核Foley-Sammon变换

在模式识别领域,基于Fisher判别准则的Foley-Sammon变换技术有很大的影响.但是线性判别并不总是最优的.文章提出了一种基于核技巧(Kernel tricks)的非线性的特征提取技术KFST(Foley-Sammon Transformwith Kernels)——通过引入核技巧,可以在特征空间中有效计算FST.特征空间中的线性特征提取对应于输入空间的非线性特征提取.试验表明,KFST比FST具有更好的特征提取能力.

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

加权核范数最小化和改进小波阈值函数的图像去噪算法

针对加权核范数最小化算法存在结构残余噪声以及无法较好地保持图像边缘结构的问题,提出基于加权核范数最小化和改进小波阈值函数的图像去噪算法。利用全变分模型对噪声图像进行初步去噪,使用噪声图像与初步去噪后的图像进行差分运算,对差分后得到的噪声残差图像使用改进的小波阈值函数去噪,将小波去噪后的残差图像与初步去噪图像叠加,将叠加后的图像使用基于残余噪声水平迭代的加权核范数最小化算法进行二次去噪。相较于当下主流去噪算法,经该算法处理后的图像的PSNR和SSIM值均有所提升,能够更好地保持图像的纹理结构,且在高噪声环境下效果更佳。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

基于小波变换的核主泵惰转过程叶轮压力脉动及泵内部流动规律

为研究惰转过程核主泵内部的流动规律,应用数值模拟的方法对核主泵内部流场进行计算,得到不同惰转流量时间(T_(Qi))下叶轮流道内压力脉动的时频特性.对叶轮压力脉动进行小波变换分析,并采用第二代涡识别方法Q准则对不同工况下各过流部件进行涡识别.研究结果表明:在惰转过程中,惰转初期压力脉动系数最大变化发生在导叶中部,随后最大变化率发生在叶轮与导叶的动静交界面,最后压力脉动变化趋于稳定;随着叶轮转速和流量逐渐减小,导叶做功区域向出口附近转移;隔舌部位由于结构特殊所受冲击较大,附近有回流产生,并有向流道中部扩散的迹象;压力脉动趋于稳定值,主要频率向低频转移,各部件流道内压力脉动规律性逐渐被破坏,其中导叶流道规律性变化趋势较为平缓;流道内的部分强涡区域呈现分离脱落迹象,并且数量逐渐减少;压水室内的涡核主要集中于左侧,与叶轮旋转方向有关.研究可为核主泵在惰转特性优化设计提供一定理论支撑.

卫星线阵立体影像的倾斜仿射变换核线模型

核线约束是构建摄影测量立体模型的重要条件。由于卫星线阵影像的多中心投影特性,难以建立其严格的核线模型。文章从上下视差最小的同名核线特征出发,在仿射变换模型基础上引入核线倾角变化参数,提出一种新的倾斜仿射变换核线模型。通过“无误差”的虚拟同名点仿真试验表明,文章提出的模型受影像范围及地表高差影响较小,在影像区块6000像元×6000像元、地表高差1000m情况下,对于不同形式卫星立体影像的模型误差均小于1个像元。进一步使用实际匹配同名点平差,实验表明:对于SPOT-5、“资源三号”和“高分七号”等卫星影像,文章模型误差相对于匹配观测误差可忽略,实际核线精度在整景影像范围内优于0.8像元,所生成核线影像能够满足后续密集匹配要求。新模型的精确性和普适性相比现有同类模型显著提升,可实际应用于卫星摄影测量处理。

核测量系统关键电路故障诊断与预测方法研究

探讨了一种可实现核测量系统关键电路故障诊断与预测的方法。以核测量系统放大电路为研究对象,采用PSPICE对电路进行建模,通过小波包变换从电路脉冲响应信号中提取出代表电路状态的故障特征信息,将故障特征信息输入BP神经网络模型开展故障诊断研究,同时,基于相关向量机模型(RVM)开展故障预测研究。研究结果表明:该故障诊断模型对不同故障模式的识别准确率高达99%,且基于量子粒子群滤波算法(QPSO)的RVM模型能够实现电路故障指标发展趋势的准确预测。本项研究可为核测量系统关键电路的维护、保障提供更充实的理论支撑。

基于改进动态核主元分析算法的化工过程故障检测

为克服工业过程数据的非线性、动态性等限制,提出基于希尔伯特黄变换的动态核主元分析算法(HHT-DKPCA)。首先用标准化正常数据计算均值和标准差,之后对原始数据进行标准化。然后对协方差矩阵进行特征分解,将数据映射到低维空间。HHT变换去噪前对每个主元变量进行降维,然后将去噪后的数据重新映射到高维空间,并重新计算T^(2)和SPE。将HHT-DKPCA与PCA、KPCA、DKPCA、HHT-PCA在TE过程故障数据上的处理结果进行比较,结果表明,HHT-DKPCA具有更高的故障检测率。

基于S变换谱核密度估计的齿轮故障诊断

针对齿轮在故障损伤状态下的振动信号,提出一种基于S变换谱二维核密度估计的冲击特征提取方法,以实现齿轮的故障诊断。该方法首先对包含冲击特征的振动信号进行S变换;然后将S变换谱乘以一个系数后圆整,得到一个整数矩阵;最后以S变换谱的时间和频率构成一个二维随机变量,以整数矩阵中的元素值作为二维随机变量各个采样样本的个数,对二维随机变量进行核密度估计,并最终得到一个二维核密度函数。该核密度函数相当于由S变换谱经过一次平滑去噪的过程获得,其中的噪声得到了有效的抑制,而冲击特征则得到了加强与突显。仿真振动信号和齿轮箱故障振动信号的分析结果表明,该方法能够有效地强化并提取出振动信号中周期性的冲击特征,从而实现齿轮箱相关故障的诊断。

基于分水岭变换和核聚类算法的图像分割

提出了一种基于分水岭变换和核聚类算法的图像分割算法.通过分水岭变换把图像分割成多个小区域,为实现过分割小区域的合并,利用M ercer核把各小区域的灰度平均值映射到高维特征空间,使原来没有显现的特征突现出来,在特征空间进行更准确的聚类,为下一步图像分析提供较为准确的分割区域.实验结果证明了该算法的可行性和有效性.

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.

基于核主成分分析与小波变换的高质量微博提取

在线社交媒体中存在大量的噪音和冗余信息,为对其进行过滤和筛选,获取高质量的信息,提出基于核主分析和小波变换的高质量微博提取框架,并设计一种基于多特征融合的高质量信息的提取算法,将信息特征转换到小波域以更好地捕获信号间的细节差异。利用最大期望算法度量各个特征的权值,进一步融合得到特征综合值。为降低噪声特征对信息质量提取的影响并提高算法运算速度,引入核主成分分析对特征进行变换。实验结果表明,该框架能够提取出更高质量的微博,并且大幅减少运算时间。

一种基于空间变换的核Fisher鉴别分析

引入空间变换的思想,提出了一种基于空间变换的核Fisher鉴别分析,与KFDA不同的是,该方法只需在一个较低维的空间内执行,从而较大幅度地降低了求解最优鉴别矢量集的计算量,提高了计算速度。在ORL标准人脸库上的试验结果验证了所提方法的有效性。

基于Knab内插核的Keystone变换

研究了利用Knab内插核实现Keystone变换的方法,用于补偿宽带信号长时间相参积累过程中运动目标跨距离单元走动引起的波形发散。首先分析了Keystone变换的原理及实现方法,然后针对Keystone变换过程中一维sinc内插导致的算法运算量过大的问题,提出利用Knab内插核代替sinc内插核实现Keystone变换的方法,提高算法的运算效率。在回波信号的慢时间域满足一定过采样率的前提下,该算法可以用较少的内插点数实现运动目标的速度补偿。理论分析及仿真表明,利用Knab内插核实现Keystone变换,可以在保证算法速度补偿性能的前提下,有效地提高运算效率,有利于工程实现。

基于核最优变换与聚类中心的雷达目标识别

抽取有效鉴别特征是雷达一维高分辨距离像识别的关键.基于统计学习理论的核化原理,提出一种新的鉴别特征提取方法——核最优变换与聚类中心算法.该算法通过非线性变换,将数据映射到核空间,在核空间执行最优变换与聚类中心算法,能够提取一维距离像的稳健非线性鉴别特征.同时,基于训练样本在核空间所张成的子空间的一组基,给出一种快速计算方法,提高了特征提取速度.基于微波暗室实测数据的实验表明了该方法的有效性.

基于核最优K-L变换的故障特征提取方法研究

核函数主元分析KPCA(kernel princ ipal component analysis)能够提取机械故障信号的非线性特征,可以应用于机械故障状态识别。但是KPCA是一种无监督的特征提取方法,不能利用故障信号中的类别信息。本文介绍了一种核最优K-L变换,它可以充分利用类别信息,它能够提取类平均向量和方差向量中的判别信息,使提取的特征分类效果更好。在齿轮故障诊断实验中,采用核最优K-L变换提取故障信号的非线性特征,实验结果表明核最优K-L变换相比KPCA故障识别结果更为理想。

核最优变换与聚类中心的算法

基于核化原理,提出核最优变换与聚类中心算法.算法通过非线性变换,将数据映射到核空间,并在核空间中执行最优变换与聚类中心算法.该算法可提取稳健的非线性鉴别特征,解决复杂分布数据的模式分类问题.同时,基于训练样本在核空间所张成的子空间的一组基,提出一个快速提取鉴别特征的计算方法,解决了一般核方法面临的"大训练集"难题.基于IRIS,YEAST,GLASS等数据的分类实验验证了该方法的有效性.

基于主成分变换的核径迹图像噪声分析及消除

由于径迹片在生产、贮存和蚀刻过程中易形成杂质、气泡及划痕,导致所获取的核径迹图像常常伴随着各种类型的噪声,因此如何有效地去除噪声的影响,为后续核径迹图像识别、分类与计数奠定基础,是图像预处理阶段的一个重要任务。本文选择一组聚焦性能好的核径迹图像,基于主成分变换和傅立叶变换的噪声分析,使用高斯低通滤波器进行去噪处理。实验结果表明了该方法的有效性和可操作性。

基于Foley-Sammon变换的朴素贝叶斯分类器

朴素贝叶斯分类器是机器学习领域中一种重要的分类算法,根据该算法的前提,利用Foley-Sammon变换算法进行特征提取,提出了一种基于Foley-Sammon变换的朴素贝叶斯分类器NBFST(Na ve Bayesian Classifier with Foley-Sammon Transform).结果表明,NBFST能够在大多数数据集上具有较高的分类准确率.

基于图谱理论几何空间结构变换的大数据核聚类算法

现有核聚类算法需要学习完整的核矩阵,计算效率较低,仅适用于小规模数据,对此提出了基于图谱理论的核函数分类算法。首先,基于图谱理论建立无标记数据的相似度图;然后,计算其拉普拉斯矩阵,并选取拉普拉斯矩阵的部分特征向量来学习;最后,利用核K-means算法实现数据分类。对比实验结果证明,本算法在具有较好聚类性能的前提下,计算效率明显优于其他同类型算法,并适合中型及大型规模数据分类处理。