模糊二维线性鉴别分析算法

在二维线性鉴别分析的基础上,引入了模糊数学的思想,给出了模糊二维线性鉴别分析方法。模糊二维线性鉴别分析通过隶属度函数将样本归入所有的类别之中,根据隶属度重新定义了类间散布矩阵和类内散布矩阵,进而将样本的原始分布信息通过相应的隶属度函数完全融入到最后提取的特征中。通过在ORL和耶鲁人脸库上进行的实验,结果证明了基于模糊二维线性鉴别分析方法的优越性。

二维饱和沉积盆地地震动响应非线性分析

沉积盆地对地震动具有明显的放大效应。利用ABAQUS软件及二次开发平台,编写了基于Davidenkov骨架曲线的VUMAT子程序,对饱和沉积盆地进行了非线性反应模拟。建立不同基岩面坡度的二维T型沉积盆地,输入4条不同频谱特性及幅值的近断层地震波,研究不同盆地基岩面坡度、饱和介质特性、地震波强度等因素对沉积盆地非线性反应规律的影响。研究结果表明,地震波作用可造成饱和沉积盆地发生局部液化,地震波强度越大,液化区分布范围越广,地表处出现了永久塑性变形;地震波强度的增大导致地表土层发生液化的时间提前,且下层土的液化会减弱地震波的传播速度,导致上层地表土发生液化的时间延后;盆地内地表最不利位置随着基岩面坡度的增大逐渐向中心处移动,不同工况下速度峰值放大系数为1.18~3.33。

基于模糊集理论的二维线性鉴别分析新方法

二维线性鉴别分析(2DLDA)是一种直接基于矩阵的特征提取方法,跳过传统的基于Fisher鉴别准则的线性鉴别分析方法中必须先将二维矩阵转化成一维矢量的过程,有效地提高了特征提取速度且避免了小样本问题,其识别率优于传统的Fisherface方法。结合模糊集理论,提出了一种新的2DLDA算法———模糊2DLDA(F1DLDA)算法。首先采用FKNN算法得到相应的样本分布信息,并按其对最后得到的特征向量所作的贡献融入到特征抽取过程中,得到有效的样本特征向量集。实验表明,F2DLDA算法的性能优于传统的2DLDA算法和Fisherface方法。

二维非线性鉴别分析及人脸识别

二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的Fisher线性鉴别分析通常存在的"小样本问题",而且使其特征抽取的速度有了大幅度的提高.本文通过引入著名的"核技巧",将二维最大散度差线性鉴别分析扩展到非线性空间,提出了一种新的二维核最大散度差鉴别分析方法.该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显著提高,而且为二维非线性鉴别分析提供了一个统一的构架.最后在AR标准人脸库中的实验结果验证了本文算法的有效性.

二维线性鉴别分析和协同表示的面部识别方法

针对图像特征提取方法提取单一特征不能很好地表示图像的问题,提出了二维线性鉴别分析和协同表示的面部识别方法.该方法首先通过二维线性鉴别分析(Two-Dimensional Linear Discriminant Analysis,2DLDA)分别对训练样本的类间散布矩阵和类内散布矩阵提取特征,之后利用得到的特征重建图像,包括类间虚拟图像和类内虚拟图像.其次,将类间虚拟图像、类内虚拟图像和原始图像利用协同表示(Collaborative Representation,CR)算法进行得分.最后,采用加权得分融合算法将上述得分进行融合以获得最终得分,并利用最终得分进行图像识别.该方法不仅有效的抑制了光照和表情对面部识别的影响,同时根据获得的类间虚拟图像、类内虚拟图像与原始图像互补,有效的提高面部图像识别的性能.实验结果表明,该方法在不同的数据库下(ORL、AR、GT)具有较好的识别精度.

基于分块二维线性鉴别分析的人脸识别

基于2DLDA方法,提出了一种基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点:分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明:该方法在识别性能上优于2DLDA方法。

一种自适应加权的双向二维线性鉴别分析算法

二维线性鉴别分析是一种直接基于矩阵的特征提取方法,有效地提高了特征提取速度且避免了小样本问题,但是提取的特征向量维数高,不利于后期分类,而且获得的最佳投影矩阵只是来自于图像的列信息.另外,不同的样本在求取最佳投影矩阵时,所起的作用是不一样的,因此提出了一种自适应加权的双向二维线性鉴别分析算法,即是对图像矩阵顺序地进行水平和垂直2个方向的二维线性鉴别分析,自适应加权处理则是使不同的样本带有不同的权值,以提高样本在低维线性空间中的可分性.在ORL和Yale人脸库上的实验结果表明,改进的算法在降低了原算法提取的特征向量维数的同时,较原二维线性鉴别分析的识别性能有了较明显的改善.

基于二维相关近红外光谱的老陈醋醋龄鉴别

采用二维相关近红外光谱技术与判别分析(DA)方法相结合鉴别不同醋龄的老陈醋样品。选取5个醋龄共100个老陈醋样品,在室温下采集所有样品的一维近红外光谱。以醋龄作为外扰因素,构建各样品在1001~1830 nm波段范围的二维相关同步谱和异步谱,分析其二维相关谱图的光谱特征。基于二维相关同步谱的对角线数据(即自相关谱),建立不同醋龄老陈醋样品的判别分析模型,模型校正集的识别准确率为97.3%,预测集识别准确率为96%。研究结果表明,所提出的方法可提供随醋龄变化的更多光谱特征信息,为老陈醋醋龄快速鉴别提供一种精度高的分类模型。

二维超声征象多参数综合分析对乳腺良恶性肿瘤鉴别诊断的意义

目的 探讨二维超声征象多参数综合分析对乳腺良恶性肿瘤鉴别诊断的意义。方法 应用高频二维超声对乳腺恶性肿瘤观察以下指标 :病灶形态 ,病灶边界 ,病灶周围 ,病灶内部 ,病灶后方及有无微小钙化灶 ,同时选择乳腺良性肿瘤作对照组。两组病例超声诊断与手术病理诊断结果进行对照。结果 乳腺癌组 3 8个病灶 (71.7% )大体形态不规则 ,41个病灶 (77.4% )边界有毛刺或锯齿状 ,43个病灶 (81.1% )周围无包膜或壁 ,40个病灶 (75 .5 % )内部回声不均匀 ,9个病灶(17.0 % )后方回声衰减 ,17个病灶 (3 2 .0 % )内部有微小钙化灶。超声诊断乳腺癌与手术病理诊断符合率为 95 .3 % (4 1/ 43例 )。结论 二维超声征象多参数综合分析对大多数乳腺恶性肿瘤有助于明确诊断 。

基于二维子分类鉴别分析的SAR图像识别方法研究

本文在分析传统二维鉴别分析方法局限性的基础上,提出了一种基于二维子分类鉴别分析的合成孔径雷达图像识别方法.该方法首先对SAR图像进行图像预处理,然后利用图像欧氏距离对每类目标进行子类划分,并由图像的行信息和列信息提出了两种二维子分类鉴别分析方法,最后利用最近邻分类器对提取的特征投影矩阵进行分类识别.本文利用美国实测的MSTAR数据对算法进行了仿真验证,实验结果表明了本文方法的正确性和有效性.

核二维子类鉴别分析

针对图像数据的多子类线性不可分问题,提出一种快速核二维子类鉴别分析算法(K2DSDA).算法从理论证明K2DSDA等价于基于核样本列(行)向量的2DSDA,并结合快速核样本图像近似定义实现最优判别向量计算,降低了算法复杂度.实验显示,本文算法在多个标准人脸库上的分类准确率优于其他鉴别分析算法,这证实了K2DSDA的有效性.

非线性吸附条件下填埋场污染物运移过程二维数值分析

假设填埋场下部为三层结构体系,且渗流场稳态,建立了污染物二维运移控制方程。在控制方程中分别考虑垃圾降解效应、压实黏土衬里的非线性吸附特性、滞水层与含水层的线性吸附特性及各向异性。采用数值分析方法对某一假想填埋场进行具体计算。通过变动参数计算与分析,计算结果表明:压实黏土衬里和滞水层的垂直弥散系数为污染物二维运移的敏感因素。仅考虑压实黏土衬里的非线性吸附特性下,复合参数Sl,m为污染物运移的敏感因素,当Sl,m取值较大时,污染物的水平向运移能力增强,而对吸附强度Kl,l不敏感。滞水层线性吸附对污染物运移影响显著而含水层吸附性影响较弱。

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析(2D-LDA)对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻(KNN)分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类(柴油、汽油、航空煤油、润滑油)样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。

基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。

基于双向二维直接线性判别分析的人脸表情识别

提出基于双向二维直接线性判别分析的人脸表情识别新算法。新算法从水平和垂直两个方向对图像矩阵执行直接线性判别分析,从二维图像中提取图像协方差矩阵,降低特征维数,减少表示图像时所需要的系数及其存储空间。另外,不使用奇异值分解方法,便可得到图像协方差矩阵的特征向量,能够精确地估计图像协方差矩阵。在JAFFE人脸表情数据库中的试验结果表明,所提算法具有较高的识别率。

基于二维局部保持鉴别分析的特征提取算法

提出了一种二维局部保持鉴别分析(Two-dimensional Locality Preserving Discriminant Analysis,2D-LPDA)特征提取算法。该算法直接对图像矩阵进行运算而不需要将矩阵转化为向量后进行运算,较好地保持了图像相邻像素之间的空间结构关系;在LPP算法的基础上,利用训练样本的类别信息计算二维类间散度矩阵和二维类内散度矩阵,并在2D-LPDA的目标函数中引入最大间距准则(Maximum Margin Criterion,MMC),从而求得具有良好鉴别能力的投影向量,同时还避免了小样本情况下矩阵的奇异性问题。通过在ORL人脸图像库上的人脸识别和新生儿面部图像库上的疼痛表情识别实验,验证了所提出的算法的有效性。

RC结构二维非线性有限元分析模型的探讨

由于钢筋混凝土结构组成材料的特殊性,在有限元分析过程中,材料本构模型特别是混凝土的材料模型对分析结果的合理性和准确性有很大的影响。对RC结构的二维有限元分析(2D-FEA)的钢筋、混凝土的材料本构模型的合理选取进行了探讨,通过RC平板和单层剪力墙的二维非线性有限元分析,分析结果与试验结果符合较好,得出文中所探讨的材料本构模型能较好地模拟RC结构的非线性特性。

一种基于松弛条件的改进模糊线性鉴别分析算法

对模糊线性鉴别分析算法进行了本质研究。通过采用模糊k近邻(FKNN)方法得到相应的样本分布隶属度信息,同时考虑到离群样本对整个分类结果的不利影响,提出了一种松弛的归一化条件,将每一个样本的隶属度根据它对散布矩阵重定义所做的贡献按照松弛条件融入到特征抽取的过程中,从而得到完整有效的模糊样本特征向量集。该算法同传统模糊线性鉴别分析方法相比有效地解决了小样本和离群样本问题,在ORL和NUST603人脸数据库上的实验结果验证了它的有效性。

泉州盆地地震效应的二维非线性分析

基于ABAQUS显式有限元并行计算平台,采用大尺度二维精细化有限元非线性分析方法,研究泉州盆地地震效应特征。结果表明:(1)与基岩输入地震动相比,地表峰值加速度总体呈放大效应,且盆地不同位置的放大效应存在明显差异;(2)地表或基岩剧烈起伏及土层横向分布极不均匀处,地震动易产生局部聚集效应,相应地表地震动呈显著放大或缩小效应;地表加速度反应谱产生双峰甚至多峰现象。(3)在土层竖向、横向分布不均匀处,峰值加速度沿深度方向呈非单调递减,加速度反应谱沿深度存在较大差异。场地地震效应的二维非线性分析法能在一定程度上反映特殊场地条件对地震动效应的影响,该结果可为泉州盆地及类似盆地的场地设计地震动参数的确定提供参考依据。