变运营环境下基于混合主成分分析的结构损伤识别方法

运营环境变化通常会引起结构动力特性随之变化,进而掩盖损伤引起的变化。在工程实际中,剔除运营环境变化的影响对结构损伤识别至关重要,当前较多采用主成分分析实现该目的。然而,传统的主成分分析仅当数据近似满足高斯分布且线性相关时非常有效,当数据中存在非高斯分布和非线性相关等情形时则效果较差。为此,提出一种基于混合主成分分析的结构损伤识别方法,首先,利用高斯混合模型将多维(非高斯分布且非线性相关)数据的联合概率密度函数拟合为多个局部高斯分量的线性组合;其次,对所有高斯分量分别建立相应的主成分分析模型;最后,对所有主成分分析模型的残差部分分别计算马氏平方距离和欧氏平方距离,经加权标准化后作为结构的综合损伤指标。采用质量弹簧系统仿真数据和木桁架桥试验数据对所提方法进行验证,结果表明:该方法可有效处理损伤特征数据中的非高斯分布和非线性相关等问题,从而剔除运营环境变化的影响以显著提升结构损伤识别的能力。

基于混合概率主成分分析的HRRP特征提取

针对主成分分析(principal component analysis,PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile,HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization,EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。

比值-特征主成分混合分析提取金矿蚀变信息——以赣南遂川地区为例

在分析与金矿成矿有关的两类蚀变岩的ＴＭ波谱特征的基础上，以赣南遂川地区为实验区，利用比值－特征主成分混合分析进行了金矿蚀变岩信息提取，为找矿预测和野外工作指明了方向。

一种基于混合概率PCA模型的高光谱图像非监督分类方法

提出了一种在期望最大化(EM)算法框架下同时实现混合概率主成分分析(PPCA)降维和聚类的高光谱图像非监督分类方法。它根据不同类别应各有自己代表性的特征集,将通常意义下的特征抽取和模式分类合并在一步内完成,尽可能地保留了可分性;同时该方法具有概率模型的优点,更适合高维数据处理。采用仿真数据和真实数据进行的比较实验表明,该算法较一般不加区分地对所有原始数据进行PCA降维再分类的方法能得到更好的分类结果。

基于混合概率PCA模型高光谱图像本征维数确定

如何有效实现降维是现代成像光谱仪辨识地物类别的一个难点所在。该文在已知高光谱图像地物类别数的情况下,提出了一种采用混合最小描述长度(MMDL)模型选择准则确定高光谱图像本征维数的方法。该方法在期望最大化算法框架下同时实现混合PPCA降维和聚类,并根据MMDL准则确定数据降维维数,可以得到数据在概率意义下的精确的降维表征。仿真数据和真实数据进行的比较实验表明,该方法能精确地选择数据的本征维数。

面向高维混合不平衡信贷数据的单类分类方法

为实现对高维混合、不平衡信贷数据中的不良贷款者的准确预测,从降维预处理和分类算法两方面进行优化,提出一种基于混合数据主成分分析(Principal Component Analysis of Mixed Data,PCAmix)预处理的单类K近邻(K-Nearest Neighbor,KNN)计算均值算法。针对传统的主成分分析(Principal Component Analysis,PCA)不能直接处理定性变量的问题,使用PCAmix降维预处理数据,为规避不平衡数据在二分类模型中性能较差的缺点,采用单类分类和K近邻算法邻居计算的思想,仅采用多数类训练模型。利用Bootstrap方法找到最佳的决策边界,使得正负样本最大限度地分离,最终准确预测客户的违约风险。采用UCI数据库中的German和Default个人信用评分数据集进行验证,实验结果表明该算法在处理高维混合、不平衡的信贷数据上具有较好的分类效果。

Mixed KPCA结合纹理特征的SVM盐碱土信息提取

核函数是核主成分分析(Kernel Principal Component Analysis,KPCA)的核心,目前使用的核函数都是单一核函数。尝试通过将光谱角径向基核函数(Spectral Angle Radial Basis Function,SA-RBF)与RBF组合形成混合核函数。在研究中,利用基于该混合核函数的KPCA进行特征提取,将其光谱特征波段和纹理特征相结合用于盐碱土的SVM分类,将分类结果与其他SVM分类进行比较,结果表明:该方法优于其他SVM方法,能有效提取玛纳斯河流域绿洲区的盐碱土专题信息,分类精度是89.000%,kappa系数是0.876。

基于融合特征和HKPCA的情绪识别方法研究

随着人工智能的快速发展,情绪在人机交互中的需求不断提升,所以研究者对情绪识别的相关研究青睐有加。现有的核主成分分析(kernel principal component analysis, KPCA)方法大多是基于单核函数的研究,其对情绪脑电的识别率不高。针对上述问题,在原有KPCA算法的基础上,提出了基于改进核主成分分析的情绪脑电识别研究方法。方法通过利用混合核函数改进KPCA,对情绪脑电特征进行降维处理,保留了更有效的信息。然后再结合支持向量机(support vector machine, SVM)来进行分类识别。以SEED数据集作为研究对象,实验结果表明,混合核主成分分析算法在对积极和消极情绪进行分类时,其识别准确率最高,达到94.8148%。这说明上述方法能够有效提取较完整的脑电特征信息,从而提高情绪脑电的识别率。

自适应秩收敛低秩算法压制沙漠地震随机噪声

针对沙漠地震记录中包含大量复杂噪声降低信噪比的问题,提出一种将变分模态分解(VMD:Variational Mode Decomposition)与混合高斯鲁棒主成分分析(MoG-RPCA:Mixture of Gauss-Robust Principal Component Analysis)相结合的自适应秩收敛去噪算法。首先利用VMD对含噪记录进行分解,将分解得到所有模态重排成一个新的信号矩阵,并对其进行MoG-RPCA低秩分解,当分解误差满足预设要求时提取有效低秩分量,最后将低秩矩阵中每一道信号的所有模态叠加并与含噪记录作差得到最终去噪结果。该方法既规避了VMD模态取舍问题,同时对传统低秩分解进行自适应秩收敛,从而无需多次调整秩数大小。模拟实验和实际数据处理表明,该算法可以有效压制低频噪声,对有效信号幅度保持均能到达85%以上。

激光点云的混合流形谱聚类自适应分割方法

将激光点云视为分布于三维欧氏空间的线性与非线性混合流形,提出一种基于混合流形谱聚类的自适应点云分割方法。由混合概率主成分分析法构造的M个主成分分析器组成混合概率模型,得到描述点云的邻接矩阵;将点云分割的几何特征在谱空间进行降维嵌入,利用N-cut方法得到描述点云分割特征的多维向量;结合类间类内划分算法自适应分割点云。实验结果表明,对于三种受测点云,所提出的算法能在较宽预设参数范围内以80%以上概率得到收敛于几何特征的分割结果,参数稳定性较好。在对点云添加均值为0,标准差为0.01的高斯噪声与0.25倍数量的离群点复合噪声的情况下,算法表现出良好的抗噪性;将该算法应用于切片式激光三维成像的卫星模型点云中也取得了理想分割结果。

基于KLFCV数据分布形式的多尺度MRF红外目标分割

提出了一种建立在红外多波段图像基础上的目标分割新方法。首先,对8～14μm成像波段通过滤光片细分为4个小的波段范围,用多波段图像代替单一波段图像,提高图像信息量;然后,根据多波段图像特点,通过对文献KLFCV模糊聚类模型进行分析,给出一种新的数据分布形式,用它作为多尺度Markov随机场(MRF)模型的数据似然分布;最后,利用EM算法给出相应参数估计。人工模拟数据和实际场景图像的分割试验结果表明,本文方法在目标分割完整性和噪声抑制性上和相关文献相比均有不同程度提高。