基于多线性独立成分分析的掌纹识别

为快速有效地在掌纹识别中学习多种因素的高阶统计独立成分,利用多线性独立成分分析方法对掌纹张量进行降维,得到低维的模式矩阵,将掌纹图像向模式矩阵上投影以提取核心张量,通过计算核心张量间的余弦距离实现掌纹匹配。基于PolyU掌纹图像库的实验结果表明,与主成分分析(PCA)、二维PCA、独立成分分析和多线性PCA相比,该方法的识别率最高,且满足系统实时性要求。

基于多线性主元分析和FLD的掌纹识别

为了减少高维对计算成本的影响,同时提取有利于分类的判别特征,提出运用多线性主元分析(MP-CA)与FLD相结合的方法进行掌纹识别。运用MPCA直接对掌纹张量进行降维和特征提取,低维特征向量作为FLD的输入,提取判别特征向量,计算特征向量间的余弦距离进行掌纹匹配。PolyU掌纹图像库的实验结果表明,与主元分析(PCA)、PCA+FLD、二维主元分析(2DPCA)、独立元分析(ICA)和MPCA相比,该算法的识别率(RR)最高为99.91%,特征提取和匹配总时间为0.398s,满足实时系统的要求。

多线性鲁棒主成分分析

鲁棒主成分分析(RPCA)是恢复低秩与稀疏成分的一种非常有效的方法.本文将RPCA推广到张量情形,提出了多线性鲁棒主成分分析(MRPCA)框架.首先建立了MRPCA模型,即最小化张量核范数与l1范数的加权组合.然后使用增广拉格朗日乘子法求解上述张量核范数优化问题.实验结果证实:对于具有多线性结构的数据,MRPCA比RPCA更加鲁棒.

多线性主成分分析和张量分析的SAR图像目标识别

为了提高合成孔径雷达图像目标识别效果,提出一种基于多线性主成分分析和张量分析的合成孔径雷达图像目标识别方法。该方法首先构建四阶张量训练样本,利用多线性主成分分析得到多线性投影矩阵;再通过投影矩阵构建核心张量,对核心张量进行线性判别分析;最后对测试样本分类识别。实验中,将本文提出的多线性主成分分析和张量分析方法在MSTAR公共数据库上进行识别实验,并与主成分分析和二维主成分分析方法进行识别率比较。实验结果表明,本文方法有效保留了图像的空间结构信息,提高了目标正确识别率。

基于非相关多线性主成分分析的人脸识别算法

针对在人脸识别算法中,维数的增加往往会给算法的运算带来沉重负担的问题,提出了一种新的基于非相关多线性主成分分析(UMPCA)和线性判别分析(LDA)的人脸识别算法,算法在保证在降维的时候保留尽可能多的内部结构信息。UMPCA通过一张量至向量的过程,可直接获取原张量数据的绝大部分非相关特征,提取的特征再通过经典算法LDA处理。利用AT&T人脸数据库对该算法进行了实验,实验数据分析显示该算法优于其他同类算法。

多线性主元分析的应用与研究

为了减少计算量和信息丢失,提出一种运用多线性主元分析(Multilinear PCA)进行间歇过程故障诊断的新方法。首先运用Multilinear PCA直接对间歇过程三维数据进行降维,得到低维的投影向量。然后所有批次向投影向量上投影得到得分向量,计算SPE统计指标控制限,建立Multilinear PCA模型。建立Multilinear PCA模型后,计算新批次的得分向量和SPE(Squared Prediction Error)统计指标,根据统计指标是否超限监视生产过程的运行。最后,在检测出故障之后,采用SPE贡献图诊断故障原因。仿真实例表明:与多向主元分析法MPCA相比(Muhiway Principal Component Analysis)。Multilinear PCA提高了过程性能监视和故障诊断的准确性,较早地发现过程异常。

改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用

针对实测滚动轴承振动信号通常存在噪声干扰,具有非线性和非平稳特性,而多线性主成分分析网络(MPCAnet)在处理复杂非平稳数据时存在非线性拟合能力差、特征聚类性一般的问题,通过引入核变换,提出了一种改进的多线性主成分分析网络,增大了训练样本间的差异度,进一步提高了MPCAnet在处理非线性数据时的泛化能力和分类精度。通过不同滚动轴承故障诊断数据集对该方法进行验证,结果表明该方法具有较高的鲁棒性,能够准确识别滚动轴承的各类故障。

基于多线性主成分分析的支持高阶张量机

为了处理张量数据,传统的学习算法常常把张量展成向量,但会造成破坏原始数据固有的高阶结构和内在相关性,导致信息丢失,或产生高维向量,使得后期学习过程中容易出现过拟合、维度灾难和小样本问题.近年提出了许多基于张量模式的分类算法,而支持高阶张量机算法是张量分类算法中最有效的方法之一.考虑到张量的高维性和高冗余性,本文提出基于多线性主成分分析的支持高阶张量机分类算法(Multilinear Principle Component Analysis Based Support High-Order Tensor Machine,MPCA+SHTM).该算法首先利用多线性主成分分析对张量进行降维,然后利用支持高阶张量机对降维后的张量进行学习.在12个张量数据集上的实验表明:MPCA+SHTM在保持测试精度的情况下有效地降低了SHTM的计算时间.

基于多线性主成分分析和径向基神经网络的储粮温度变化预测

储粮温度预测有利于及时采取通风降温等措施保障储粮安全,因而具有重要意义。传统预测方法多是基于历史温度数据的向量形式进行特征提取,破坏了原有数据的高阶特性和内部结构,导致局部空间信息丢失,预测精度难以满足要求。针对这一问题,提出了一种以数据张量表示为基础的多线性主成分分析方法。该方法保留了粮堆温度历史数据的高阶性,即在使用多线性主成分分析进行特征提取和降维的同时,充分保留了原有数据的内部结构,因而提取的特征更为有效。试验表明,本方法预测结果优于其他典型预测方法。

结合多尺度时频调制与多线性主成分分析的乐器识别

针对目前时域频域特征、倒谱特征、稀疏特征、概率特征对同族乐器错分率高且对打击乐器识别不佳的问题,提出一种提取时频信息且低冗余度的模型用于乐器识别。首先利用耳蜗模型对乐音进行谐波分解,生成接近人耳感知且包含时频信息的听觉谱图(AS);随后利用多尺度滤波器对听觉谱图多尺度时频调制(MTFM)以观测时频的变化;最后利用多线性主成分分析(MPCA)对调制输出在保留数据内在相关的前提下降维,并使用支持向量机(SVM)分类。仿真实验表明,该方法在IOWA数据库上取得92.74%的正确率,对打击乐器与同族乐器的错分率分别为3%与9.12%,均优于上述特征。相比主成分分析(PCA)降维,MPCA提高识别准确率6.43%。因此,该模型适用于对同族乐器与打击乐器的识别。

张量典型相关分析及其在人脸识别中的应用

针对源数据向量化常导致很高的数据维数,易使向量型学习算法陷入维数灾难和样本个数远小于特征维数的小样本问题,提出了一种新的张量典型相关分析算法,能直接对张量数据进行典型相关分析,由于其特征值分解的协方差矩阵维数大幅度减少,能有效降低计算复杂度和协方差矩阵奇异的问题。在Yale、ORL人脸数据库上验证了本文方法的有效性。

基于多线性稀疏主成分的高光谱影像特征提取

高光谱影像特征提取有助于提高高光谱数据的应用效率和精度。针对基于向量的特征提取算法无法充分利用高光谱影像立方体空间结构信息这一缺点,本文提出在所有张量模式中执行稀疏降维的多线性稀疏主成分分析(MSPCA)算法,以中国嘉兴典型村庄和美国内华达州Curprite矿区高光谱影像为原始数据,运用主成分分析(PCA)、空间主成分分析(SPCA)和多线性判别分析(MPCA)3种特征提取方法对比分析所提算法特征提取后的分类精度。结果表明,利用MSPCA进行特征提取得到的分类精度均优于其他方法,在两个试验区的总体分类精度分别达到96.36%和95.00%。

简化版Trivium算法的线性逼近研究

针对初始化轮数为288个时钟的简化版Trivium算法(又称2轮Trivium)进行了线性逼近研究,设计了搜索最佳线性近似式算法,并通过对第1轮关于密钥、初始化向量和密钥流比特的表达式做非线性逼近,结合该算法,在同等条件下给出了2轮Trivium 16个偏差为2-23.42的线性近似式,使通过多线性攻击去识别2轮Trivium的一个具有1特定比特的密钥所需要的数据量降为2 42.84个选择IV,为Turan方案所需数据量的,且成功率保持不变。

基于经验模式分解的通信信号异常漂移检测

由于混合数字通信信号包含多个信道,且每个信道的特征不同,数据量相对较大,受到多种干扰的影响,信噪比较低,导致其异常漂移检测精度低。为此,提出多信道混合数字通信信号异常漂移检测方法。采用多线性主成分分析方法对通信信号展开降维处理;利用经验模式分解方法对降维后的通信信号分解,通过IMF能量确定异常漂移分量所处位置,实现通信信号异常漂移检测;建立RBF神经网络非线性滤波器,将信号漂移分量输入滤波器中,完成多信道混合数字通信信号的漂移校正。仿真结果表明,所提方法的信号降维效果好,信号异常漂移检测平均绝对误差较低,数字通信信号异常漂移校正质量高。

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别。首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明,与传统算法相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间为1.832 s,满足实时系统的要求。

基于加权多尺度张量子空间的人脸图像特征提取方法

为了不破坏原始数据固有的高阶结构和数据之间的相关性,减少光照对图像特征的影响,并优化多尺度特征的权重,提出了基于加权多尺度张量子空间的图像特征提取方法。采用多尺度小波变换表征图像各个部位特征,使用不确定度权衡每个尺度对图像分类的作用,并组建成多尺度张量子空间,结合多线性主成分分析与线性判别分析算法,降低了图像在处理过程中的成本,保存了高维数据固有结构和相关性,完成对图像特征提取。使用CAS-PEAL-R1东方人脸库进行评测,实验结果表明,该图像特征提取算法用于图像识别过程中具有较好的效果,具有一定的可行性。

图像栈的特征提取以及在线虫分类中的应用

三维多焦距图像栈中的有效信息分布在不同的图像层上,其特征提取及分类跟普通二维图像有很大区别。针对图像栈的分类问题,提出了一种基于多方向图像融合的多线性特征提取和分类方法。首先,通过图像融合获取三维图像栈沿多个正交方向的融合图像,并从中提取特征;然后,通过典型相关分析(canonical correlation analysis,CCA)方法,将不同方向融合图像提取的特征进行融合并抽取组合的典型相关特征用于图像分类;其次,由于图像栈数据包含了样本、类别和方向等多个影响分类的因素,因此将多方向图像融合方法嵌入到多线性分析中,综合考虑多个因素交互作用时对图像栈分类的影响。本文提出的方法在线虫图像栈数据上进行了实验,识别率达到了97.0%,实验结果表明该方法具有较高的准确性。

基于多尺度张量类标子空间的人脸识别算法

提出一种基于多尺度张量类标子空间的人脸特征提取算法,提高人脸识别对光照的鲁棒性,同时不破坏原始数据固有的高阶结构和数据之间的相关性。采用多尺度小波变换组建人脸三维张量样本,将三维人脸张量空间投影到低维张量子空间,对高维人脸进行降维和特征提取,应用多线性主成分类标算法对样本进行类标号,同时使用最近邻算法完成人脸识别。利用CAS-PEAL-R1东方人脸库进行评测,实验结果表明,该识别算法比经典的主成分分析、线性判别分析和多尺度Gabor识别算法具有更好的识别效果。

大坝监测多测点多方向位移数学模型研究

为适应大坝监测工作的实际需要,提出一种大坝位移建模新思路,介绍了模型研究的意义和相关概念与理论;简述了模型的求解方法,并给出应用实例,对模型成果进行了对比分析,模型取得了满意的精度,具有实际意义。

脑机接口中多线性主成分分析的张量特征提取

脑机接口(BCI)可以直接通过脑电(EEG)信号控制外部设备。本文针对传统主成分分析(PCA)和二维主成分分析(2DPCA)处理多通道EEG信号的局限性,提出了多线性主成分分析(MPCA)的张量特征提取和分类框架。首先生成张量EEG数据,然后进行张量降维并提取特征,最后用Fisher线性判别分析分类器进行分类。实验中将新方法应用到BCI competitionⅡ数据集4和BCI competitionⅣ数据集3,分别使用了EEG数据的时空二阶张量表示形式和时空频三阶张量表示形式,通过对可调参数多次调试,取得了高于其它同类降维方法的最佳结果。二阶输入最高正确率分别达到81.0%和40.1%,三阶输入分别达到76.0%和43.5%。