基于加权主元分析(WPCA)的人脸识别

将特征加权和主元分析相结合,提出了一种新的加权主元分析方法;这种方法先根据加权重建误差最小化,计算出各类训练样本的加权子空间,然后计算测试样本点到各加权子空间的距离,并根据该距离进行分类识别。最后,通过对剑桥ORL数据库进行的试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率。

加权主元分析在统计互连寄生参数提取中的应用

针对随机工艺变动引起的统计寄生参数提取问题,采用Hermite多项式配置法提出加权主元分析技术来对随机变量进行消减,以减少独立变量数目,提高计算效率.在此基础上,利用并行计算技术,进一步减少统计寄生参数提取的运行时间.数值实验结果表明,相对于普通的主元分析,采用文中的加权主元分析能在同等精度情况下使寄生参数提取速度提高几倍至几十倍,而在含8个CPU计算机上的并行计算也取得了6.7倍的加速比.

基于双向二维加权主元分析的人脸表情识别

提出了一种双向二维加权主元分析方法用于人脸表情特征提取,该方法从水平和垂直两个方向对图像矩阵进行降维处理,大幅降低了所提取的特征数目;且考虑到人脸不同部位包含不同的表情信息这一特点,对各个特征赋予不同的权重系数。实验证明,与已有的二维主元分析相比较,该方法不但运算速度快,且获得了更高的识别率。

基于加权差分主元分析的化工过程故障检测

针对工业生产过程的多模态和非线性特性,提出了一种新的基于加权差分主元分析的故障检测算法。首先选取原始数据样本的最近邻xf以及xf的前k个近邻,分别计算出xf的前j个近邻样本的均值mj和权值wj,利用加权差分的方法对原始数据进行预处理,剔除多模态和非线性特征;然后利用主元分析法(PCA)计算出负载矩阵P以及SPE和T2检测指标的控制限,建立PCA模型;最后将待检测数据运用加权差分法预处理后投影到PCA模型上计算检测指标,通过检测指标是否超过控制限进行故障检测。将该方法应用于数值例子和半导体生产过程来验证其有效性。

基于灰度加权及主元分析的图像人脸偏转校正

在基于坐标的基础上提出基于灰度的主元分析算法，应用于图像人脸偏转角度的检测，实现了图像人脸定位过程中人脸偏转的校正。进行实验比较。

一种特征融合算法的表情识别

对人脸表情图像进行分割得到眉区、眼区和嘴部区域,再对分割出来的表情区域利用高维局部自相关(HLAC)计算特征并得到加权的特征向量,其中加权系数根据心理学中的FACS表情测量理论选取,最后利用近邻中心距离分类器进行表情识别。实验基于CMU-PITTSBURGH表情图像库,在没有增大计算量的前提下相比PCA方法,特征融合(HLAC+WPCA)的方法显著地提高了表情的识别率。

基于CMM的EWPCA故障诊断可靠性的研究

软件度量是软件项目管理的关键技术,它是对软件开发项目、过程及其产品进行数据定义、收集以及分析的持续性定量化过程。利用度量可控制和改进软件过程,在介绍度量基本理论与相关知识的基础上重点分析了对软件过程的度量,并设计完成了软件过程度量系统,根据统计过程控制思想以及能力成熟度模型(CMM)的过程评估标准,把指数加权主元分析方法应用于故障诊断的可靠性进行分析,取得了良好的效果。

基于WEKPCA与深度学习的短期电力负荷预测

电力系统负荷预测是实现电力系统安全、经济运行的基础,文章分析了电力系统负荷构成与变化特征,利用深度学习算法对负荷曲线进行预测。针对核主元分析(Kernel Principal Component Analysis,KPCA)处理非线性问题存在对干扰点敏感和特征个数受参数影响较大等缺点,提出一种加权核主元分析法(Weight Equation Kernel Principal Component Analysis,WEKPCA)。该方法对每个样本点进行加权梳理,利用径向基函数构建特征空间中的重构误差,使新构建的投影矩阵能够更好地反映样本信息。然后以不同的历史负荷数据进行主元特征提取,利用深度学习算法对日负荷曲线进行预测。通过仿真分析,验证了WEKPCA相较原算法具有更好的鲁棒性和稀疏性。