基于弹性网的稀疏近似主成分分析方法

主成分分析因能在损失极小信息的基础上极大地降低数据的维数且各个主成分相互正交而具有广泛的应用,但各个主成分是所有初始预测变量的线性组合,这不利于模型的解析.本文在主成分分析的基础上采用弹性网对各个主成分系数施行稀疏近似,得到了稀疏近似主成分分析(sPCA)算法.sPCA不但保留了原主成分分析的优点,而且因为其系数具有稀疏性,能极大地提高模型的解释性.

基于稳健主成分分析与核稀疏表示的人脸识别

针对现有人脸识别方法难以有效抑制噪声和误差干扰(如光照、遮挡和表情等)的问题,提出一种基于稳健主成分分析的核稀疏表示分类算法。利用稳健主成分分析将各类训练样本转化为低秩矩阵和误差矩阵之和,并运用这2个矩阵构成稀疏表示的冗余字典。将核稀疏表示问题通过矩阵变换转化为常规的稀疏表示问题,采用正交匹配追踪算法求解该问题得到稀疏表示系数。通过稀疏表示系数计算每个类的重构误差,从而实现人脸识别。实验结果表明,与SRC,ESRC等算法相比,该算法具有较高的人脸识别率,且对噪声和误差干扰有较强的适应能力。

基于稀疏核主成分分析的语音情感识别研究

为提升语音情感识别的能力,本研究提出一种基于稀疏核主成分分析(Sparse Kernel Principal Component Analysis,SKPCA)的方法。该方法结合核主成分分析以及稀疏表示的方法,能够同时满足特征降维和样本稀疏,起到降维和降噪的作用。本研究首先利用openSMILE工具包提取情感语音样本的声学特征及其统计特征用于情感识别,然后介绍SKPCA的算法原理及推导过程,最后使用多种分类器在柏林库做了大量的实验,实验结果表明,使用SKPCA方法可取得较好的识别结果。

基于近似零范数的稀疏核主成成分算法

核主成成分分析(KPCA)是一种有效的数据降维方法,其降维过程是计算待降维样本与所有训练样本核函数的线性叠加,所以其计算量依赖于训练样本的大小,致使降维效率很低。为了提高KPCA降维效率,提出利用近似的零范数对叠加系数施加稀疏约束,能够得到稀疏性很好的系数。降维时,去除大量系数为零的训练样本,所以能够显著提高降维速度。通过实验还发现该算法对离群点具有不错的鲁棒性,换句话说当训练人脸数据库中加入非人脸图像时能够较好的克服这些非人脸图像的影响。

计算和存储空间受限下的数据稀疏核分析方法

针对核主成分分析算法广泛面临的训练样本数量大而带来的计算和存储空间的问题,提出了基于1类支持向量理论的稀疏核主成分分析算法,该方法适合于计算和存储空间受限下的应用场合,如小型硬件平台下的图像检索系统、医学辅助诊断系统等.通过求解最优方程找到能够代表原始样本空间的少量典型样本,这些样本作为计算核数据矩阵,大大节省了核矩阵计算的时间和存储空间成本,在有限的训练样本集上最大限度在硬件平台下图像处理领域有效提高识别率和计算效率.

基于L1-范数和弹性网约束的鲁棒稀疏块PCA

块主成份分析(block principal component analysis,BPCA)是一种重要的子空间学习方法,能充分利用图像矩阵的部分关联.基于L1-范数的BPCA是近年来发展起来的鲁棒降维的有效方法.本研究提出了一种新的鲁棒稀疏BPCA方法,称之为BPCAL1-S.该方法相对于传统的基于L2-范数的PCA对噪声更加鲁棒.为了建立稀疏模型,优化过程中引入弹性网,联合使用Lasso与Ridge惩罚因子进行约束.提出了一种贪心算法逐个提取特征向量,对迭代过程的收敛性做了理论证明.将BPCAL1-S应用于图像分类与图像重构,实验结果验证了该方法的有效性.

基于黑猩猩算法优化支持向量机的变电站接地网腐蚀速率预测

为了提高变电站接地网腐蚀速率预测结果的准确性,提出一种基于黑猩猩算法优化支持向量机的变电站接地网腐蚀速率预测方法。首先对变电站接地网腐蚀速率的特征量进行核主成分分析,确定土壤电阻率、Cl^(-)质量分数、含水量、氧化还原电位与腐蚀速率的关联性较大,选择上述四个特征量作为接地网腐蚀速率预测模型的输入量。然后采用黑猩猩算法对支持向量机进行参数寻优,建立变电站接地网腐蚀速率预测模型。最后采用腐蚀试验数据进行算例分析,并与其他方法的预测效果对比。结果表明,所提模型预测结果的平均相对误差为2.984%,均方根误差为0.00889 mm/a,比其他方法误差波动更小,预测精度更高,验证了所提变电站接地网腐蚀速率预测方法的实用性和优越性。

结合KPCA和稀疏表示的SAR目标识别方法研究

提出了一种结合KPCA(Kernel Principal Component Analysis)和稀疏表示的合成孔径雷达(Synthetic Aperture Rader,SAR)目标识别方法。该方法首先利用KPCA方法提取样本特征,然后在特征空间内构造稀疏表示模型,通过梯度投影法(Gradient Projection for Sparse Reconstruction,GPSR)求得测试样本的稀疏系数,最后根据稀疏系数的能量特征实现分类识别。利用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)实测SAR数据进行实验,实验结果表明该方法在方位角未知的情况下平均识别率达到96.78%,能够明显地提高目标的识别结果,是一种有效的SAR目标识别方法。

带PCA卷积的稀疏表示图像分类算法

针对不同卷积核可以提取不同的图像特征,而卷积核的训练比较困难这一问题,提出一种带主成分分析(PCA)卷积的稀疏表示分类算法。先对训练样本集做分片去均值化处理,然后直接应用PCA算法提取所有分片的前K个特征向量作为卷积核,再用这些卷积核对原始图像进行卷积操作;并提出一种自动加权策略,对卷积处理后得到的K个特征图像进行加权叠加操作;最后对特征图像进行分块直方图统计稀疏化,并应用稀疏表示分类算法进行分类。在公共人脸数据集AR、CMU Multi-PIE、ORL以及数字手写体数据集MNIST上与常用分类算法进行对比实验,实验结果表明,带PCA卷积的稀疏表示分类算法具有更高的分类准确率。

面向阶段任务的携行器材品种确定方法

维修器材是有效实施维修保障的物质基础,携行器材品种确定是开展维修器材携行决策的关键。针对执行阶段任务武器装备维修器材品种多、影响因素复杂且关联关系不明确造成的携行器材品种确定困难的现实问题,提出了一种将改进稀疏核主成分分析(sparse kernel principal component analysis,SKPCA)算法与长短时记忆(long short-term memory,LSTM)神经网络模型相结合的阶段任务携行器材品种确定方法。在分析与任务阶段时序相关的携行器材影响因素及特征指标的基础上,运用基于弹性惩罚的SKPCA降维算法,对器材特征进行降维分析并得到低维稀疏特征向量,通过缩减数据容量增强特征指标的可解释性;运用混沌序列改进花授粉算法(flower pollination algorithm,FPA)优化LSTM超参数,构建混沌FPA-LSTM预测模型,精准进行携行器材品种确定。通过对演习携行器材品种确定算例分析验证了所提方法的科学性和可行性。

基于递归稀疏主成分分析的工业过程在线故障监测和诊断

提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.

无监督的稀疏差分嵌入特征提取方法

人脸数据中的有效特征是提高识别率的关键,因此特征提取是人脸识别领域的重要步骤.为了能够同时保留人脸数据的局部结构和全局结构,并得到一个更具有解释性的结果,综合主成分分析算法和局部线性嵌入算法,并加入稀疏约束,提出一种无监督的稀疏差分嵌入(Unsupervised Sparse Difference Embedding,USDE)的特征提取方法.在满足局部最小嵌入和全局最大方差的同时,使用弹性网回归算法得到一个稀疏特征向量.在ORL人脸库、AR人脸库以及UMIST人脸库上的实验结果表明,同其他几种方法相比,USDE具有更好的效果.

基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测

为了提高接地网腐蚀速率预测精度,利用核主成分分析法对接地网腐蚀速率的主元进行提取,依据KPCA分析结果进行了指标重构,减少了接地网腐蚀预测模型建模工作量。通过收敛因子非线性调整及莱维飞行策略对斑点鬣狗算法进行改进,基于改进后的斑点鬣狗算法对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立了基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测模型。仿真结果表明,经ISHO优化LSSVM接地网腐蚀速率预测模型的平均相对误差、均方根误差、全局最大相对误差均定系数分别为2.79%、0.139、3.53%和0.995,均优于其他接地网腐蚀预测模型,验证了模型的正确性和优越性。

基于多特征联合稀疏表示的人脸识别方法

针对人脸识别问题,提出一种基于多特征联合稀疏表示的方法。首先,分别采用主成分分析(PCA)、核主成分分析(KPCA)和非负矩阵分解(NMF)提取人脸图像的特征矢量。三种特征从线性、非线性以及非负表示三种层面描述了人脸图像的特征。在分类阶段,采用联合稀疏表示对三种特征进行综合决策,考察它们的内在关联。最后,基于三种特征的整体重构误差判定测试样本的类别。实验中,基于AR和Yale-B人脸数据库对提出方法进行性能测试。结果表明文中方法的有效性。

多特征稳健主成分分析的视频运动目标分割

提出一种多特征稳健主成分分析(MFRPCA)算法,该算法融合多种视觉特征进行视频运动目标分割,分割的目的即将运动目标从静止信息中提取出来,分割的主要过程是将多特征视频矩阵分解为低秩矩阵和稀疏矩阵。矩阵分解过程是求解一个带受限条件的核范数与L2,1范数组合的最小化问题,此最小化问题可以通过增广拉格朗日乘子法(ALM)有效求解。与其他算法相比,本文算法融合了图像的颜色、边缘和纹理特征等多个特征,通过对变化检测基准数据集进行检测,本文算法获得的查全率为0.486 0和F度量为0.559 7,实验结果表明,本文算法的稳健性和可靠性均优于其他算法。

基于EN-SKPCA降维和FPA优化LSTMNN的短期风电功率预测

综合考虑风电功率序列及气象数据的多维特征,提出一种弹性网稀疏核主成分分析(EN-SKPCA)降维方法,对气象因素降维并表述为回归优化型问题,添加的弹性网惩罚解决了KPCA重构主成分难以解释构成的问题;提出花授粉算法(FPA)优化长短时记忆神经网络(LSTMNN)预测模型,可自动筛选出最佳超参数,降低了参数经验设置所带来的随机性。该方法解决了突变天气的影响,提高了预测精度。对2017年宁夏麻黄山第一风电场实测数据实验,证明了该方法的优越性。

面向SAR图像目标识别的鲁棒处理算法

现有合成孔径雷达图像的目标识别方法通常要进行预处理,预处理对于识别率影响较大。但是,针对不同的合成孔径雷达目标图像,预处理算法的自适应性很难得到保证。将基于核的主成分分析与稀疏表示相结合,只需很少的观测数据就能得到高识别率的目标识别结果,节省了数据存储量和计算量。首先,阐述了压缩感知的基本理论;其次,提出了基于核主成分分析和稀疏表示的合成孔径雷达图像目标识别算法;最后,选取MSTAR数据库中的5类目标进行实验。仿真结果表明,在没有方位角预测的情况下,该算法仍能有效地识别目标,与其他识别算法相比,在同等噪声污染的图像下,具有较高的识别率。

一种实用的说话人特征提取方法

针对稀疏核主成分分析方法在特征提取中的不足,提出了一种基于核K-均值聚类的稀疏核主成分分析(Sparse KPCA)的特征提取方法用于说话人识别。通过核K-均值聚类的方法对语音帧进行聚类,由于聚类的中心能够很好地代表类内的特征,用中心样本帧取代该类,减少了核矩阵的维数,然后再采用稀疏KPCA方法对核矩阵进行特征提取。该方法能够减少存储空间和计算的复杂度,它保证约简后的数据能够很好地代表原始数据并且在约简过程中信息损失最小。实验结果验证了提出的方法在不影响识别率的前提下提高了识别速度,满足了说话人识别的实用性要求。

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法。通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响。搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型。将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98%,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势。

ASM姿态矫正结合字典学习优化的人脸识别

针对人脸图像中姿态变化而导致识别率降低的问题,提出一种基于主动轮廓模型(ASM)姿态矫正结合字典学习优化的人脸识别方法。利用ASM提取人脸图像局部特征,对人脸进行矫正对齐;将人脸图像进行Gabor小波变换以提取初始特征,执行KPCA获得最终特征空间,利用非约束字典学习进行优化;利用人脸样本特征空间构造稀疏字典,形成稀疏表示分类器。在构建分类器时,使用错误分类的人脸图像更新训练基向量,提高分类器的分类精度。实验结果表明,该方法在LFW人脸数据库上识别一幅人脸图像仅需1.05s,对姿态变化、低分辨率具有很好的鲁棒性。相比其它几种方法,其取得了更高的识别率。