基于核独立成分分析的极化SAR图像相干斑抑制

为提高极化合成孔径雷达图像相干斑抑制的效果,提出基于核独立成分分析(kernel independent component analysis,KICA)的极化SAR图像相干斑抑制方法。该方法将三个通道的极化信息作为输入数据,经过KICA变换得到三个独立分量,取相干斑指数最小的分量作为滤波后的信息图像。由于将核函数引入到独立成分分析(independent component analysis,ICA)中,使在ICA中无法线性可分的信息在高维空间中达到线性可分。采用旧金山地区的AIRSAR数据与日本新潟地区的PISAR数据分别进行试验,并用相干斑指数和边缘保持系数从客观上进行评价。试验表明,与ICA算法相比,KICA算法具有更好的滤波效果和保持边缘信息的能力。

基于红外光谱-小波变换-核独立成分分析的地黄炮制过程终点确定

对地黄炮制过程采集样品进行进行红外光谱(IR)测试,利用连续小波变换(CWT)对原始IR数据进行噪音滤除与背景扣除,再对混合信号进行核独立成分分析(KICA),提取其中能够体现纯组分光谱特征轮廓的独立组分(IC)信息,根据独立组分及其相对强度变化趋势表征地黄炮制过程,建立了地黄炮制过程的终点判断的新方法.

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。

基于独立成分分析和核向量机的人脸识别

提出利用独立成分分析提取人脸特征并用核向量机进行识别的方法。独立成分分析能更本质地描述图像特征,通过选择合适的特征个数达到较高的识别准确率。利用核向量机进行分类判决,可以快速地对大样本数据进行准确分类,产生较少的支持向量。实验证明了该方法的可行性和有效性,在ORL人脸数据库上达到了94.38%的准确率。

基于独立成分分析与核典型相关分析的WLAN室内定位方法

接收信号强度(received signal strength,RSS)在WLAN室内定位环境中存在时变特性,降低了WLAN定位环境中RSS信号与位置信息之间的相关性,致使定位精度降低。针对这一问题,提出通过利用独立成分分析(independent component analysis,ICA)对RSS信号进行数据降维和去相关处理,提取独立分量;然后采用核典型相关分析(kernel canonical correlation analysis,KCCA)来提取独立分量与位置信息之间的典型相关特征;最后结合传统定位算法如加权K近邻法(weighted K nearest neighbors,WKNN)、支持向量机(support vector machine,SVM)算法实现定位。实验结果表明,传统定位算法WKNN、SVM算法通过运用ICA与KCCA特征提取后再进行定位其定位精度得到了提高。

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。

基于核独立成分分析的盲多用户检测算法

针对部分多用户检测算法需要对信道参数进行估计的缺点,提出了一种基于核独立成分分析的盲多用户检测算法.该算法根据源信号的不同分布情况,在重建核希尔伯特空间内选取不同的非线性函数作为对比函数,将信号从低维空间映射到高维空间.在高维空间,接收端利用已知信息,将目标用户扩频码作为解混矩阵的初始值,利用自适应方法进行迭代,有效地解决了盲信号分离的无序性,实现了目标用户信号的提取.仿真实验表明,该算法的误码率性能在用户数量增大和远近效应严重的情况下都远优于基于匹配滤波器的单用户检测器,与传统独立成分分析方法相比更具灵活性和鲁棒性.

集成众核上快速独立成分分析降维并行算法

高光谱遥感影像快速独立成分分析(fast independent component analysis,FastICA)降维过程包含大规模矩阵计算及大量迭代计算.通过热点分析,面向集成众核(many integrated core,MIC)架构设计了协方差矩阵计算、白化处理和ICA迭代等热点并行方案,提出和实现一种M-FastICA并行降维算法,并构建算法性能模型;基于集成众核研究并行程序优化策略,针对各热点并行方案提出一系列优化策略,特别是创新性地提出一种下三角阵负载均衡方法,并量化测试其优化效果.实验结果显示M-FastICA算法最高可加速42倍,比24核CPU多线程并行快2.2倍;探讨了波段数与并行程序性能的关系;实验数据验证了算法性能模型的准确性.

基于核独立成分分析的人脸识别

研究一种基于核独立成分分析的人脸识别方法。利用支持向量机的核函数思想,将原始人脸图像向量映射到高维特征空间,然后在高维特征空间中进行独立成分分析(ICA),提取非线性独立成分作为特征向量进行分类识别。实验结果表明该方法要比常规的基于ICA和PCA的人脸识别算法的识别率要高。

结合独立成分分析和核向量机进行人脸识别

在人脸识别过程中,首先利用独立成分分析得到独立的人脸基影像,所提取的特征就是人脸图像在基影像上的投影系数,通过选择合适的特征个数可以达到较高的识别准确率。然后采用支持向量机和核向量机分别对待识别图像在基影像上的投影系数进行分类判决,结果显示二者都能达到较高的识别准确率,但随着特征个数的增加,核向量机的准确率更高,训练时间更短,支持向量更少。实验表明方法可行有效的。

应用核独立成分分析进行弱周期性步态识别研究

提出一种基于时空能量图和核独立成分分析的步态特征表达和步态识别方法,利用步态序列图像的非线性特征和高维统计信息,并消除识别算法对时间配准和步态周期定位的依赖,时空能量图集成了步行运动信息中时间与空间变化的特点,并极大地减少了特征的数据量。针对10人值班的涉密场所进行步态识别正确率达到93.9%。实验结果表明该算法具有较好的识别性能和相当低的空间需求和计算量。

基于独立成分分析和核向量机的虹膜识别方法

针对虹膜识别过程中的特征提取及识别问题,提出了用独立成分分析提取虹膜特征,用核向量机进行识别的方法。从采集到的人眼图像中定位虹膜,并对其进行归一化处理和图像增强处理。用独立成分分析提取统计独立的特征,通过选择合适的特征个数可以达到较高的识别准确率。在得到虹膜特征编码后,用核向量机进行分类判决,核向量机是一种适合大规模数据集的快速支持向量机训练算法,并将结果与支持向量机的分类结果进行了对比。实验结果表明了该方法的可行性和有效性。

基于动态核独立成分统计散度的高阻故障检测

为提高配电网运行的可靠性,提出了一种基于动态核独立成分统计散度的配电网高阻故障检测方法。将滞后系数和核独立成分分析结合得到动态核独立成分分析算法,将Wasserstein散度引入T^(2)统计量形成动态独立成分散度判别统计量,对动态核多元独立成分间的概率分布差异进行度量,最后将统计量幅值和越限时间构成判别条件用于对统计量度量结果的判别,实现高阻故障检测。通过仿真结果可知所提方法能够准确地检测出不同类型的高阻故障,具有有效性和可行性。

核独立成分分析在图像处理中的应用

简要介绍了盲源分离技术和独立成分分析的基本思想。阐述和讨论了核函数和核独立成分分析(KI-CA)的基本原理,详细介绍了基于核典型相关性分析的核独立成分分析的基本算法。用KICA对一维混合信号的分离进行了模拟实验,目的是验证KICA的优越性能。之后通过实验分别讲述了KICA在自然图像和遥感影像处理的应用。最后指出了ICA所固有的分离结果的序号和幅度不确定性的问题。实验表明,KICA能够很好地分离混合图像,而且经处理的遥感影像能够更清晰地反映地表情况。

基于核独立成分分析的声信号去噪方法

野外环境无线传感侦查网络中的声识别技术面临着复杂的自然环境噪声的挑战,尤其是由强风噪声造成的影响。独立成分分析(ICA)方法是一种能够较好地解决这种复杂环境去噪的方法。引入一种基于核方法的非线性ICA方法——核独立成分分析(KICA)。基于该算法,针对强风噪声的特性,设计一种应用于单声传感器降噪的方案。通过降噪仿真实验,对KICA与ICA的典型算法快速ICA算法进行比较。实验结果表明:在以均方误差作为指标的降噪性能和实际分类识别率两方面,KICA算法相较于快速ICA算法对于该种强噪声具有更为优秀的降噪效果。

基于核独立成分分析和BP网络的人脸识别

用基于非线性子空间的核独立成分分析方法(KICA)对人脸图像进行特征提取,用三层的BP网络作为分类器,对人脸进行识别。在简单介绍基本的独立成分分析(ICA)的基本原理的基础上,对KICA的原理和算法作了详细的描述,并详细介绍了三层BP网络的设计。最后为了验证KICA+BP网络的效果,进行对比实验和分析。实验和分析的结果表明,在人脸识别中,该方法的效果明显好于其它方法。

基于核熵成分分析结合独立元分析的故障检测方法

针对工业过程具有多变量、非线性、非高斯等特点,提出了一种基于核熵成分分析与独立元分析的(KECA-ICA)的故障检测方法。首先通过核熵成分分析对数据进行降维,保证了信息量损失最小;然后对熵成分的得分矩阵进行ICA分解,并根据监测量SPE和I2的状态判断系统是否发生故障。通过对TE(Tennessee Eastman)过程的仿真研究,验证了该方法的可行性与有效性,并且对检测效果的鲁棒性能进行了分析。

基于核熵独立成分分析的故障检测方法

传统核独立成分分析(KICA)依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析(KEICA)的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析(ICA)模型。对训练样本求I^(2)和SPE统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman(TE)过程的故障检测,并与传统的核主成分分析(KPCA)、核熵成分分析(KECA)和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。

行列分块的核独立成分分析的人脸识别方法

提出一种行列分块的核独立成分分析(RC-KICA)的人脸识别方法。RC-KICA先对人脸图像矩阵按行列分块;然后对训练样本集依次进行行和列的核独立成分分析,得到左右解混矩阵;最后把训练样本子块投影到解混矩阵构成的特征空间进行特征提取及分类识别。RC-KICA更大程度地降低了样本维数,更好地解决了KICA高维小样本的缺陷。在YALE人脸库上的实验结果表明RC-KICA优于KICA和B-KICA。