基于多重集典型相关分析的图像融合方法

提出了多重集典型相关分析在图像融合中应用。多重集典型相关分析能够最大化多组图像之间的互信息量,从而提升融合后图像的信息量。在对图像进行小波分解后,多重集典型相关分析应用于低频系数的融合。实验表明,该方法能够同时获取多组图像融合所需的权重参数,并使得融合后图像信息量得到提升。

边界监督多重集典型相关分析

多重集典型相关分析(multiset canonical correlation analysis,MCCA)仅仅考虑了多组数据间的相关性信息,不能有效地反映样本数据的几何结构与鉴别信息,因此为了解决这个问题,首先在LDA思想的启发下,构建了监督多重集典型相关分析(supervised multiset canonical correlation analysis,SMCC)的理论框架,并以此为基础,结合边界Fisher分析(marginal fisher analysis,MFA),提出了边界监督多重集典型相关分析(marginal SMCC,MSMCC).该算法的基本思想是在最大化数据相关性的同时,还要最大化组内数据的类间离散度以及最小化组内数据的类内离散度.在人脸图像与目标数据库上的实验结果验证了所提算法的有效性.

基于集成学习的多重集典型相关分析方法

特征提取是模式识别中的关键问题之一,对提高系统分类性能具有重要意义。常用的特征提取方法包括主成分分析、线性鉴别分析、典型相关分析等等,多重集典型相关分析是基于传统的典型相关分析基础上发展而来,利用多组(大于2)特征数据集进行特征提取。基于集成学习的多重集典型相关分析的方法(EMCCA),是通过将样本化分成若干小的样本,形成若干个特征数据集,利用多重集典型相关分析对这组数据集做特征提取,并结合集成学习对样本进行分类。在UCI上的多特征手写体数据集上的实验结果表明:相比于传统的PCA,CCA特征提取方法,多重集典型相关分析具有更优的特征提取效果,结合集成学习后具有更好的分类效果。

有样本缺失的稀疏交叉视图的多重集典型相关分析

从融合多组特征的角度出发,以多重集典型相关分析算法(MCCA)为研究基础,通过稀疏保持自适应选择样本局部信息,然后通过在同类样本之间计算权重矩阵,将样本类别信息嵌入到算法中,再利用多种视图之间的交叉相关项,克服不同视图样本必须成对出现的局限,提出一种有样本缺失的稀疏交叉视图的多重集典型相关分析算法(multiset canonical sparse cross-view correlation analysis with missing samples,CSMCCAM)。在手写体数据集和CENPARMI数据库上验证本文的算法,得到CSMCCAM算法分类精确度优于LPMCCAM等典型相关分析算法,并且对缺失样本数目不敏感。

基于单演信号多重集典型相关分析的SAR目标识别方法

提出了一种基于多层次单演信号特征的合成孔径雷达(SAR)图像目标识别方法。为了充分利用多层次单演信号特征的鉴别力,采用多重集典型相关分析(MCCA)分别对各个层次上的局部幅度、局部相位以及局部方位进行融合。融合得到的特征矢量包含了不同层次之间各类特征的内在相关性。在分类阶段,采用联合稀疏表示(JSR)对3类特征融合得到的特征矢量进行联合决策,进一步发掘不同特征之间的内在相关性。最后,根据联合稀疏表示输出的重构误差判定目标类别。基于MSTAR数据集对提出方法进行了性能测试,结果证明了其有效性。

分数阶嵌入的广义多重集典型相关分析

随着数据处理方式以及描述角度的不同,同一模式总是能够获得多种不同的特征表示.由于这些特征表示总是反映了同一模式的不同特性或视角,因此,对其进行有效地抽取与融合后,不仅可以保留参与抽取的多组特征的有效鉴别信息,还可以在一定程度上消除特征间的冗余信息,降低识别算法的复杂度,对模式分类来说无疑具有重要的实际意义.由于传统的维数约减方法,如主成分分析(PCA)与线性鉴别分析(LDA),主要针对模式的一组特征进行处理,并不适合对多表示数据进行融合与特征抽取,因此,本文以多表示数据为研究对象,深入研究了多重集典型相关分析的相关理论与算法,采用分数阶思想对组内与组间样本协方差的特征值和奇异值进行重新估计,然后建立分数阶组内与组间散布矩阵,同时引入监督信息,构建了分数阶嵌入的多重集典型相关分析(FEGMCCA)理论框架.

基于多重集典型相关的深度特征融合及SAR目标识别方法

提出基于多重集典型相关分析(MCCA)的深度特征融合及合成孔径雷达(SAR)目标识别方法。该方法首先设计了针对SAR目标识别的卷积神经网络(CNN)。为了充分利用各个卷积层输出的特征图,首先采用矢量化串接、下采样的方式为每一个卷积层的输出构造特征矢量。然而,采用多重集典型相关分析融合各个层次的特征矢量,构造统一的特征矢量。在分类阶段,采用稀疏表示分类(SRC)对融合得到的特征矢量进行决策,判定目标类别。基于MSTAR公共数据集在标准操作条件和几类典型扩展操作条件下进行了目标识别实验,验证了方法的优越性。

柔性传感器智能脉诊系统信号采集处理技术

脉搏诊断仪器的研发和使用为传统中医的智能诊断提供了客观基础,但现有的脉搏诊断设备没有考虑采集部位(寸、关、尺)与压力(浮、中、沉)共同作用时对诊断结果的影响,诊断精度仍有提升空间。为了更加准确地识别脉象,本文提出了一种基于柔性传感器的智能脉诊系统和相应的脉搏信号处理方法。在寸、关、尺采集部位安装3个阵列柔性传感器,通过设置浮、中、沉不同压力阈值,获取多组脉象信号,接着提取信号特征,并基于多重集典型相关分析(Multi-set canonical correlations analysis,MCCA)方法对多通道特征进行融合,以获得更多脉搏信息。实验结果表明,本文所提方法在4种典型脉象分类中,脉象分类准确度得到进一步提升。本文设计的采集部位、压力相结合的脉象感应方法可以模拟还原中医诊断过程,有助于提取真实的脉搏信号,为后续基于柔性传感器的智能脉搏诊断设备的研发提供了理论基础和参考价值。

基于二维随机投影特征典型相关分析融合的SAR ATR方法

合成孔径雷达(Synthetic aperture radar,SAR)自动目标识别(Automatic target recognition,ATR)是现代战场情报侦察、精确打击的重要支撑技术。为提升SAR ATR整体性能,提出基于二维投影特征多重集典型相关分析(Multiset canonical correlations analysis,MCCA)的方法。首先,采用若干二维随机投影矩阵对SAR图像进行特征提取,获得多层次特征描述。考虑到这些结果之间的相关性和可能存在的冗余及干扰,进一步通过MCCA对它们进行融合处理,获取单一特征矢量。基于稀疏表示分类器(Sparse representation-based classification,SRC)对融合特征矢量进行处理,判决目标类别。实验基于MSTAR数据集开展,对方法性能进行检验确认,结果能够验证其有效性。

基于MCCA的痤疮宏基因组数据辅助分析

痤疮作为常见皮肤病之一,发病机制复杂,其中微生物定植在痤疮发病中的作用是一个热点研究问题。本文从宏基因组学的角度,利用机器学习方法分析痤疮宏基因组数据,包括痤疮患者的患病皮肤(diseased skin,DS)样本集和健康皮肤(healthy skin,HS)样本集,以及正常对照组(normal control,NC)样本集。为了同时分析3组样本集以获得可以区分不同样本集的脂质,使用多重集典型相关分析(multi-set canonical correlation analysis,MCCA)方法进行研究。实验结果可得到仅对某一样本集有显著影响的脂质,以及同时对3个样本集影响程度不同的脂质,这些脂质可以作为判别皮肤状态的指标,用于辅助指导皮肤痤疮疾病的诊断、预后和治疗。

结合非采样剪切波和MCCA的SAR目标识别方法

合成孔径雷达(SAR)图像处理是获取侦察信息的重要手段,当前目标识别能力不高已成为制约SAR有效获取侦察信息的关键问题。针对这一问题,提出结合基于非下采样contourlet变换(NSCT)和多重集典型相关分析(MCCA)的SAR图像特征提取方法并据此设计目标识别算法。首先,基于NSCT对SAR图像进行多层次分解,在不同尺度上获得SAR图像的表征结果;基于MCCA在各个分解尺度上对获取结果进行融合处理,形成对应的特征矢量;然后,以联合稀疏表示为多任务学习的基础工具,对不同尺度上的融合特征矢量进行分析;最后,根据不同尺度特征矢量的结果获取识别结果。实验采用MSTAR数据集为基础素材,对提出方法进行能力测试和结果评估,验证了该方法的有效性。

基于Kernel-MCCA特征融合的齿轮故障诊断方法

针对转速波动工况下齿轮故障难以辨识的问题,提出了一种基于核函数的多重集典型相关分析方法(kernel-multiset canonical correlation analysis,简称Kernel-MCCA),实现基于多传感信息的特征层融合,并将其应用到转速波动工况下的齿轮断齿、点蚀、磨损以及剥落故障的辨识。首先,将多传感器采集的振动信号进行小波包分解,计算能量特征矩阵;其次,利用多重集典型相关分析进行特征层融合,构建的融合特征输入到K近邻(K-nearest neighbor,简称KNN)分类器中并输出诊断结果;最后,利用齿轮振动实验台进行实验研究。结果表明,笔者所提的特征融合方法比单传感器方法识别准确率提高了5%左右,比传统的多重典型相关分析特征融合方法识别准确率提高了2%左右,可有效解决转速波动下齿轮故障状态辨识问题。