核主元分析与优化核极限学习机模型在电石炉爆炸风险评估中的应用

为准确判断电热法电石生产工艺中电石炉的爆炸风险等级,提出了一种精准有效的风险评估模型。首先,基于危险与可操作性(Hazard and Operability, HAZOP)分析筛选出人、物料、设备、管理四方面的34项爆炸风险因素,考虑到因素间存在非线性关联,采用核主元分析(Kernel Principal Component Analysis, KPCA)进行属性约简,减少冗杂信息的干扰。其次,利用融合了Tent混沌序列、高斯变异与混沌扰动的麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)寻优核极限学习机(Kernel Extreme Learning Machine, KELM)的惩罚系数与核参数,建立KPCA-ISSA-KELM风险评估模型。最后,使用该模型分析83组实例数据,选取其中59组用于模型训练,其余24组用于测试。在测试结果中,该模型正确分类了22组数据的风险等级,判别准确率为91.67%,在各项性能指标上均优于对照模型,表明该模型对电热法工艺电石炉的爆炸风险等级具备高识别精度。

利用组合核函数提高核主分量分析的性能

为了提高图像分类的识别率 ,在对基于核的学习算法中 ,核函数的构成条件以及不同核函数的特性进行分析和研究的基础上 ,提出了一种新的核函数——组合核函数 ,并将它应用于核主分量分析 (KPCA)中 ,以便进行图像特征的提取 ,由于新的核函数既可以提取全局特征 ,又可以提取局部特征 ,因此 ,可以提高 KPCA在图像特征提取中的性能。为了验证所提出核函数的有效性 ,首先利用新的核函数进行 KPCA,以便对手写数字和脸谱等图像进行特征提取 ,然后利用线性支持向量机 (SVM)来进行识别 ,实验结果显示 ,从识别率上看 ,用组合核函数所提取的特征质量比原核函数所提取的特征质量高。

基于最优小波包变换与核主分量分析的局部放电信号特征提取

UHF法作为GIS设备PD检测的有效方法已得到广泛应用,但GIS内UHFPD信号的特征提取一直是研究的难点问题。作者从小波包对UHFPD信号分解过程入手,根据已建立的GIS内4种典型缺陷UHFPD数学模型,分别采用熵最小原则选取最优小波包基,利用所得到的最优小波包基对UHFPD信号进行分解得到的小波包系数,计算信号在各频带投影序列的能量、在各个尺度下的模极大值和绝对平均值,构造出能完整描述UHFPD信号的特征空间,并用KPCA法将高维特征空间降到低维特征空间,解决了维数危机,消除了类内散度矩阵的奇异性,并最大限度地保持原有信号的特性。由此作为模式识别的特征量能够较好地应用于UHFPD信号模式识别。

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。

基于核主分量分析的高分辨雷达目标特征提取与识别

研究了核主分量分析(KPCA,Kernel Principal Component Analysis)在高分辨雷达目标特征提取与识别中的应用。首先讨论了KPCA算法原理,然后将KPCA应用于雷达目标距离像特征提取,并采用支持向量机进行分类,提出了基于核主分量分析的高分辨雷达目标特征提取与识别方法。在核函数的选取上构造了一个组合核函数,最后用4类目标数据进行了实验,并与采用高斯核函数方法进行了比较,实验结果表明,该方法能够提高目标识别性能。

基于矩形积分双谱和核主分量分析的电台指纹识别

目的解决传统的积分双谱特征维数比较大而导致分类器的稳健性和电台的正确识别率下降的问题。方法首先选择矩形积分双谱作为识别的特征参数,然后采用了核主分量分析方法进行降维,最后采用基于核函数的支持向量机分类器(SVM)实现对电台指纹的识别。结果给出一种方法,实现了同种型号相同调制方式的3部不同电台的识别。结论该算法有效地降低了特征维数,较大地提高了电台的正确识别率。

基于核主分量分析和支持矢量数据描述的雷达目标模糊识别方法

针对雷达目标高分辨距离像(HRRP)存在大量的信息冗余,易受到噪声的污染,可分性较差等问题,本文利用核方法解决非线性问题的优点,提出了基于核主分量分析(KPCA)的雷达目标HRRP特征提取与基于支持矢量数据描述(sVDD)的雷达多目标模糊识别方法。在特征提取过程中,利用KPCA对雷达目标HRRP做降噪与降维处理,使得HRRP降低噪声和姿态角的敏感性;在识别过程中,首先在特征空间求得包含每一类目标训练样本的最小超球体,然后根据各个测试样本到最小超球体球面的距离构造属于各个类别的模糊隶属度,根据模糊隶属度的大小判断测试样本所属的类别。仿真实验结果表明,本文提出的算法应用于雷达多目标识别时,具有较高的正确识别率;同时基于SVDD多目标模糊识别算法训练过程只需对每一类目标进行训练,因此具有计算量小,稳健性能优等优点。所以本文提出的KPCA特征提取与SVDD雷达多目标模糊识别方法有很强的实用性。

基于核主分量相关判别分析特征提取方法的目标HRRP识别

为有效提高雷达高分辨1维距离像目标识别系统的总体性能,需要对目标高分辨1维距离像进行特征提取,以得到具有最小信息损失、高可分性且低维度的目标特征,为实现该目的提出一种基于核主分量相关判别分析的特征提取算法。该算法基于目标高分辨1维距离像的统计特性,通过对核主分量分析中核函数的选择,实现对不同类型距离单元的特征提取。同时综合线性判别分析与典型相关分析理论构建新的准则函数,以实现特征空间中类内相关性与类间差异性最大化,同时减少目标特征中的冗余信息。利用实测数据进行实验,结果表明该方法提高了特征向量的可分性,降低了特征向量的维度,并且对该算法在不同强度杂波下的识别性能进行了分析,实验结果表明,该方法可以有效的提高目标高分辨1维距离像目标识别系统的总体性能。

基于核主分量分析和典型相关分析的语音情感识别

核主分量分析(Kernel principal component analysis,KPCA)是一种利用核方法将主分量分析(Principal component analysis,PCA)推广后的学习方法,KPCA方法能够使得输入空间线性不可分的样本在特征空间有更好的可分性。典型相关分析(Canonical correlation analysis,CCA)是分析两组随机变量之间的相关性的一种统计方法。本文提出将KPCA方法用于语音情感识别中,并采用KPCA和CCA结合的方法用于情感识别。与传统的PCA方法进行了对比,研究结果表明基于KPCA及KPCA+CCA的情感识别有较好的效果。

基于小波特征的快速核主分量分析技术

论文提出了基于小波特征的核主分量分析技术,即在进行非线性映射之前,首先利用小波变换对原始输入训练样本进行预处理,获取低频平滑、水平细节和垂直细节等三个子图的小波特征,然后在频域上,对它们分别进行核主分量分析(KPCA),对最终获得的3组特征向量设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核主分量分析方法,而且,特征抽取速度提高了11倍。

一种核主分量分析重构的雷达目标识别方法

针对雷达目标高分辨距离像(High-Resolution Range Profile,HRRP)识别中等角域划分造成的目标散射特性失配问题,提出一种基于核主分量分析重构的雷达目标识别方法。该方法在等角域划分下利用核主分量分析提取每个角域内HRRP的特征子空间,再将测试样本投影到各角域特征子空间中进行重构,最后通过计算最小重构误差来判别测试样本的类别。基于5种飞机目标的仿真实验表明,核主分量分析重构方法可以松弛角域划分范围,降低角域划分的精度要求,相比主分量分析重构方法和最大相关系数模板匹配法有效提高了识别性能。

非线性映射与特征提取：KMSE模型与核主分量分析技术

分析表明,KMSE模型准则中正则项的使用相当于引入了一个与核矩阵特征值直接相关的项以度量模型的泛化性能。根据矩阵特征值知识,可知核主分量分析实际上为KMSE模型应用过程中的一个中间步骤。此时,KMSE的作用表现为将样本在特征空间中的主分量映射为指示其类别的计算输出值。KMSE模型可看作是在特征空间的主分量分析基础上进一步实施特征变换的过程。本文全面阐述了KMSE模型与KFDA,LS-SVM,核主分量分析以及Bayesian判别函数间的理论关系。此外,通过分类实验测试了KMSE、核主分量分析与本文方法的性能。

基于平移不变核主分量分析的雷达目标识别研究

雷达目标识别中,核主分量分析(KPCA)算法是一种重要的特征提取算法,但雷达目标高分辨率距离像(HRRP)具有平移敏感性,使得该方法应用于基于雷达目标识别系统中具有其缺陷性。采用零相位表示法得到平移不变的HRRP,利用KPCA进行特征维数压缩,利用BP神经网络分类算法来实现识别。仿真实验结果表明,该方法实现了平移不变和降维的结合,具有较高的识别率和很好的推广性。

核主分量分析法提取液体火箭发动机故障特征

某型号液体火箭故障仿真过程中涉及大量描述发动机状态的参数,因此在对该设备进行故障诊断前,需要对监测或仿真数据进行特征提取,以减少存储空间,缩短故障诊断时间。采用主分量分析法及其改进算法核主分量分析法对其故障仿真数据进行特征提取,从多个描述该型号一级火箭发动机故障状态的变量中选取了少量特征,采用这些特征进行故障诊断时,诊断结果正确,同时显著提高了故障诊断的实时性能。

基于KPCA降维分析的特高拱坝监测模型

为提高大坝变形预测精度,针对变形数据影响因子间的多重共线性问题,构建了基于核主成分分析(KPCA)、全局搜索策略的鲸鱼优化算法(GSWOA)和门控循环单元(GRU)的组合预测模型。首先利用KPCA对高维变形序列进行降维处理,同时使用GSWOA对GRU参数进行优化,进而构建出最优变形预测模型。以小湾特高拱坝变形数据为例,将KPCA-GSWOA-GRU模型与KPCA-WOA-GRU模型、PCA-GSWOA-GRU模型以及传统模型进行预测拟合对比。结果表明:KPCA-GSWOA-GRU模型有效降低了多重共线性问题,且在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))等方面均优于对比模型。

基于核主分量分析的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主分量分析(PCA)是最为常用的人脸图像特征提取方法,核主分量分析(KPCA)方法是对PCA方法的一种改进,基于ORL人脸数据库的计算机仿真实验结果证明了KPCA算法的有效性。

基于图像矩阵的核主分量分析技术

作为一种新的特征抽取算法,核主分量分析(KPCA)已经广泛应用于人脸等图像识别任务中.但是该方法的时间复杂度依赖于训练样本的数目N,当N很大时,算法所耗费的时间是相当可观的.本文提出了基于图像矩阵的核主分量分析技术(I-KPCA),解决了上述核方法普遍存在的问题.在CENPARM I数据库上的实验结果验证了本文方法的有效性.

基于核主成分KPCA的LS-SVM的算法分析

主成分分析(PCA)是一种重要的特征抽取方法,而核主成分分析(KPCA)是在此基础上结合核函数提出来的主成分分析法,在多维回归分析中具有重要的作用。最小二乘支持向量机(LS-SVM)是SVM的一种改进算法,将KPCA与LS-SVM结合起来建模,并试验说明较之单独用最小二乘支持向量机(LS-SVM)建模方法具有更良好的推广性。

基于核主成分分析的地震属性优化方法及应用

传统的基于线性变换的主成分分析法(PCA)是一种有效的地震属性降维优化方法。但是,当原始数据中存在非线性属性时,用主成分分析法提取的主成分就不能反映这种非线性属性。而核主成分分析(KPCA)则是一种基于原始数据的非线性变换,它可以提取出数据之间的非线性关系。本文从方法原理概述入手,分析了一般主成分分析在处理非线性问题上存在的不足,阐述了基于核函数的主成分分析方法,并将其首次应用于地震属性的降维优化中。应用结果表明:基于核函数的主成分分析方法具有优秀的特征提取性能。

基于曲波域与核主成分分析的人脸识别

针对小波变换不能充分描述人脸曲线特征的缺点,本文提出一种基于曲波域与核主成分分析(KPCA)的人脸识别算法。采用多尺度、多方向的曲波(Curvelet)变换提取图像特征,不仅具有更高的逼近精度和更好的稀疏表达能力,而且其变换系数能有效表示沿曲线的奇异性。进一步使用核主成分分析(KPCA)将曲波特征系数投影到更具表达力的核空间中,通过最近邻分类器进行分类。并在JAFFE人脸库中、ORL人脸库以及FERET人脸库中做了多组实验,实验结果表明该方法在图像降维和识别率方面都达到了较好的效果。