电子电路的分块分析

本文讨论用拓扑和分块的方法求得大电子网络函数。将图分块后,用Coates图分析各子块并求得各子块的网络函数,用码表示;然后根据代码的特征将各子块合成,得到整个网络的输入与输出间的网络函数。

结构的分块分析方法

绪言任意的一个大型结构都可以分割为若干部分,即所谓子结构进行分析。这样一种物理上的构思,在数学上有一种分块矩阵的形式与之对应。本文讨论有关被分割结构的各种矩阵的分块和集合的各种分析方法,从中选用了“串联消去法”。利用这一方法,可以编制电子计算机程序(这方面从略)。本文还以手算的方法分析了一个简单结构的算例,以说明串联消去法的应用。

挡土墙抗滑验算的“分块”分析

根据极限平衡理论，将挡土墙和填土视为相互作用和依赖的系统。

分块PCA鉴别特征抽取能力的分析研究

基于主成分分析(Principal Component Analysis,PCA),本文提出了分块 PCA 人脸识别方法。分块 PCA 从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用 PCA 方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在 Yale 人脸数据库上测试了该方法的鉴别能力。实验的结果表明,分块 PCA 在识别性能上优于通常的 PCA 方法,也优于基于 Fisher 鉴别准则的鉴别分析方法:Fisherfaces 方法、F-S 方法、组合鉴别方法,识别率可以达到100%。

基于分块主成分分析的太行山猕猴面部相似性

2012年4～8月,在太行山猕猴国家级自然保护区济源管理局天坛山管护区(北纬35°05'～35°15',东经112°12'～112°22'),对太行山猕猴王屋1群(WW-1)内的3个母系单元(matrilineal unit)中大于(等于)3岁龄的26只个体进行面部拍照,获取其面部特写照片,进而利用分块主成分分析(modular principal component analysis,MPCA)法,对个体进行面部识别分析,旨在探讨个体间面部相似度与亲缘关系的相关性。结果表明:(1)太行山猕猴个体间的面部相似度与亲缘类型有关,母亲与大于3岁龄子代间的面部相似度为0.93±0.00,显著高于单元内(0.89±0.00)和单元间(0.84±0.01)的面部相似度;(2)太行山猕猴个体的面部特征随年龄增长而变化,4岁(含4岁)龄以上个体与母亲间的面部相似度较高(0.88～0.95),依此值可准确地识别母子关系。本研究采用量化方法对非人灵长类个体间面部相似度进行分析,发现太行山猕猴个体间的面部相似度与亲缘关系密切相关;研究结果可为非人灵长类的个体识别提供较为客观的手段和方法。

基于分块独立成分分析的人脸识别

提出分块独立成分分析的特征抽取方法,并成功应用于人脸识别。分块独立成分分析方法先对图像矩阵进行分块;然后对所有图像子块联合进行独立成分分析,构造特征空间;最后把图像所有的子块投影到特征空间提取特征进行分类识别。其特点是可以有效降低图像维数和有效提取图像局部特征。在YALE和FERET人脸库上的实验结果表明,提出的分块独立成分分析方法明显优于独立成分分析方法。

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。

基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析(MKPCA)的方法进行人脸识别,取得了很好的效果。

基于分块核主成分分析和支持向量机的故障检测

针对工业系统监测数据为非线性,且难以辨识复杂工作过程中故障位置的问题,提出一种基于分块核主成分分析(BKPCA)和最小二乘支持向量机(LS-SVM)的集成故障检测方法.首先对系统监测变量进行分块,使用KPCA对每个分块在特征空间中建立T2和平方预测误差(SPE)统计量来实时监测系统健康状态,并使用LS-SVM对上述过程检测出来的故障数据进行再次判断.随后计算出现故障后计算每一分块的故障贡献率,进而确定发生故障的分块.由于采用了并行分块算法,可以较简单的确定故障发生位置,提高计算效率,同时LS-SVM方法的应用也可以提升故障检测的精度.使用田纳西-伊斯曼化工(TE)过程数据对本文所提方法进行仿真验证,试验结果表明所提方法取得了较好效果.

基于分块主成分分析的人体运动合成

在高维运动数据处理中,传统降维方法过度关注于保护拓扑结构和重构信息,导致低维子空间参数具有不可理解性。针对该问题,提出一种基于分块主成分分析的运动合成方法。对根据人体骨骼结构特点分组的运动数据进行分块主成分分析,获得具有特定语义的低维子空间参数。以跳跃运动为例进行实验,结果表明,该方法通过直观地改变具有语义的运动参数,可实时合成满足要求的运动结果。

基于对称性特征分块主成分分析的人脸识别方法

为了进一步提高人脸识别的精度,考虑在分块主成分分析算法中引入对称性思想。首先对图像进行分块并分别求其奇偶对称脸,然后利用主成分分析算法提取图像的主要鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响,利用人脸图像的对称性增加了样本数量,以有效提高识别率。在ORL人脸库上的实验显示,在每类训练样本数为7、提取特征数为20的情况下,基于对称性特征的分块主成分分析方法的人脸识别率为95%,说明该方法是有效的。

行列分块的核独立成分分析的人脸识别方法

提出一种行列分块的核独立成分分析(RC-KICA)的人脸识别方法。RC-KICA先对人脸图像矩阵按行列分块;然后对训练样本集依次进行行和列的核独立成分分析,得到左右解混矩阵;最后把训练样本子块投影到解混矩阵构成的特征空间进行特征提取及分类识别。RC-KICA更大程度地降低了样本维数,更好地解决了KICA高维小样本的缺陷。在YALE人脸库上的实验结果表明RC-KICA优于KICA和B-KICA。

一种基于分块主成分分析的存储器容错方法研究

随着集成电路工艺水平提升,半导体器件尺寸越来越小,存储器更易受到周围环境的影响而导致数据存储故障。针对这一问题,该文提出了一种基于分块主成分分析的存储器容错方法。该方法应用分块主成分分析算法提取数据的主要特征,并对求取的特征数据作均值化处理,得到原始数据的最佳近似估计。该最佳近似估计可对数据中的任意故障做容错替换,使容错替换后的数据和原始数据的误差最小。实验结果表明,该方法可以使图片数据在0.003 5错误率的情况下仍保持峰值信噪比大于30 dB;与传统纠错码相比,执行时间缩短了约40%,内存消耗减少了约12%,获得了较好的容错效果。

基于分块双向二维主成分分析的步态识别

提出了一种基于步态能量图和分块双向二维主成分分析进行步态特征的算法。首先对图像序列预处理提取运动轮廓,通过分析区域分布直方图检测出运动周期,生成步态能量图描述步态的空间和时间特性,继而使用分块双向二维主成分提取步态特征用以分类,最后在USF步态数据库上测试,并与其它几个算法进行比较。实验结果显示,该方法有更高的识别率和更低的计算复杂度。

分块非参数特征分析在人脸识别中的应用

基于非参数特征分析NFA方法,提出了分块NFA算法,并将其应用到人脸识别上。分块NFA算法首先对图像矩阵进行分块,对分块得到的子图像矩阵再应用NFA进行图像特征提取。这样做有两个优点:(1)能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出;(2)与NFA相比,由于使用子图像矩阵,分块NFA可以避免使用奇异值分解理论,过程简便,并且克服了小样本问题。此外,NFA是分块NFA算法的特殊情况。在ORL和YALE数据库上进行的实验验证了本文所提方法要优于NFA算法。

基于分块二维线性鉴别分析的人脸识别

基于2DLDA方法,提出了一种基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点:分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明:该方法在识别性能上优于2DLDA方法。

H形桥梁断面颤振的流场驱动机理及气流能量分析

应用粒子图像测试技术(PIV)观测H形断面风致振动过程中模型表面的旋涡演化过程,采用相位平均的方法研究模型周期性振动与旋涡规律性演化之间的关系。结合计算流体动力学(CFD)的方法获得振动模型表面的压力场,并采用正交特征分解(POD)分析模型表面压力的模态特征函数,分析结果表明模型处于振动状态时的表面平均压力分布是不对称的,主要体现在上表面压力的分布是反对称的,下表面的压力是正对称的,平均压力的这种非对称分布产生了作用在结构的逆时针力矩,造成这种结构的气动稳定性相当差。根据POD分析结果对模型表面进行合理分区,利用分块分析的思想研究颤振过程气流能量输入特点。在一个周期内气流输入到H形断面的总能量具有波动变化的特点,当气流输入到系统的能量为正并且达到峰值后将持续较长时间,然后再缓慢降低,最后气流开始消耗系统能量。气流输入能量的这种波动变化特性决定了H形断面颤振前多表现为较长时间的大幅振动,而不是突然性的发散失稳。

典型桥梁断面风致振动的气动能量特征分析

通过风洞试验测试了单箱的颤振性能,基于流固松耦合的计算策略和动网格技术,应用计算流体动力学(CFD)的方法,模拟了单箱的颤振过程,并采用相位平均的方法研究了颤振临界状态下模型尾部旋涡的演化规律,研究结果表明模型尾部风嘴上下侧旋涡的交替作用对结构周期性振动产生较强的驱动作用。利用分块分析的思路研究颤振过程中气流能量在模型表面不同区域的输入特性,以及模型尾部旋涡的演化规律对模型表面气动力空间分布和气流能量输入特性的影响。分块分析的结果表明单箱发生颤振时将通过迎风端风嘴从气流中吸收大量的能量,并且在一个完整的振动周期内气流输入到振动系统的能量不断增加,造成单箱的颤振多为结构稳定性的突然丧失。

基于分块PCA的人脸识别

设计了一种基于分块主分量分析(Block-PCA)的人脸识别方案。预处理阶段,首先将一幅脸像按不同方位划分为大小相同的数个子块,对各子块进行能量归一化和傅氏变换,以消除部分光照影响并估算子块的频谱。在此基础上进行分块PCA,提取各子块主分量特征,再将子块的主分量特征整合为整体特征,最后采用最近邻判决准则进行分类识别。对ORL人脸数据库的实验结果表明所设计方案是有效的。

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。