基于增量式双向主成分分析的机器人感知学习方法研究

针对直观协方差无关增量式主成分分析算法(CCIPCA)需要满足零均值高斯分布的问题,该文提出含均值差向量更新的泛化CCIPCA算法(GCCIPCA),拓展了算法的适用范围。其次,针对机器人感知学习存在的在线增量计算及有效数据降维等问题,将GCCIPCA的增量思想引入到现有的双向主成分分析算法(BDPCA),提出基于增量式BDPCA(IBDPCA)的机器人感知学习方法。该方法直接针对图像矩阵行列方向的类散度矩阵进行迭代估计,具有一定的泛化能力和快速的增量学习能力,提高了实时处理速度。最后,以机器人待抓取物块作为感知对象进行实验,结果表明所提算法能够满足机器人感知学习的实时处理需求,相比现有的增量式主成分分析算法,在收敛率、分类识别率、计算时间及所需内存等性能方面均得到显著提升。

基于双向二维主成分分析的掌纹识别

掌纹识别是一门新兴的生物特征识别技术。使用主成分分析对图像向量进行处理,向量维数一般都很高。二维主成分分析是直接采用二维图像矩阵来构建方差矩阵,与一维主成分分析相比能更精确地计算原始数据的协方差矩阵,双向二维主成分分析是二维主成分分析的改进算法,将其应用于掌纹识别,通过在水平和垂直2个方向上各执行1次二维主成分分析运算,消除了掌纹图像行和列的相关性,运用新准则选取了更适合于分类的主分量,大大压缩了特征的维数。在香港Poly-technic University的Palmprint Database测试结果表明,该方法具有更高的识别率和更低的计算复杂度。

基于双向二维主成分分析的运动目标跟踪

为克服二维主成分分析(2DPCA)跟踪效率低的缺点,提出一种基于双向二维主成分分析(Bi-2DPCA)的运动目标跟踪算法。采用双向二维主成分分析作为目标表示的方法建立目标图像子空间,同时在图像均值与协方差矩阵的更新中引入基于目标图像匹配程度的自适应增量因子的增量学习的方法进一步提高算法效率。在多个包含动态背景的图像序列上的对比实验结果表明算法能在目标处于部分遮挡的情况下准确跟踪目标,同时算法在效率上高于基于二维主成分分析的目标跟踪算法。

分块双向二维主成分分析与模糊分类的掌纹识别

掌纹识别是一门新兴的生物特征识别技术。提出基于分块双向二维主成分分析(M(2D)2PCA)和模糊分类的掌纹识别方法。该算法利用M(2D)2PCA提取掌纹的局部特征,并利用模糊分类策略。这种方法可以有效提取掌纹的局部特征,并且直接对子图像矩阵进行特征抽取,能够精确计算协方差矩阵的特征向量;分类阶段引入模糊理论,应用于掌纹识别问题。最后使用北京交通大学掌纹数据库进行识别实验,结果表明,该方法可得到更高的识别率和更少的识别时间。

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。

基于双向主成分分析和压缩感知的人脸识别算法

提出了一种双向主成分分析(BD-PCA)与基于光滑l0范数(SL0)相结合的人脸识别算法(BP-SL0)。首先利用BD-PCA对所有的训练图像降维,然后将降维后的人脸图像按列拉伸成一个向量,并将其组成字典矩阵,同时对待测试图像进行相同处理,最终通过SL0算法求解优化问题。实验结果表明,该算法获得了较高的识别率和重建效果,且效果优于单独使用BD-PCA和SL0算法。

基于离散广义S变换与双向二维主成分分析的内燃机故障诊断

针对内燃机气阀机构的故障诊断问题,提出一种将离散广义S变换和双向二维主成分分析(TD-2DPCA)相结合的诊断方法。该方法首先利用离散广义S变换将内燃机缸盖振动信号生成振动谱图像,然后利用TD-2DPCA对图像进行特征提取,有效减小特征系数矩阵的维数,最后,通过最近邻分类器进行分类识别。将该方法应用于内燃机气阀机构8种工况的诊断实例中,对比不同时频表征及特征提取方法的计算效率和识别精度,结果表明该方法可为内燃机故障诊断提供一条新途径。

基于稀疏化双向二维主成分分析的人脸识别

双向二维主成分分析((2D)2PCA)易受异常值影响,鲁棒性差,且所提取的特征向量是非稀疏的。针对上述不足,提出基于L1范数的稀疏双向二维主成分分析方法(2D)2PCA-L1S。在(2D)2PCA目标函数中加入L1范数约束,以提高算法的抗干扰能力,同时引入弹性网约束,通过Lasso与Ridge惩罚函数实现稀疏性。在Feret和Yale数据库中进行基于最近邻的人脸分类、人脸重构和基于粒子群优化SVM参数的人脸识别实验,结果表明,相较于2DPCA、(2D)2PCA、(2D)2PCA-L1等主成分分析方法,该方法能准确提取人脸主要信息,人脸识别和人脸重构效果较好。

基于分块双向二维主成分分析的人脸目标识别

人脸目标识别是目前模式识别、计算机视觉等领域的研究热点问题之一,现有的大多数人脸目标识别算法的条件假设都较为严格,将其应用于现实环境中时,人脸识别的精度较低。针对现实人脸识别中由于光照、表情、姿态或其他物体引起的面部遮挡而严重影响识别率的问题,提出了一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间;然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别;最后,根据所有子块所属类别的置信度之和完成人脸分类。在两个人脸识别数据库上的实验结果表明,相比其他几种人脸识别算法,该方法取得了更高的识别精度。

捻度配置对双向包覆纱性能的影响及优化

为了纺制兼具回弹性和导电性的包覆纱,探讨捻度配置对包覆纱强伸性能和回弹性能的影响。以氨纶、不锈钢丝、棉股线为原料,基于空心锭包缠纺设备,纺制以氨纶为纱芯、不锈钢丝为第一外包覆层、棉股线为第二外包覆层的双向包覆纱。重点分析包缠捻度、外内捻度比等工艺参数对双向包覆纱的强伸性能、回弹性能的影响,利用主成分分析法对试验结果进行综合评判。结果表明:包缠捻度和外内捻度比对双向包覆纱强伸性能影响显著。在设定范围内,当包缠捻度800捻/m、外内捻度比1.0时,双向包覆纱综合质量较优。双向包覆纱在拉伸态下具有优良的导电特性,拓展了其在柔性可拉伸导线和柔弹电加热器件领域的应用范畴。认为:纺制兼具回弹性和导电性的双向包覆纱时,捻度配置是关键参数。

基于KPCA-IPOA-BiGRU的联合循环余热锅炉主蒸汽参数预测

余热锅炉主蒸汽参数对于联合循环机组的健康运行判断至关重要。针对余热锅炉运行参数非线性和时延性导致主蒸汽参数预测精度低的问题,提出了一种联合循环余热锅炉主蒸汽参数预测模型。首先,采集燃机电厂的SIS运行数据,通过灰色相关性分析法确定输入变量;其次,通过核主成分分析(kernel principal component analysis,KPCA)提取输入参数的特征信息,并根据主成分贡献率选取输入维度;最后,利用改进的鹈鹕优化算法(improved pelican optimization algorithm,IPOA)优化双向门控循环神经网络(bi-directional gated recirculation neural network,BiGRU),并构建KPCA-IPOA-BiGRU进行三压余热锅炉主蒸汽参数的预测测验。结果表明,现场采集的10000组数据点,其中8000组用作训练集,2000组用作测试集,提出的模型将28维输入参数降低至8维,可准确预测3个压力级的蒸汽参数,且R2均大于98%,为预测时延性的联合循环余热锅炉主蒸汽参数提供了技术支持。

一种改进的BDPCA掌纹识别方法

在小样本的情况下,BDPCA算法中采用以训练样本的平均值作为样本分布中心,所得的特征值不一定是最优的。为此,提出了一种基于样本散度矩阵的改进BDPCA掌纹识别算法。该算法采用训练样本的K值矩阵替代训练样本的均值矩阵,构建相应的总体散度矩阵。在PolyU和CASIA掌纹库上的实验结果证明,该方法的最优识别率高于传统的BDPCA算法。

基于2DGabor小波与BDPCA的掌纹识别

提出一种解决双向主成分分析(BDPCA)中小样本问题的掌纹识别方法。把掌纹感兴趣区域图像经过2DGabor小波变换后得到的每个图像都作为独立的样本,以增加每一类掌纹的样本数。设计一种基于样本散度矩阵的改进BDPCA算法进行特征提取。采用训练样本的k值矩阵代替训练样本的平均值矩阵,从而获得最优投影矩阵。将2DGabor与改进的BDPCA算法相结合进行掌纹识别。在PolyU掌纹库中的实验结果表明,该方法不仅减少了不同训练样本对识别率的影响,而且能够提高识别率,甚至当每类训练样本数仅为1时,也能得到较高的识别率,有效解决了掌纹识别的小样本问题。

基于模糊理论决策的双向二维PCA步态识别算法

针对步态识别中的平均步态能量图像系数矩阵维数过高和分类较困难的特点,提出一种基于模糊理论决策分类的双向二维主成分分析的步态识别算法。通过预处理技术得到平均步态能量图并将得到的图像分割为多个子图像,利用双向二维主成分分析来降低平均步态能量子图像的系数矩阵维数,加快识别速度。引入模糊理论决策的方法进行最近邻分类器的分类。最后在CASIA步态数据库上对所提出的算法进行实验,实验结果表明该算法具有较好的识别性能并有较强的鲁棒性。

基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。

分块双向2DPCA融合局部特征的人脸识别

针对(2D)2PCA无法保存某些重要局部特征的问题,提出了一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间;然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别。最后,根据所有子块所属类别的置信度之和完成人脸分类。在四个人脸识别数据库上的实验结果表明,相比其它几种人脸识别算法,所提方法取得了更高的识别精度。

分块双向2DPCA融合局部特征的人脸识别

针对(2D)2PCA无法保存某些重要局部特征的问题,提出一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间。然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别。最后,根据所有子块所属类别的置信度之和完成人脸分类。在四个人脸识别数据库上的实验结果表明,相比其他几种人脸识别算法,该方法取得了更高的识别精度。

绿汁江下段天然灌草丛群落分布格局及环境关系分析

【目的】研究绿汁江下游区域天然灌草丛群落在同一地理单元中的分布格局与环境变化规律,探索群落分布形成机制,找到干热河谷地区生态系统整体性修复的重要挟点,提出系统修复和综合治理办法。【方法】运用双向指示种分析法(TWINSPAN)和主成分分析(PCA),以峨山县绿汁江下段灌草丛群落森林资源调查数据为依据,研究植被分类并分析环境关系。【结果】TWINSPAN数量分类方法显示:854个图斑可划分为19个群丛组65个群丛。PCA排序结果显示:第1轴呈现了土层厚度、雨水截留量、保水能力的变化,第2轴呈现了干热方向的变化。垂直气候梯度灌草丛的丰富度从大到小依次为高原面亚热带、干热河谷带、中山南温带。各垂直气候带中都具有典型指示类型。干扰强度大的地区形成了以华西小石积Osteomeles schwerinae、山矾Symplocos sumuntia、萌生栎Quercus spp.、杜鹃Rhododendron simsii灌草丛为主的分布格局。【结论】生境过滤和人为干扰是灌草丛群落分布格局的主要形成机制。通过分析同一地理单元的天然灌草丛群落分布,可了解种群生态幅度和最适生存区。参照群丛组与环境关联关系可判断生态系统中物种所受到的主要生态胁迫。图3表5参34。

基于KPCA-CNN-DBiGRU模型的短期负荷预测方法

本文针对已有神经网络模型在短期负荷预测中输入维度过高、预测误差较大等问题,提出了一种结合核主成分分析、卷积神经网络和深度双向门控循环单元的短期负荷预测方法。先运用核主成分分析法对原始高维输入变量进行降维,再通过卷积深度双向门控循环单元网络模型进行负荷预测。以第九届全国电工数学建模竞赛试题A题中的负荷数据作为实际算例,结果表明所提方法较降维之前预测误差大大降低,与已有预测方法相比也有大幅的误差降低。

喀斯特峰丛洼地小流域残存植物群落格局分析

为探究毕节撒拉溪喀斯特峰丛洼地小流域残存植物群落格局分布,采用双指示种分析法与主成分分析相结合的方法对该流域内10个样方植物群落进行划分及分析。结果表明:该研究区内分布有植物33科47属61种,科属构成上以蔷薇科、杜鹃花科为优势科,以栒子属、杜鹃花属为优势属,且单种科和单种属占比较大,也是该区域物种重要组成部分。依据TWINSPAN分类法划分该流域内10个样方植物群落,可划分为3个群丛,分别为Ⅰ(化香加云贵鹅耳枥群丛)、Ⅱ(光皮桦加响叶杨群丛)、Ⅲ(白栎加华山松群丛)。依据主成分分析可将10个样方植物群落划分为云贵鹅耳枥群落、杜鹃群落、华山松群落3种群落类型,该区内植物群落以喜阳和深根性种类为主,在该生境中具有更强的适应性。