分析(2DLDA)和(2D)2LDA方法,2DCCDA需要更少的特征系数来表征一幅图像,并且正确识别率也相应提高。

基于核方法的二维线性判决分析的人脸识别算法

针对基于二维线性判决分析的人脸识别算法中缺少非线性判决信息的问题,提出了一种改进的基于核方法的二维线性判决分析的人脸识别算法。实验结果表明,改进后的算法相对原算法具有更好的识别效果。在此基础上研究了在使用多项式核函数时本文算法的性能,得出了在选用低次数多项式核函数时识别率较高的结论。

RC结构二维非线性有限元分析模型的探讨

由于钢筋混凝土结构组成材料的特殊性,在有限元分析过程中,材料本构模型特别是混凝土的材料模型对分析结果的合理性和准确性有很大的影响。对RC结构的二维有限元分析(2D-FEA)的钢筋、混凝土的材料本构模型的合理选取进行了探讨,通过RC平板和单层剪力墙的二维非线性有限元分析,分析结果与试验结果符合较好,得出文中所探讨的材料本构模型能较好地模拟RC结构的非线性特性。

2+1维非线性KDV方程组的单行波解分类

应用多项式的完全判别系统,以分类的形式给出2+1维非线性KDV方程组的单行波解,这个方法能够获得方程组的全部精确解,其中一部分是新解。同时通过赋予方程中参数具体数值,构造出单行波解的具体结构和波形图。

近红外二维相关光谱的掺和大米判别

随着经济水平的提升人们对大米品质要求越来越高,由于不同大米品种之间价格差异也较大,致使不少商贩以劣充优谋取利益,有的掺和比例高达30%以上,这种行为严重损害了消费者利益。大米作为一种碳水化合物直接通过一维近红外光谱信息不易区分掺和米,目前诸多研究集中在基于一维光谱的化学计量学判别模型建立。二维相关光谱具有高分辨率、解析峰的归属等优点,可以挖掘出掺和米在一维光谱中隐藏的有效信息。以五常大米作为研究对象,选取难以用肉眼分辨的六种大米为掺入米,分别制备5%~50%的不同掺和比例大米样品140个。以五常大米近红外光谱的平均光谱作为参考谱,掺和比例作为外部扰动因数,将掺和米光谱和五常米光谱分别与参考谱进行二维相关运算,通过解析不同掺和比例大米二维相关同步谱特性发现自相关谱1420和1920 nm两处自动峰值与同步谱(1420,1920)nm和(1920,1420)nm处交叉峰值强度均随掺和比例增加呈递增趋势,其中1920 nm自动峰值对掺和比例响应最显著。通过对自相关谱1420和1920 nm两处自动峰产生机制的追溯并分析对应官能团归属,发现大米中直链淀粉对掺和比例响应程度高于蛋白质及其他碳水化合物。分别以五常大米同步谱中1420和1920 nm处自动峰值和(1920,1420)nm处交叉峰值的最大值作为判别阈值,对140个大米样品进行了判别试验。结果显示,基于1920 nm自动峰值的判别效果最佳正确率达93.3%,掺和比例20%及以上掺和米样品判别正确率为100%,随着掺和比例降低判别正确率也逐渐下降,掺和比例15%,10%和5%样品判别正确率分别为91.7%,66%和75%。综上所述,以掺和比例作为外部干扰因数解析不同掺和比例的大米二维同步谱特性,通过特征峰值的差异可以简单有效区分掺和米,与以往近红外判别模式相比不需要准备大量样品来训练模型,为快速鉴别掺和大米提供一种新思路。

二维线性系统的干扰解耦

本文从频域角度出发讨论了二维线性系统通过静态状态反馈实现抗干扰的条件,给出了反馈阵的算法.这算法容易在计算机上实现.

判断非线性二维自治系统奇点类型的方法

本文首先把二维非线性自治微分方程组的右函数在奇点展开 ,进而求出非线性微分方程组的线性近似方程 。