基于快速鲁棒性主成分分析的日冕喷流自动检测方法

使用快速鲁棒性主成分分析(Fast Robust Principal Component Analysis,Fast RPCA)方法对日冕序列图像中的日冕喷流活动进行检测。检测的基本思路是利用快速鲁棒性主成分分析方法中低秩和稀疏分解的思想与日冕序列图像中有着变化尺度稍小且占比较大的随机变化背景成分、变化尺度较大且占比较小的日冕喷流的特点相结合,实现随机复杂多变的动态背景和稀疏运动目标之间的分离,从而检出作为前景变化的日冕喷流。采用太阳动力学天文台(Solar Dynamics Observatory,SDO)卫星的大气成像仪(Atmospheric Imaging Assembly,AIA)两组不同时间段、不同波段、不同观测位置的日冕序列图像作为研究对象。研究内容主要包括日冕序列图像的预处理、日冕喷流检测、快速鲁棒性主成分分析方法与帧间差分法的检测结果对比分析。实验结果表明,与帧间差分法相比,快速鲁棒性主成分分析方法能够检出强度较弱的日冕喷流,且提高了日冕喷流检测的准确度。

基于鲁棒性主成分分析的低照度图像增强算法

由于低照度图像对比度和信噪比低,传统图像增强算法在提高图像对比度的同时容易造成噪声放大。针对该问题,提出基于鲁棒性主成分分析(RPCA)的低照度图像增强算法。算法依据Retinex理论将图像分解为照度分量和反射分量,使用伽马矫正对照度分量进行增强。将增强后的照度分量与反射分量合成为最终的增强图像。其中图像分解采用RPCA方法实现,因为该方法可以有效地将照度信息与噪声分离,从而避免增强照度分量时放大噪声。为了提高计算效率,算法采用非精确增广拉格朗日乘子法(Inexect-ALM,IALM)求解RPCA分解问题。实验结果表明,该算法在增强图像对比度的同时避免了放大噪声,其主观评价与客观指标都优于几种经典的图像增强算法,有较好的视觉效果和较低的计算复杂度。

低秩鲁棒性主成分分析的遮挡人脸识别

为了提高遮挡人脸的识别效果,提出了低秩鲁棒性主成分分析的遮挡人脸识别算法。首先采集人脸图像,并进行相应的预处理,然后采用鲁棒性主成分分析对人脸样本进行分解,并建立人脸图像训练样本和测试样本的低秩矩阵和误差矩阵,最后根据误差矩阵对人脸识别进行加权和识别,并采用经典人脸数据库进行仿真实验,结果表明,低秩鲁棒性主成分分析的遮挡人脸识别率得到显著提高,降低了遮挡人脸的误识率,具有更优的鲁棒性。

基于快速稀疏低秩和鲁棒主成分分析的图像处理算法的研究

实际的稀疏低秩处理图像过程中,在视觉显示效果没有很大的差异的情况下,算法的时间复杂度是唯一的一个评价指标。我们发现快速交替极小化(FAST PCP)和鲁棒主成分分析(RPCA)的结合是比较快速、比较有效的利用CPU的高效稀疏低秩处理图像的方法,并且在无法保证计算机配置的情况下,其运算速度也是最快的。在课题中,将Steffensen迭代法用于改进FAST PCP,由此得到的结果较普通版本的FAST PCP和RPCA更加好。

红外光谱法结合主成分分析快速识别3种天然皮革

利用衰减全反射附件直接采集猪皮革、牛皮革和羊皮革等3种天然皮革的红外光谱图,分析了皮革氨基酸结构中主要基团的红外吸收峰的特点和位置。对光谱数据预处理后选择合适的光谱区域进行主成分分析,首先构筑主成分得分空间对样品直接进行判别,发现由于牛皮革样品和羊皮革样品的红外光谱图极为相似,它们的主成分得分空间区域大部分重叠在一起。然后以猪皮革、牛皮革和羊皮革等3种天然皮革样品作为3类组分,采用主成分回归方法建立相应的判别模型,3类组分的模型预测相关系数为0.965～0.990,均方差均不大于0.122,预测均方差均不大于0.213,模型具有较好的稳定性。利用检测集样品对模型进行验证,根据各组分的预测值可以快速方便地对3种皮革样品进行识别。

基于近红外与主成分分析化橘红的快速无损鉴别

目的基于近红外和主成分分析,建立化橘红快速无损鉴别方法。方法采用近红外光谱技术不经任何化学处理,对原始样品(毛橘红、光橘红、伪品)粉碎后直接检测,获取样品的全部完整的光谱信息,通过聚类分析和主成分分析的模式识别技术对样品进行定性分析,实现了对化橘红的快速无损鉴别。结果化橘红的近红外图谱通过聚类分析和主成分分析能够鉴别出化橘红的优劣。结论近红外光谱法是一种快速、无损鉴别化橘红的方法。

基于快速三维主成分分析的肺CT图像检测

为解决基于二维图像处理的计算机辅助诊疗系统（CAD）仅考虑每幅图像自身包含的信息而忽略不同扫描层之间的联系,以及数据处理过程中的海量计算问题,提出一种新的基于快速三维主成分分析（3D PCA）的有效肺CT病灶检测算法。该算法首先引入高维张量奇异值分解（HOSVD）设计3D PCA;然后以提取出的三维空间特征点为种子点,进行区域增长以获取完整的疑似病灶区域;最后,根据医学图像具体特征,设计了一种HOSVD的简化分解算法。对来自吉林省肿瘤医院的10个典型病例的五百余幅临床CT图像进行了实验,并将实验结果与当前同类算法做了比较。结果表明,检测精确度提高了约10%~21%;另外,快速算法与原算法比较,计算复杂度可降低约1/3。由于快速3D PCA可以挖掘更多存在于不同连续扫描层间的有用信息,更精准提取病灶特征,在一定程度上提高了检测率。

快速近似主成分分析算法

通过分析现有主成分分析算法的不足，研究了如何利用小波包算法实现快速近似主成分分析算法的问题，并对两种算法的复杂度进行了比较。实验结果表明：提出的快速近似主成分分析算法在精度和速度两个方面都具有明显的优势。

基于快速S变换的电能质量主成分分析方法

针对电能质量分析中S变换计算量大,及支持向量机分类识别需要设定特征参数的问题,文章将一种新的S变换的快速算法(FST)与主成分分析(PCA)相结合,并应用于电能质量分类识别。首先从FST域提取几种电压扰动的模系数;进而利用PCA进行降维处理并提取主要特征成分;然后获得投影矩阵;最后待识别电压信号投影后,根据最近邻分类器进行分类识别。仿真结果表明,电压扰动FST域模系数的特征成分主要在低频段,因此识别结果准确率高、计算时间短,并且算法本身有一定的抗噪声能力,能较好地实时处理电能质量扰动。

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。

基于改进增广拉格朗日乘子法的鲁棒性主成分分析

针对增广的拉格朗日乘子法在求解鲁棒性主成分分析,特别是当数据同时受到稀疏噪声和高斯噪声的干扰时,计算精度会降低,数据降维去噪任务不能很好完成的情况,提出改进的增广拉格朗日乘子法来解决上述问题.一是用基于最优乘子初始化的改进增广拉格朗日乘子法来提高算法的计算精度,二是针对鲁棒性主成分分析,提出一个带高斯噪声的凸优化模型.实验结果表明,本文提出的最优乘子初始化改进算法赋予增广的拉格朗日乘子法一个最优的拉格朗日乘子,从而提高算法的计算精度,而凸优化模型能够清晰地将高斯噪声和稀疏噪声从数据矩阵中分离出去,进而提高数据对高斯噪声的鲁棒性.

非最小均方误差下的核主成分分析算法

针对高维非线性数据处理,该文改进了一种较为新颖的可以剔除高维数据中的冗余和无关特征并对这些非线性高维数据进行降维处理的机器学习算法,即基于最大相关熵准则的核主成分分析算法(KPCA-MCC).利用粒子群算法优化数据参数,在向量机(SVM)和最小二乘向量机(LSSVM)的支持下,针对风电功率进行仿真预测,分别对KPCA-SVM与PCA-SVM,KPCA-MCC与KPCA-MSE算法进行对比.通过大量对比试验,证明所提出的基于最大相关熵准则的核主成分分析算法具有有效性、适用性和鲁棒性.

表面增强拉曼光谱结合主成分分析快速筛查食品接触材料中多环芳烃

建立了表面增强拉曼/主成分分析快速筛查食品接触材料中4种多环芳烃的分析方法。采用纳米银溶胶作为增强基底,碘化钾为絮凝剂,实现了4种多环芳烃(芘、荧蒽、苯并[b]荧蒽、苯并[k]荧蒽)的表面增强拉曼分析。针对食品接触材料中4种多环芳烃拉曼谱峰重叠难以鉴别区分的问题,采用主成分分析法分别对同浓度多环芳烃、不同浓度多环芳烃以及多环芳烃混合样品进行分析。结果表明,4种多环芳烃均可得到较好的鉴别。该方法成功用于食品接触材料迁移液中4种多环芳烃的快速筛查。

改进主成分分析(PCA)鲁棒性的算法比较

与传统的PCA算法相比较,基于分布特征算法的主成分分析,由于量测的不精确使特性或参数的实际值会偏离它标称值,另一个是受环境因素影响而引起特性或参数的缓慢漂移,这样得到的分析结果在很大程度上受到异常值的干扰.本文通过对比几种算法,提出改善主成分分析(PCA)算法鲁棒性的一种实现途径,去除或者减少异常点影响,以提高PCA的精度.

鲁棒性主成分分析算法综述

对低秩矩阵中的存在的鲁棒性主成分分析进行综述,并分析该存在的优化模型及其优化算法,并分析这些不同的优化方法存在的优缺点以及可能的应用领域,最后指出该模型进一步的研究方向。

基于主成分分析的城市快速路项目风险识别与控制

该研究结合具体工程案例,首先从不同维度获取城市快速路项目风险指标共16个,通过资深专家打分的方式对风险进行量化处理,并在此基础上借助主成分分析方法对该项目风险因素进行降维处理并得到6个主成分,同时对主成分特征进行相应描述;其次通过相应的数理计算得出其相应综合得分;最后对整个城市快速路项目提出相应的风险管控。

鲁棒的稀疏Lp-模主成分分析

主成分分析(Principle component analysis,PCA)是一种被广泛应用的降维方法.然而经典PCA的构造基于L2-模导致了其对离群点和噪声点敏感,同时经典PCA也不具备稀疏性的特点.针对此问题,本文提出基于Lp-模的稀疏主成分分析降维方法 (Lp SPCA).Lp SPCA通过极大化带有稀疏正则项的Lp-模样本方差,使得其在降维的同时保证了稀疏性和鲁棒性.Lp SPCA可用简单的迭代算法求解,并且当p≥1时该算法的收敛性可在理论上保证.此外通过选择不同的p值,Lp SPCA可应用于更广泛的数据类型.人工数据及人脸数据上的实验结果表明,本文所提出的Lp SPCA不仅具有较好的降维效果,并且具有较强的抗噪能力.

不同风格驾驶员眼动特性分析——夜间快速路分流区

为提高驾驶员在夜间快速路分流区换道的安全性,以不同风格的驾驶员为研究对象,分析不同风格驾驶员换道时眼动参数的变化规律。首先在前人研究基础上自编夜间快速路驾驶风格量表,对量表进行信度和Pearson相关系数法的效度检验;然后通过主成分分析法对问卷调查法得出的结果进行分析,得出驾驶风格综合得分量化模型,并使用K均值聚类分析法划分驾驶风格;最后基于眼动仪进行实车试验,获取三种风格驾驶员换道的眼动数据。试验结果表明:谨慎型、一般型、激进型驾驶员对于后视镜平均注视次数占比为48%、27%、25%;对左右两侧的平均累计注视时间占比是31%、25%、19%;平均瞳孔面积占比为56.3%、27.6%、16.1%。试验结果可以为提高驾驶员换道的行车安全性研究提供一定的数据支持。

广义余弦二维主成分分析

主成分分析(Principal component analysis,PCA)是一种广泛应用的特征提取与数据降维方法,其目标函数采用L2范数距离度量方式,对离群数据及噪声敏感.而L1范数虽然能抑制离群数据的影响,但其重构误差并不能得到有效控制.针对上述问题,综合考虑投影距离最大及重构误差较小的目标优化问题,提出一种广义余弦模型的目标函数.通过极大化矩阵行向量的投影距离与其可调幂的2范数之间的比值,使得其在数据降维的同时提高了鲁棒性.在此基础上提出广义余弦二维主成分分析(Generalized cosine two dimensional PCA,GC2DPCA),给出了其迭代贪婪的求解算法,并对其收敛性及正交性进行理论证明.通过选择不同的可调幂参数,GC2DPCA可应用于广泛的含离群数据的鲁棒降维.人工数据集及多个人脸数据集的实验结果表明,本文算法在重构误差、相关性及分类率等性能方面均得到了提升,具有较强的抗噪能力.