矩阵数据基于鲁棒主成分分析的距离加权判别分析

距离加权判别(DWD)是一种已被广泛应用的矩阵数据分类模型,当数据中存在严重的噪声污染时,该模型的性能会明显下降。鲁棒主成分分析(RPCA)因具备分离数据矩阵低秩结构和稀疏部分的特性已成为解决该问题的有效手段之一。因此,提出一种矩阵数据鲁棒距离加权判别(RDWD-2D)模型。特别地,该模型以有监督的方式对数据矩阵进行鲁棒主成分分析,并同步实现干净数据的恢复与分类。在MNIST和COIL20数据集上的实验结果表明,针对有噪声污染或数据缺失的矩阵数据,与DWD-2D、RPCA+DWD等模型相比,RDWD-2D模型有最好的数据恢复能力和最高的分类准确率;同时RDWD-2D模型对于数据污染度也有较好的鲁棒性。

基于步态能量图像和2维主成分分析的步态识别方法

为了快速有效地进行步态识别，针对步态能量图像能够表征步态信息和2维主成分分析能快速降维的特点，提出了一种基于步态能量图像和2维主成分分析的步态识别方法。该方法首先应用背景减除法分割出人体轮廓；然后通过人体宽高比的相关信号确定运动周期，再对二值周期序列进行步态能量图像（GEI）合成；最后运用行列相结合的2维主成分分析（（2D）2PCA）方法与加权的2维主成分分析（W（2D）2PCA）方法提取特征主向量，并采用最近邻分类器进行分类。实验结果表明，该步态识别方法可以有效降低前期处理对分类识别的影响，而且对于3种不同行走状态的CASIA数据库中多个视角下拍摄的步态图像可取得很好的识别效果。

船舶冲击环境网络预报的参数主成分分析方法

针对由于船舶水下爆炸冲击的强非线性特征引起的在利用神经网络进行冲击环境预报时精度不高的问题,本文采用一种基于主成分分析的方法对网络模型的输入参数作降维处理从而提高精度。利用矩阵特征值提取和矩阵变换,通过主成分分析方法以及因子分析对原始数据样本进行数据降维处理,再选择适应的网络对冲击谱值进行快速预报。实验结果表明:主成分选取主要参考特征值的大小及下降趋势,保留陡降段的特征值,并分析过渡段特征值的取舍;同时验证了对参数实施去相关处理和降维处理可以明显改善神经网络的预报准确性。

基于主成分分析的DBSCAN分类差分进化算法改进

差分进化算法(DE)是一类基于种群搜索最优解的全局优化算法,具有收敛速度快、算法简单易懂、参数数量少和稳定性高等特点。但DE算法的性能在很大程度上取决于参数值的设置、个体突变的方向和距离。考虑到不同的种群密度对参数的需求不同,采用主成分分析技术将30或50维的数据降到2维;再采用DBSCAN算法,依据邻域半径和最小邻域数将2维数据分类为簇,通过簇的数量判断种群整体密度和个体之间的差异度,并在不同取值范围内生成合适的变异因子和交叉因子,以此来满足不同种群的进化需求。通过基准函数测试集和多个检验方法验证,证明了所提方法的寻优能力和鲁棒性均优于另外5种先进算法。

增强鲁棒主成分分析算法

主成分分析(Principal Component Analysis,PCA)能够实现对高维数据的快速降维以提取高维数据的关键特征,有助于克服“维数灾难”难题。然而,现有PCA方法难以有效处理带噪数据,基于低维表示的PCA方法存在去噪效果差等问题,而基于低秩表示的PCA方法虽然能够移除噪声干扰,但不能学习投影矩阵,在处理新样本时需要进行低秩分解,存在样本外难题。为解决上述难题,提出了集成低维PCA和低秩PCA的增强鲁棒PCA算法(Enhanced Robust Principal Component Analysis,ERPCA),通过自适应地对含噪样本和干净样本分配不同的权重,选择出干净样本进行训练,减弱噪声样本对投影方向求解的影响,提高ERPCA的鲁棒性和去噪效果。最后,通过在多个常用人脸数据集上进行实验,证明了所提算法的正确性和有效性。

基于增强的2维主成分分析的特征提取方法及其在人脸识别中的应用

为了对图像进行最优压缩,提出了两步2维主成分分析方法进行特征提取,称为增强的2维主成分分析。增强的2维主成分分析首先对图像进行行方向的2维主成分分析,再进行列方向的2维主成分分析。增强的2维主成分分析对图像进行了行方向和列方向的压缩,因此增强的2维主成分分析比2维主成分分析需要更少的系数来表示图像,需要更少的存储空间和分类时间。在ORL和FERET人脸库上的实验证明了该方法的有效性。

基于主成分分析法的广东省区域物流能力影响因素研究

本文设立了广东省各城市的区域物流能力影响因素评价指标体系,运用SPSS软件结合该模型通过降维分析进行主成分分析,找出当地物流发展所存在的问题,并提出一些具有实操性的改进建议,期望通过该研究分析能够为当地物流产业的规划和人才的培养提供一些有价值的参考。0.引言广东省大型外海港口城市众多,在现代物流业发展上拥有得天独厚的天然优势,且如今广东省物流业发展迅速,区域物流呈稳定高速发展态势,因而选择该区域研究。本文从广东省21个市中按13个地方性指标,用SPSS对数据进行了处理,然后用主成分分析对数据降维,筛选变量.

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。

一种局部加权的二维主成分分析算法及其在人脸识别中的应用

提出了一种将局部特征加权与二维主成分分析相结合的局部加权的二维主成分分析方法.引入了二维局部加权特征子空间的概念,将各类样本映射到这个局部加权特征子空间,再通过计算测试样本到加权子空间的距离进行样本的分类.使用这种方法在ORL人脸库上进行测试,结果表明,经过局部特征加权的二维主成分分析方法比普通的二维主成分分析方法具有更优的性能,并且在提高识别率的同时算法的复杂程度并没有明显增加.

基于特征加权模块双方向二维主成分分析的人脸识别

对模块双方向二维主成分分析(Two-directional two-dimensional principal component analysis,(2D)2PCA)人脸识别算法进行了改进,提出了基于特征加权模块(2D)2PCA的人脸识别算法。首先对图像进行分块及(2D)2PCA特征提取。然后依据每一子图像块的特征对识别的贡献程度分配特征权重。最后对测试样本采用加权距离进行最近邻分类。该算法无需任何先验知识,依据子图像块在特征空间中的信息比重确定其贡献程度,从而实现自适应权重分配。试验结果表明:本文算法能够有效地提高人脸识别的正确率。

基于主成分分析的圆角截面薄壁梁一维高阶动力学建模方法

基于一维高阶理论和模式识别算法,建立了考虑圆角截面特征的薄壁梁精细动力学模型,能够准确预测其三维动力学行为。构建基于离散薄壁截面基函数的一维高阶初始模型,通过求解控制微分方程相关的广义特征值问题解耦各广义坐标的轴向变化模式。构建广义特征矩阵并基于主成分分析算法获取基函数权值组合,用于重组具有明确物理意义的截面特征形变组合。为进一步降低模型自由度,根据精度需求按优先级顺序选取截面特征形变组合,构建改进的一维高阶模型用于工程计算。数值计算结果表明,与二维板壳模型相比,该改进模型能够以前者1%的单元数准确预测圆角截面薄壁梁动力学特性及瞬态动力学行为,前15阶频率误差在1.4%以内,且能够广泛适用于长细比4以上的薄壁结构。

基于“社-校-家-生”四维的大学生学业预警影响因素相关性分析——以安徽中医药大学中西医临床医学专业为例

通过回归分析探讨“社-校-家-生”四维影响因素对学业预警机制的相关性,对安徽中医药大学中西医临床医学专业的421名学生展开调研,采用主成分分析法,建立多因素回归分析模型。建立模型后,发现其中影响最大的五方面因素分别是家庭、课外活动、学习基础、人际关系、就业情况。其中,重要性分析中,父母最高文化水平、生活费/月、挂科数目、户籍所在地、担任班委、辅导员联系家长情况排序前六。通过对四维因素进行逐步回归分析与交互分析,发现对学业预警影响最为显著的为家庭因素和学校因素,且两者不存在交互关系。基于回归分析结果显示对学业成绩影响的主要因素为家庭因素、学校因素,其中家庭维度方面主要是生活费/月、户籍所在地起主要作用,与学业成绩呈负相关,学校维度层面主要是辅导员与家长的联系情况以及相关制度的制定与开展影响较大,与学业成绩呈正相关。

基于t类加权核函数的主成分分析维度约简算法

目前众多数据具有高维度特点,含有大量与类别标签无关的特征。直接应用机器学习方法对其进行分类,不仅会消耗大量的时间,而且难以获得较好的分类性能。针对该问题,文章提出一种基于加权核主成分分析(WKPCA)的维度约简算法,依据核矩阵特征值构造核函数权重,将多个核函数进行组合加权,进而达到特征降维的目的;为了提高WKPCA的维度约简效率,构造了t类核函数并且给出了相应的理论证明;以支持向量机、随机森林和朴素贝叶斯为分类器,对6个真实的数据集进行试验分析,结果表明与全变量模型、线性主成分降维以及单个核函数降维相比,WKPCA维度约简算法可以有效提高目前主流机器学习方法的分类预测性能。

基于范数加权的二维主成分分析提取图像特征

为了能准确地进行图像特征提取,提出一种新的基于Nuclear范数与Frobenius范数加权的二维主成分分析(记为NF-2DPCA)方法。并利用来自于Yalefaces、AR数据库以及ORL人脸数据库中的数据,进行了图像面部识别和重建等相关实验,结果表明所提出的方法能够有效地提取图像特征,并且面部识别准确率最高能达到94.25%,进一步显示所提方法具有一定优越性。

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。

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。

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。

基于二维对称主成分分析的人脸识别

由于人脸姿态、光照和表情等各方面的显著差别,使人脸识别成为非常具有挑战性的模式识别问题。主成分分析是模式识别技术中经典的特征抽取和降维技术之一。本文把其改进算法二维对称主成分分析应用到人脸识别中。二维对称主成分分析与传统主成分分析和对称主成分分析相比,可以得到更好的适合分类的特征。实验结果表明,二维对称主成分分析不仅实现了降维,而且能取得比传统主成分分析和对称主成分分析更好的识别性能,对ORL标准人脸数据库的正确识别率达到94%以上。

用二维相关近红外谱和多维主成分分析判别掺杂牛奶

为了有效地提取牛奶中微量的掺杂物特征信息,提出了基于二维相关近红外光谱多维主成分分析(MPCA)和最小二乘支持向量机(LS-SVM)判别牛奶掺杂物的方法。首先,采集纯牛奶、掺杂尿素牛奶和掺杂三聚氰胺牛奶的一维近红外谱,并对其进行相关计算,构建各样品的二维相关近红外谱。然后,采用多维主成分分析法分析二维相关谱矩阵,压缩数据,提取相关谱的得分矩阵。最后,将提取的得分矩阵输入最小二乘支持向量机,分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶及两种掺杂牛奶与纯牛奶的LS-SVM判别模型。用所建模型对测试集未知样品进行了判别,结果显示其判别正确率分别为92.3%,96.2%,92.3%。研究结果表明:所提出的方法不仅有效提取了牛奶中掺杂物的特征信息,而且缩短了建模所需时间,取得了较好的判别效果。